Evaluating GNSS-IMU Fusion in Smartphones for Kinematic Positioning Performance

Abstract

Denne avhandlingen undersøker integrasjonen av Global Navigation Satellite Systems (GNSS) data og Intertial Measurement Unit (IMU) data fra smarttelefoner for kinematisk posisjonering. Grunnet utviklingen og fremskritt innen smarttelefonteknologi de siste årene, tilbyr disse enhetene nå rå GNSS og IMU data. Dette skaper nye bruksområder innen posisjoneringsoppgaver som tradisjonelt sett har blitt håndtert av spesialisert utstyr. Avhandlingen benytter seg av en Extended Kalman Filter (EKF) algoritme for å fusjonere GNSS og IMU data, med mål om å benytte seg av teknologiene og de tilhørende egenskapene til disse sensorene.

Dataen som er brukt i denne avhandlingen er samlet inn av Google fra forskjellige smarttelefoner under kinematiske eksperimenter. Dataen blir prossesert ved hjelp avhandlingens utviklede program sammen med eksisterende programvare fra MATLAB som implementerer Kalman Filteret for sensorfusjonen. Overraskenede nok forbedret ikke integreringen av IMU data poisjoneringsnøykatigheten betydelig sammenlignet med alenestående GNSS data. Avhandlingen utforsker de potensielle årsakene til dette og evaluerer faktorer som kan ha påvirket fusjoneringens ytelse. Avhandlingen dekker metodikken for datainnsamlingen og behandlingen til både GNSS og IMU dataen. Videre presenteres en analyse for å sammenligne nøyaktigheten til fusjonert GNSS og IMU posisjonering mot alenestående GNSS posisjonering. I tillegg ses det på en identifisering og undersøkelse av potensielle faktorer som bidrar til mangelen på forbedring i posisjoneringsnøyaktigheten ved bruk av IMU data.

Avhandlingens eksperiment gir innsikt i mulighetene og begrensingene ved smattelefonbasert GNSS-IMU integrasjon for kinematisk posisjonering. Funnene antyder at selv om konspetet med å bruke smarttelefoner for presis posisjonering er lovende, er det ytterlighere behov for fremskritt innen sensorteknologi og alternativer til datafusjonstilnærminger for å oppnå betydelige og pålitelige forbedringer. Studien fremehever viktigheten av pågående forskning innen mobilposisjoneringsteknologi for å fullt ut kunne utnytte potensialet til brukerenehter for applikasjoner som krever høy posisjoneringspresisjon.

This thesis examines the integration of Global Navigation Satellite Systems (GNSS) data and Inertial Measurement Unit (IMU) data from smartphones for kinematic positioning. Due to the advancement of smartphones technologies, these deceives now offer raw GNSS and IMU data, creating an opportunity for their use in precise positioning tasks, which traditionally have been handled by specialized equipment. The study utilizes the Extended Kalman Filter algorithm to fuse GNSS and IMU data, taking advantage of the technologies and characteristics of these sensors.

The data used were collected by Google from different smartphones during kinematic experiments and processed with the thesis's developed software utilizing MATLAB's existing software that implements the extended Kalman filter for sensor fusion. Surprisingly, the integration of IMU data did not significantly improve positioning accuracy over standalone GNSS data. The thesis explores the potential reasons for this outcome and evaluates the factors that may have influenced the sensor fusion performance. The thesis covers the methodology for data collection and preprocessing for both GNSS and IMU sensor data, an analysis for comparing the accuracy of fused GNSS-IMU positioning versus standalone GNSS positioning and identification and examination of potential factors contributing to the lack of improvement in positioning accuracy when using IMU data.

The research provides insights into the capabilities and limitations of smartphone-based GNSS-IMU integration for kinematic positioning. The findings suggest that while the concept of using smartphones for precise positioning is promising, further advancements in sensor technology and alternative data fusion approaches are needed to achieve significant and reliable accuracy improvements. The study highlights the importance of ongoing research in mobile positioning technology to fully take advantage of the potential consumer-grade devices for high precision applications