Soutenance mémoire
Systèmes de type PDR
Dans le cadre du projet, nous souhaitons utiliser uniquement des IMUs afin d’obtenir un système à faible coût et furtif (n’utilisant pas d’ondes externes), ne pouvant être influencé par l’environnement extérieur (voir des techniques de brouillage) et ne nécessitant pas d’infrastructure (pouvant fonctionner dans un environnement inconnu). Cependant, comparativement à la plupart des méthodes présentées pour les systèmes LPS, cette méthode nous donne une position relative de l’individu et donne la position absolue en partant d’un point estimé par l’utilisateur (il est également possible de réinitialiser la solution à l’aide de points de repère occasionnels). On a de ce fait les mouvements estimés d’une personne et on est capable de suivre son déplacement, la méthodologie est appelée PDR (Navigation pedestre à l’estime). On retrouve trois systèmes dans la littérature :
1. Les systèmes utilisant un IMU non-fixé sur l’individu (souvent à l’aide d’un téléphone intelligent). On retrouve principalement dans la littérature l’approche appelée « FootPath » (Link, Smith et al. 2011, Pomp et al., 2012) utilisant le magnétomètre pour détecter la direction de l’individu et l’accéléromètre pour détecter les pas. L’algorithme « FootPath » permet d’estimer le trajet effectué par un pas en utilisant la taille et le sexe de la personne. Lorsqu’un pas est détecté, la position de celui-ci est mesurée. Le nombre de pas est également compté et à partir de ces informations l’algorithme estime la position de l’utilisateur;
2. Les systèmes utilisant un IMU fixé sur le pied de l’utilisateur. Cette méthode utilise essentiellement l’accéléromètre et le gyroscope afin d’obtenir l’accélération et la vitesse angulaire. L’algorithme permet de détecter les pas de l’utilisateur et d’estimer son déplacement ainsi que son orientation. Cette méthode offre de meilleures performances que la précédente (Jiménez et al., 2010). D’autres procédures également utilisent l’IMU fixé sur le torse, celle-ci sont un compromis au niveau des performances entre la technique des IMUs non-fixés et des IMUs fixés sur le pied (Ladetto, 2003);
3. Les systèmes utilisant plusieurs IMUs répartis sur le corps. On retrouve celui de Zhang et al.,2012 qui tend à s’en approcher. Ce système est semblable à celui que nous souhaitons réaliser puisqu’il permet d’obtenir les mouvements du corps en plus du trajet effectué par la personne. Les auteurs utilisent cependant uniquement 6 capteurs inertiels de type MEMS et ceux-ci sont haut de gamme. Un seul IMU fixé sur le pied de l’utilisateur est utilisé pour la navigation intérieur. Les erreurs provenant de ces capteurs sont nettement plus faibles que celles provenant des capteurs bas de gamme. Ils n’ont pas de procédure de calibration à effectuer puisque celle-ci est préalablement effectuée par le constructeur.
Capteurs inertiels à faible coût
Les capteurs inertiels à faible coût de type MEMS sont utilisés dans des applications de plus en plus nombreuses du fait de leur faible encombrement, de leur coût et de leurs performances tout de même convenables pour de nombreuses applications ne nécessitant pas une forte précision (tel que les appareils photos et les consoles de jeux). Ces capteurs sont regroupés sur des systèmes dit IMUs, soit constitués d’accéléromètres, de gyroscopes et bien souvent de magnétomètres et de capteurs de température, le tout relié à un μC. Lorsque ces capteurs fonctionnent dans les trois axes de leur référentiel, on obtient 3 mesures d’accélération, de vitesse angulaire et de champ magnétique. Ces 9 DOF permettent d’obtenir par la suite l’attitude du mobile (AHRS) et la vitesse ainsi que la position (INS). Les IMUs sont souvent employés en soutien dans le domaine de la navigation puisqu’ils offrent une solution assez précise sur un cours laps de temps et permettent ainsi d’avoir une solution de navigation lorsque le signal GPS est trop faible ou inexistant (par exemple, lorsqu’une voiture rentre dans un tunnel).
Malgré qu’une grande partie des recherches effectuées à ce jour consiste à hybrider les IMUs avec une solution externe permettant de corriger leurs erreurs, on retrouve tout de même des recherches portées sur l’utilisation autonome d’IMUs. Une erreur typique inférieure à 1% est souvent obtenue dans la littérature pour les IMUs bas de gamme récents (Jiménez et al., 2010; Yan Li, 2012). Cependant, ces systèmes peuvent fonctionner uniquement durant un faible laps de temps du fait de l’accumulation des erreurs finissant par faire diverger la solution. Cette conséquence s’explique par le fait qu’il n’y a pas de solutions externes venant corriger la position, la vitesse et/ou l’attitude du mobile et qu’il n’est pas possible de modéliser tous les types d’erreurs des capteurs afin de les corriger. Ces erreurs entrainant la dérive de la solution sont de deux types, on retrouve les erreurs de type déterministe et de type stochastique. Une fois les erreurs caractérisées, il faut pouvoir modéliser une solution afin de les corriger.
