Bayesian Fusion of GNSS, ITS-G5 and IR-UWB Data for Robust Cooperative Vehicular Localization - CEA - Commissariat à l’énergie atomique et aux énergies alternatives Accéder directement au contenu
Article Dans Une Revue Comptes Rendus. Physique Année : 2019

Bayesian Fusion of GNSS, ITS-G5 and IR-UWB Data for Robust Cooperative Vehicular Localization

Fusion bayésienne de données GNSS, ITS-G5 et IR-UWB pour des applications robustes de localisation véhiculaire coopérative

Résumé

In the automotive domain, Cooperative Localization (CLoc) is a new promising paradigm that aims at outperforming conventional Global Navigation Satellite Systems (GNSS) in terms of positioning accuracy, robustness, and service continuity, by relying on Vehicle-to-Vehicle (V2V) communications and hybrid data fusion. However, the growing number and the variety of the sensors aboard vehicles raise unprecedented challenges, especially in the context of distributed fusion approaches. This paper thus compares parametric and nonparametric Bayesian data fusion engines (e.g., based on cooperative variants of the Extended Kalman Filter (EKF) and Particle Filter (PF), respectively), while validating a CLoc scheme suitable to Vehicular Ad Hoc Networks (VANETs). More particularly, absolute position information from both onboard GNSS receiver and ITS-G5 V2V messages, as well as relative distance measurements based on the Impulse Radio–Ultra-Wideband (IR–UWB) technology, are combined into a single location solution that is hopefully more robust and more accurate than that of standalone GNSS. First, we investigate V2V ranging accuracy on a highway under real mobility conditions. In the same environment, we then provide offline validations of CLoc positioning, confirming significant performance gains through cooperation over conventional GNSS, even in case of poor initialization. In this specific context, the PF solution is thus shown to yield even better accuracy in comparison with EKF, thanks to its fine robustness against faced non-linear dynamics and non-Gaussian noise processes. Finally, we illustrate the resilience of the proposed solution under temporary GNSS denial.
Dans le domaine automobile, la localisation coopérative (CLoc) apparaît aujourd'hui comme un paradigme particulièrement prometteur, qui doit permettre d'améliorer les performances des systèmes conventionnels de navigation par satellite (GNSS) en termes de précision de positionnement et de continuité de service, en mettant à profit les communications sans fil entre véhicules (V2V) ainsi que des techniques avancées de fusion de données. Toutefois, le nombre grandissant et la variété des capteurs disponibles à bord des véhicules donnent lieu à des questions de recherche sans précédent, a fortiori dans un contexte de traitements distribués. Dans cet article, on se propose de comparer des techniques paramétriques et non paramétriques de fusion bayésienne (typiquement, des variantes coopératives du filtre de Kalman étendu (EKF) et du filtre particulaire (PF)), permettant de résoudre ce problème de localisation coopérative dans un contexte de réseaux véhiculaires ad hoc (VANET). Plus spécifiquement, on cherche à fusionner une information locale de position absolue, telle que celle délivrée par le récepteur GNSS embarqué, avec les positions présumées de véhicules voisins (comprises dans des messages V2V reposant sur le standard de communication ITS-G5), d'une part, et avec des mesures de distances relatives vis-à-vis de ces mêmes voisins (en s'appuyant sur la technologie radio impulsionnelle ultra-large bande (IR-UWB)), d'autre part. Par le biais de cette fusion coopérative, on s'attend à atteindre des niveaux de précision et de robustesse de localisation supérieurs à ceux d'un système GNSS indépendant. Dans un premier temps, on évalue ici la qualité des mesures de distances point à point entre véhicules, pour des conditions de mobilité réelles sur autoroute. Dans ce même environnement, on fournit ensuite une validation expérimentale complète (à temps différé) du concept de positionnement CLoc, confirmant l'intérêt de la coopération entre véhicules, y compris en cas d'initialisation grossière de la position du véhicule. À cette occasion, on met également en évidence l'apport du filtre particulaire, qui semble être mieux adapté (que le filtre EKF) aux dynamiques non linéaires et non gaussiennes rencontrées. Pour finir, on illustre la résilience de la solution proposée vis-à-vis de pertes temporaires du signal GNSS.
Fichier principal
Vignette du fichier
CRPHYS_2019__20_3_218_0.pdf (1.29 Mo) Télécharger le fichier
Origine : Fichiers éditeurs autorisés sur une archive ouverte
Licence : CC BY NC ND - Paternité - Pas d'utilisation commerciale - Pas de modification

Dates et versions

cea-04567677 , version 1 (03-05-2024)

Licence

Paternité - Pas d'utilisation commerciale - Pas de modification

Identifiants

Citer

Gia Minh Hoang, Benoît Denis, Jérôme Härri, Dirk Slock. Bayesian Fusion of GNSS, ITS-G5 and IR-UWB Data for Robust Cooperative Vehicular Localization. Comptes Rendus. Physique, 2019, 20 (3), pp.218-227. ⟨10.1016/j.crhy.2019.03.004⟩. ⟨cea-04567677⟩
0 Consultations
0 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More