Autonomous localization by learning mobility dynamics in multimodal transportation - Archive ouverte HAL Access content directly
Theses Year : 2020

Autonomous localization by learning mobility dynamics in multimodal transportation

Localisation autonome par apprentissage des dynamiques de déplacement en transport multimodal

(1)
1
Johan Perul
  • Function : Author

Abstract

The growing development of smart objects offers new opportunities for locating the connected traveler. However, tracking the pedestrian's trajectory remains problematic and navigation applications do not propose to track the traveller's trajectory on a multimodal scale autonomously. This work focuses on the implementation of a single solution capable of locating the user according to different travel modes and whatever the environment, using inertial,magnetic and GNSS sensors. In a first step, a new method for locating the cyclist is implemented. GNSS phase measurements are used to correct the velocity vector by time differences and themovement direction is constrained using inertial signals. These elements were used in a second time and adapted to implement a new method of pedestrian localization with a handheld sensor. The PDR approach which is an inertial navigation technique using dead reckoning is parameterized in an extended Kalman filter. An innovative update merging the device attitude estimation and a statistical estimation of the walking direction allows to correct the walking direction prediction and to obtain a consistent and smoothed estimate. GNSS measurements are used to correct the velocity vector, orientation, step length and absolute position. Finally, a multimodal approach is proposed and the management of transitions between the different algorithms, assisted by the use of an innovative sensor, is studied. Multimodal experiments in real conditions are conducted to analyze the performance of the proposed solution.
Le développement croissant d'objets intelligents offre de nouvelles opportunités de localisation du voyageur connecté. Cependant, le suivi de la trajectoire du piéton reste problématique et les applications de navigation ne proposent pas de suivre la trajectoire du voyageur à l'échelle multimodale de façon autonome. Ce travail s'intéresse à la mise en place d'une solution unique capable de localiser l'utilisateur selon différents modes de déplacement et quel que soit l'environnement, à partir de capteurs inertiels, magnétiques et GNSS. Dans un premier temps, une nouvelle méthode de localisation du cycliste est mise en place. Les mesures de phases GNSS sont utilisées pour corriger le vecteur vitesse par différences temporelles et la direction de déplacement est contrainte à l'aide des signaux inertiels. Ces éléments ont été utilisés dans un second temps et adaptés pour mettre en place une nouvelle méthode de localisation du piéton avec un capteur en main. L'approche PDR qui est une technique de navigation inertielle à l'estime est paramétrée dans un filtre de Kalman étendu. Une mise à jour innovante fusionnant l'estimation de l'attitude du boîtier et une estimation statistique de la direction de marche permet de corriger l'estimation du cap de marche et d'obtenir une estimation cohérente et lissée. Les mesures GNSS sont utilisées pour corriger le vecteur vitesse, l'orientation, la longueur de pas et la position absolue. Enfin, une approche multimodale est proposée et la gestion des transitions entre les différents algorithmes, assistée par l'utilisation d'un capteur innovant, est étudiée. Des validations expérimentales multimodales en conditions réelles sont conduites pour analyser les performances d'estimation de la solution proposée.
Fichier principal
Vignette du fichier
doc00032559.pdf (14.69 Mo) Télécharger le fichier
Origin : Files produced by the author(s)

Dates and versions

tel-03152114 , version 1 (25-02-2021)
tel-03152114 , version 2 (01-03-2021)
tel-03152114 , version 3 (16-06-2021)
tel-03152114 , version 4 (07-01-2022)

Identifiers

  • HAL Id : tel-03152114 , version 2

Cite

Johan Perul. Localisation autonome par apprentissage des dynamiques de déplacement en transport multimodal. Automatique / Robotique. Ecole Centrale de Nantes (ECN), 2020. Français. ⟨NNT : ⟩. ⟨tel-03152114v2⟩

Collections

TDS-MACS
213 View
35 Download

Share

Gmail Facebook Twitter LinkedIn More