Основні поняття
Durch die Fusion von 5G-Signalen und Trägheitssensordaten können Mikro-Drohnen präzise und robust in Innenräumen lokalisiert werden, selbst bei komplexen Bewegungsmustern.
Анотація
Die Studie entwickelt zwei neuartige Ansätze zur Fusion von 5G-Laufzeitmessungen (Time of Arrival, ToA) und Trägheitssensordaten (IMU) für die Echtzeit-Positionsschätzung von Mikro-Drohnen in Innenräumen:
Ein auf dem Error State Kalman Filter (ESKF) basierender Ansatz:
Modelliert den Fehler zwischen geschätztem und tatsächlichem Zustand, um Nichtlinearitäten besser abzubilden
Schätzt den Drohnenzustand (Position, Orientierung, Geschwindigkeit) sowie Sensorfehler (Gyroskop- und Beschleunigungssensoroffsets)
Nutzt die ESKF-Aktualisierung, um Schätzungen unter Verwendung der 5G-ToA-Messungen zu verbessern
Ein Pose-Graph-Optimierungs-Ansatz (PGO):
Modelliert die Beziehungen zwischen Zuständen und Messungen in einem Faktorengraphen
Wendet die Idee der IMU-Präintegration an, um Zustandsschätzungen zwischen den seltener verfügbaren 5G-ToA-Messungen zu propagieren
Löst den resultierenden Optimierungsgraphen mit dem GTSAM-Framework
Die Ansätze werden anhand des erweiterten EuRoC-MAV-Benchmarkdatensatzes evaluiert, der realistische 5G-ToA-Messungen enthält. Die Ergebnisse zeigen, dass der PGO-Ansatz die ESKF-Methode in Bezug auf Genauigkeit deutlich übertrifft, während beide Ansätze eine hohe Echtzeit-Leistungsfähigkeit aufweisen.
Статистика
Die Positionsschätzung erreicht eine Genauigkeit von bis zu 15 cm innerhalb des gesamten Trajektorienverlaufs bei Verwendung des PGO-Ansatzes mit fünf 5G-Basisstationen.
Die ESKF-basierte Lokalisierung erzielt eine Genauigkeit von bis zu 34 cm.
Цитати
"Durch die Fusion von 5G-Signalen und Trägheitssensordaten können Mikro-Drohnen präzise und robust in Innenräumen lokalisiert werden, selbst bei komplexen Bewegungsmustern."
"Der PGO-Ansatz übertrifft die ESKF-Methode deutlich in Bezug auf die Genauigkeit, während beide Ansätze eine hohe Echtzeit-Leistungsfähigkeit aufweisen."