Non-Line-Of-Sight Error Mitigation For Ultrasonic Positioning System Using LiDAR
Authors
Sørensen, Nicolaj Tryk ; Dudlik, Aleksandra ; Mikkelsen, Casper Lindholm Fløe
Term
4. semester
Education
Publication year
2022
Submitted on
2022-06-01
Pages
8
Abstract
Many localization systems combine data from internal sensors (proprioceptive) and external sensors (exteroceptive). External sensors such as ultrasonic beacons can be used for multilateration, that is, estimating position from distances to several fixed beacons. When there is no direct line of sight (Non-Line-of-Sight, NLoS) between the receiver and a beacon, an obstacle can increase the measured time of arrival, making the distance appear longer and introducing bias. This work proposes a method to detect and mitigate NLoS. A robot’s position is estimated with an Extended Kalman Filter (EKF) that fuses IMU data with distances from an ultrasonic beacon system. NLoS is detected with LiDAR by comparing the sensed surroundings to the line from the robot to the current beacon. If an object lies on this direct path, the required occlusion height is computed and checked against a Workspace Height Model (WHM). When NLoS is detected, the EKF reduces the influence of that beacon’s distance measurement so it is weighted less. The system was tested in a manufacturing laboratory by comparing the LiDAR-augmented EKF with a baseline EKF without this feature. The results show no significant difference between the two methods.
Mange lokaliseringsmetoder kombinerer data fra interne sensorer (proprioceptive) og eksterne sensorer (exteroceptive). Eksterne sensorer som ultralydsfyr kan bruges til multilateration, dvs. at bestemme position ud fra afstande til flere faste fyr. Hvis der ikke er en direkte sigtelinje (Non-Line-of-Sight, NLoS) mellem modtager og fyr, kan en forhindring øge den målte ankomsttid og dermed få afstandsmålingen til at se længere ud end den er, hvilket giver en systematisk fejl. Dette arbejde foreslår en metode til at identificere og afbøde NLoS. En robots position estimeres med et Udvidet Kalman-filter (EKF), der fletter IMU-data (inertimålinger) med afstande fra et ultralydsfyr-system. NLoS detekteres med LiDAR ved at sammenholde de målte omgivelser med linjen fra robotten til det aktuelle fyr. Hvis et objekt ligger på denne direkte linje, beregnes den nødvendige occlusionshøjde og sammenlignes med en arbejdsområdets højdemodel (Workspace Height Model, WHM). Når NLoS konstateres, reduceres indflydelsen af den pågældende afstandsmåling i EKF’et, så målingen vægtes mindre. Systemet blev testet i et produktionslaboratorium ved at sammenligne EKF’et med LiDAR-baseret NLoS-håndtering med et baseline-EKF uden denne funktion. Resultaterne viser ingen signifikant forskel mellem de to metoder.
[This apstract has been rewritten with the help of AI based on the project's original abstract]
Keywords