Soutenance mémoire
Navigation autonome grâce aux mesures inertielles ou GNSS
Les capteurs utilisés dans le cadre de cette recherche sont assemblés au sein d’une centrale inertielle et magnétique (Inertial and Magnetic Measurement Unit désignée par l’acronyme IMMU). Elle comprend deux capteurs inertiels, à savoir un accéléromètre et un gyromètre, mais également un baromètre et un magnétomètre. Ces capteurs permettent de calculer la position du piéton de manière récursive à partir d’une position initiale connue. Quel que soit le dispositif auquel l’IMMU est intégrée (smartphone, tablette, smartwatch), cette recherche est menée pour des capteurs de gamme « consommateur » [1]. En revanche, les résultats sont sensibles à la qualité d’extraction des mesures (fréquence d’échantillonnage, stabilité de la fréquence, synchronisation temporelle des données, etc.).
Les capteurs MEMS
Technologie MEMS et capteurs inertiels et magnétiques embarqués
La terminologie MEMS (Micro Elecro Mechanical Systems) a vu le jour grâce au Professeur R. Howe à la fin des années 1980 [4]. Elle décrit les processus de micro fabrication impliquant des composants aux dimensions inférieures à 100 μm [4] ainsi que l’intégration conjointe de principes mécaniques et électroniques [5].
Accéléromètres MEMS
Un accéléromètre mesure la force spécifique subie par l’IMMU suivant son axe de mesure. La force spécifique correspond à la résultante des forces non gravitationnelles appliquées par unité de masse sur le support de l’IMMU [6]. Cela signifie que l’accélération due à la gravité n’est pas mesurée par un accéléromètre, donc la force spécifique d’un corps en chute libre serait nulle. En revanche, pourvu que l’axe de mesure soit parfaitement à la verticale, un accéléromètre mesurera l’effet de toute force s’opposant à la gravité afin de le retenir de tomber. Le principe mécanique d’un accéléromètre revient au déplacement uni-axial d’une masse retenue par deux ressorts (Figure 3). A chaque fois que le support de l’accéléromètre subit une accélération selon l’axe de mesure, la masse se déplace du fait de la compression d’un ressort et de l’étirement de l’autre. Ce déplacement est généralement mesuré par des capteurs capacitifs [7].
Gyromètres MEMS
Un gyromètre MEMS mesure l’accélération de Coriolis d’un élément en vibration lorsqu’il subit un mouvement de rotation [1]. Ce phénomène doit son nom à Gustave Gaspard de Coriolis (1792 – 1843) et correspond à l’accélération dans un repère inertiel d’un corps en rotation par rapport à un référentiel Galiléen. De même que pour un accéléromètre, un gyromètre MEMS peut être modélisé par un élément en suspension (cet élément pouvant être discret tel qu’une masse (ou plusieurs), ou continu tel qu’une corde) à deux degrés de libertés [8] définis par deux axes perpendiculaires liés au repère du gyromètre (Figure 6). La masse oscille suivant l’axe x dit ‘Drive-axis’ à une amplitude fixe. Cela définit un mode de vibration ‘primaire’ [8]. Lorsque le gyromètre subit une rotation selon l’axe z, cela entraîne un mode de vibration ‘secondaire’ résultant du couplage des deux mouvements liés à la vibration propre de la masse et au mouvement de rotation provoqué de l’extérieur. Une oscillation selon l’axe y est alors engendrée et son amplitude est mesurée par le gyromètre. Cette amplitude est proportionnelle à la vitesse de rotation de la masse [1].
Une IMMU comprend en général 3 accéléromètres et 3 gyromètres uni-axiaux afin de fournir des mesures dans l’espace 3D. Ils sont disposés de façon à former deux bases orthogonales de R3 dont les axes sont alignés.
Magnétomètre
Comme son nom l’indique, un magnétomètre mesure le champ magnétique. Son utilisation dans le cadre de la navigation repose sur l’hypothèse que le champ magnétique mesuré est terrestre, c’est-àdire qu’il permet d’estimer une orientation par rapport au Nord magnétique [10], laquelle est convertie en direction par rapport au Nord géographique. Etant donné la variété des technologies de fabrication de magnétomètres MEMS, nous nous limiterons à l’exploitation du champ magnétique en navigation PDR sans s’attarder sur sa technologie en tant que telle. Cependant, il est à noter qu’il est commun, tout comme pour les accéléromètres et gyromètres, de réunir trois magnétomètres uni-axiaux de manière à ce qu’ils forment une base orthogonale de l’espace 3D dont les axes coïncident avec les axes des accéléromètres et gyromètres.
Calcul de position par méthode de navigation à l’estime (PDR)
L’approche adoptée dans le contexte de la localisation piétonne à l’aide de capteurs tenus dans la main est baptisée PDR pour Pedestrian Dead Reckoning. Elle renvoie aux méthodes qui s’intéressent à la détection de pas [13]. La navigation piétonne basée PDR se fait en deux temps. Il s’agit d’abord de détecter les instants de pas, ensuite d’estimer leurs longueurs. Le calcul d’orientation est quant à lui réalisé de la même manière qu’en navigation inertielle classique par intégration des vitesses angulaires mesurées par les gyromètres. Des méthodes de fusion sont généralement utilisées pour exploiter l’accéléromètre et le magnétomètre dans le calcul d’attitude afin de limiter la dérive engendrée par l’intégration des vitesses angulaires. Dans ce travail, les erreurs d’orientation sont principalement gérées a posteriori du calcul d’attitude par exploitation de la carte.
