Navigation intérieure basée sur un réseau de magnétomètres utilisant le filtre de Kalman

Magnetometer array-based indoor navigation using Kalman filter

• Auteur / Autrice : Makia Zmitri
• Direction : Christophe Prieur
• Type : Thèse de doctorat
• Discipline(s) : Automatique et productique
• Date : Soutenance le 29/09/2021
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale électronique, électrotechnique, automatique, traitement du signal (Grenoble ; 199.-....)
• Partenaire(s) de recherche : Laboratoire : Grenoble Images parole signal automatique
• Jury : Président / Présidente : Mazen Alamir
• Jury : Examinateurs / Examinatrices : Hendrik Meier, Noureddine Manamanni, Axel Barrau
• Jury : Rapporteurs / Rapporteuses : Valérie Renaudin, Fredrik Gustafsson

Mots clés

Mots clés contrôlés

Navigation par inertie, Systèmes de

Réseaux neuronaux (informatique)

Capteurs (technologie)

Kalman, Filtrage de

Magnétomètres

Mots clés libres

Navigation intérieure

Réseau de magnétomètres

Capteurs inertiels

Filtre de Kalman étendu

Intelligence artificielle

Indoor navigation

Magnetometer array

Inertial sensors

Extended Kalman filter

Artificial intelligence

Résumé

Cette thèse porte sur la navigation intérieure sans GPS, en se basant uniquement sur des capteurs magnéto-inertiels à bas coût, et sans l’utilisation d’une cartographie préalable du champ magnétique, ou une infrastructure dédiée. L’idée principale est d’utiliser les perturbations du champ magnétique présentes à l’intérieur des bâtiments pour générer non seulement une estimation de la vitesse, mais aussi de l’attitude et de la position de l’objet mobile étudié, permettant ainsi de reconstruire toute trajectoire effectuée. Pour ce faire, les dérivées spatiales du champ magnétique sont explorées à travers un réseau de magnétomètres spécifique. À partir de ce réseau, le gradient du champ magnétique est déterminé à travers des approximations.Ainsi, il présente des incertitudes et du bruit. Pour cette raison, un modèle de navigation magnéto-inertielle standard (MINAV) a été amélioré en introduisant une nouvelle équation qui décrit la dynamique du gradient du champ magnétique.Le nouveau modèle proposé se démarque des modèles habituels utilisés dans la littérature correspondante, car il capture pleinement la richesse des variations du gradient du champ magnétique, et permet de réduire ses incertitudes et son bruit.Ensuite, différents algorithmes basés sur le filtre de Kalman étendu (EKF) sont implémentés,pour mettre en œuvre le modèle proposé. Néanmoins, les performances de l’EKF se dégradent sous certaines conditions, principalement liées à la qualité des mesures. Par conséquent, il est nécessaire de le combiner avec la technique de la mise à jour de la vitesse nulle (ZUPT), dans le cas où le capteur est sur le pied, ou les réseaux de neurones profonds (DNNs) dans un cas plus général.Les algorithmes proposés sont évalués non seulement sur des données simulées mais aussi sur un benchmark expérimental utilisant un réseau de capteurs réels en présence d’équipements de vérité-terrain. Les résultats obtenus illustrent l’apport de cette thèse sur l’estimation de la vitesse et par conséquent sur la reconstruction de trajectoires.

This thesis focuses on GPS-free indoor navigation using only strapdown low-costmagneto-inertial sensors and without relying on any prior-mapping of the magneticfield, nor on a dedicated infrastructure. The main idea is to take advantage of themagnetic field’s disturbances present indoor to generate not only a velocity estimate,but also attitude, and position of the moving body under study, enabling therefore thereconstruction of any performed trajectory. To do so, the spatial derivatives of themagnetic field are explored throughout a specific set of a magnetometer array. Fromthis array, the magnetic field gradient is determined using approximation methods.It follows that it suffers from uncertainties and noise. For this reason, a standardMagneto-Inertial Navigation (MINAV) model is enhanced by introducing a new equationthat describes the magnetic field gradient dynamics. The new proposed modelstands out from the usual ones used in the corresponding literature, as it fully capturesthe richness of the magnetic field gradient variations, and enables reducing itsuncertainties and noise. Then, different algorithms based on Extended Kalman Filtering(EKF) are implemented, to make use of the proposed model. Nevertheless,the performance of the EKF is degraded under certain conditions, mostly relatedto measurements quality. Therefore, it becomes necessary to combine it with theZero-velocity Update Technique (ZUPT), in the case of foot-mounted navigation orDeep Neural Networks (DNNs) in the more general case. The proposed algorithmsare assessed not only on simulated data but also on a real experimental benchmarkusing a sensor array, in presence of ground truth equipment. The obtained resultsillustrate the contribution of this thesis on the velocity estimation and consequentlyon the trajectory reconstruction.