Détection de pas
Pour la détection de pas, on exploite la cyclicité de la marche qui se traduit généralement par une périodicité dans le signal d’accélération (Figure 8). Il s’agit alors d’un problème de détection de pics pouvant être résolu par des méthodes de seuillage [15],[16]. La détection de pic peut se faire soit sur l’accélération verticale, comme la force spécifique mesurée par l’accéléromètre est surtout liée à la réaction du sol sur le pied au moment du choc, soit sur la norme de l’accélération, la partie verticale étant difficile à isoler [17]. Une autre difficulté réside dans le choix d’un seuil adapté puisque la détection doit être robuste aux bruits, à la diversité des piétons, des surfaces de sol, etc. [17]. Des méthodes plus élaborées ont été proposées dans la littérature afin de pallier ces difficultés, notamment des approches de seuillage adaptatif [18] ou de seuillage multiple [15]. Toutefois, des cas de sur ou sous-détection peuvent toujours se produire, introduisant une première source d’erreurs liée à la méthode adoptée. Cette erreur est une entité algébrique de l’ordre de la longueur d’un pas (0.65 – 0.85m), cumulable avec d’autres erreurs affectant la distance parcourue par le piéton entre deux instants de pas.
|
Table des matières
I. INTRODUCTION
I.1 Positionnement de la thèse dans le cadre du projet HAPPYHAND
I.1.1 Calcul d’itinéraire adapté à un profil de mobilité
I.1.2 Navigation inertielle assistée par la carte
I.2 Verrous scientifiques
I.2.1 Dérive angulaire
I.2.2 Défaut d’alignement entre cap de marche et orientation du capteur
I.2.3 Erreurs de distance
I.3 Contributions
I.4 Organisation du mémoire
II. NAVIGATION AUTONOME GRACE AUX MESURES INERTIELLES OU GNSS
II.1 Les capteurs MEMS
II.1.1 Technologie MEMS et capteurs inertiels et magnétiques embarqués
II.1.2 Modélisation des erreurs d’une centrale IMMU
II.1.3 Analyse de la variance d’Allan
II.2 Calcul de position par méthode de navigation à l’estime (PDR)
II.2.1 Détection de pas
II.2.2 Estimation de la longueur de pas
II.2.3 Calcul d’attitude de l’IMMU
II.3 Données GNSS
II.3.1 Mesures
II.3.2 Aides GNSS pour la navigation dans les milieux masqués
II.3.3 Calcul de position GNSS
III. MODELES CARTOGRAPHIQUES POUR LA LOCALISATION
III.1 Contenu et formats natifs des cartes (Vecteur, Raster)
III.1.1 Eléments de la carte significatifs du point de vue des déplacements piétons
III.1.2 Différents formats de la carte
III.2 Réseaux de navigation
III.2.1 Graphe de navigation
III.2.2 Mesh de navigation
III.2.3 Bilan sur l’utilisation de mesh et de graphes de navigation
III.3 Nouveau graphe dans les espaces non-contraints par les obstacles
III.3.1 Difficultés de modélisation des espaces non-contraints par les obstacles
III.3.2 Adaptation de la notion de portail pour la construction du graphe
III.3.3 Génération d’un graphe basé sur les portails
IV. LIAISON ENTRE LA CARTE ET LA SIGNATURE DE MOUVEMENT
IV.1 Etat de l’art sur les méthodes d’exploitation de la carte pour la localisation
IV.1.1 Carte de chaleur traduisant une probabilité d’occupation de la carte
IV.1.2 Adaptation des modèles dynamiques à la nature du mouvement
IV.1.3 Mesure de position grâce à des points d’intérêt (POI)
IV.1.4 Correction de la trajectoire par assimilation avec des itinéraires pré-calculés
IV.2 Focus sur les défis de la transition indoor-outdoor
IV.2.1 Intérêt de la distinction indoor-outdoor (IO)
IV.2.2 Définition de l’indoor et de l’outdoor dans l’état de l’art
IV.2.3 Technologies de détection IO existantes
IV.2.4 Le problème de généralisation
IV.3 Principales méthodes de classification supervisée
IV.3.1 Formulation du problème de classification
IV.3.2 Algorithmes de classification
IV.3.3 Algorithmes de sélection des descripteurs pertinents
IV.4 Méthodologie proposée pour la mise à jour de position grâce à des POIs
IV.4.1 Approche proposée
IV.4.2 Typologie des POIs à partir d’une classification de mouvement
IV.4.3 Collecte des signaux
IV.4.4 Indexation du signal
IV.4.5 Calcul des descripteurs
IV.4.6 Variabilité des longueurs de fenêtres dans le processus de détection
V. HYBRIDATION CARTE-IMMU-MAGNETOMETRE-BAROMETRE
V.1 Théorie du filtrage Bayésien
V.1.2 Filtrage Bayésien
V.1.3 Résolution des équations du filtrage Bayésien
V.2 Etat de l’art : Méthodes de fusion des données de la carte avec les signaux
V.2.1 Utilisation d’un graphe avec un filtre de Kalman
V.2.2 Utilisation d’un graphe avec un filtre particulaire
V.2.3 Utilisation d’un espace borné avec un filtre de Kalman
V.2.4 Utilisation d’un espace borné avec un filtre particulaire
V.3 Conception du filtre particulaire réalisant le calcul de position
V.3.1 Initialisation
V.3.2 Modèle de propagation
V.3.3 Mise à jour
V.3.4 Ré-échantillonnage
V.3.5 Intégration des POIs
VI. CONCLUSION