Algorithmes pour la navigation à l’intérieur des bâtiments
Notre environnement ne dipose d’aucune infrastructure pré-installée et nécessite de ce fait l’utilisation d’un système autonome. La plupart des systèmes autonomes permettent uniquement d’obtenir l’attitude du mobile, lorsque l’on souhaite utiliser un modèle INS afin d’obtenir la vitesse et la position, il y a de nombreux problèmes qui se posent. La méthodologie PDR nécessite de ce fait un modèle de connaissance ZUPT (Détection de la vitesse nulle) afin de contenir les erreurs du système et de permettre une solution de navigation. Walder et al., 2010, Borensten et al., 2007 et Torrieri et al., 2011 se servent de cette méthode afin d’améliorer le positionnement puisqu’elle peut détecter les différents types de déplacement (marche, course et ramper) tandis que Kwakkel et al., 2007 se sert de cette méthode afin de déterminer la posture du sujet. Skog, 2010 utilise en plus des capteurs de pression afin de fournir des données supplémentaires sur la posture du sujet. La méthode BIM employée par Walder et al., 2010 permet d’obtenir des informations sur le bâtiment. Cette méthode permet de rectifier la position de l’utilisateur en prenant en compte la carte du bâtiment. En plus de prendre en compte l’architecture, il se fit à la probabilité de déplacement de l’utilisateur dans l’environnement. SPASSOV, 2007 a une méthode similaire prenant en compte les espaces de circulation du bâtiment. Pomp et al., 2012 présente la méthode SLAM permettant de prendre connaissance d’une carte sans la connaître préalablement, la carte est découverte au fur et à mesure du déplacement de l’utilisateur.
Cette méthode serait très intéressante dans notre projet puisque normalement nous ne connaissons pas la carte intérieure du bâtiment, mais elle reste assez complexe à mettre en place lorsqu’on utilise seulement des IMUs. Vissière et al., 2007 propose une méthode permettant de prendre en compte le champ magnétique puisque celui-ci est facilement perturbé dans un bâtiment du fait de la structure, de l’équipement électrique, des ordinateurs, des téléphones cellulaires, etc. Ces données peuvent être utilisées afin d’obtenir une meilleure estimation de la position. Le système fonctionne ainsi : si le corps bouge, le champ magnétique doit changer en suivant les lois de Maxwell. Si celui-ci ne change pas significativement, alors le corps n’est pas en mouvement. D’après l’auteur, cette méthode permet de déduire des informations précieuses sur la vitesse de l’individu portant les IMUs. Wang, 2011 présente un algorithme permettant d’utiliser les accéléromètres et les gyroscopes d’un téléphone intelligent. Cet algorithme peut également être repris pour un capteur positionné sur le torse, il est cependant moins performant que les algorithmes utilisant un IMU fixé sur le pied de l’utilisateur. Finalement, la méthode développée par Jiménez et al. 2010 présente un modèle IEZ (INSEKF- ZUPT) tout à fait intéressant.
En effet, outre le modèle de connaissance ZUPT, elle utilise de nombreux autres modèles de connaissance tels que la détection des états statiques et dynamiques, ZARU, HDR et Compass. Dans leur étude, ils utilisaient des capteurs MEMS haut de gamme où l’erreur calculée était de 1%. Il sera intéressant de tester cette méthode sur les capteurs MEMS bas de gamme. Remarque : Majoritairement, les différentes littératures vues ci-dessus maintiennent qu’il faut avoir une méthode externe afin de corriger la position de temps à autre durant le déplacement de l’utilisateur. Dans le cas contraire, la solution finie par diverger. Nous utiliserons les tous derniers développements pour la réalisation de notre méthodologie PDR. 2.5 Analyse des systèmes existants utilisant une technologie semblable d’IMU Guangyi et al., 2011 développe une méthode utilisant uniquement 4 IMUs, ceux-ci sont dotés d’un module sans fil ZigBee relié à chaque IMU par une liaison SPI mais enlevant de ce fait la contrainte imposée par les fils. Cependant, d’après leurs analyses, leur système n’offre pas de très bonnes performances au niveau du taux de données pouvant être transférées lors de l’utilisation de plusieurs IMUs. (Il n’y a pas de résultats concernant la performance des algorithmes).
|
Table des matières
INTRODUCTION
CHAPITRE 1 PRÉSENTATION DU SUJET DE RECHERCHE
1.1 Mise en contexte
1.2 Motivation et défis
1.3 Objectifs du projet
1.4 Méthodologie de développement
1.4.1 Phase 1 (Septembre 2010 – Janvier 2011)
1.4.2 Phase 2 (Février 2011 – Janvier 2012)
1.4.3 Phase 3 (Février 2012 à aujourd’hui)
CHAPITRE 2 REVUE DE LA LITTÉRATURE
2.1 Capture de mouvements
2.1.1 Capture optique
2.1.2 Capture mécanique
2.1.3 Capture magnétique
2.1.4 Capture de mouvements par inertie
2.1.5 Autres technologies de capture
2.2 Navigation à l’intérieur des bâtiments
2.2.1 Systèmes de type LPS (Sources externes)
2.2.2 Systèmes de type PDR
2.2.3 Solutions hybride : PDR / LPS
2.3 Capteurs inertiels à faible coût
2.3.1 Caractérisation des erreurs de nature déterministe
2.3.2 Modélisation des erreurs de nature déterministe
2.3.3 Caractérisation et modélisation des erreurs de nature stochastique
2.4 Algorithmes de navigation par inertie
2.4.1 Algorithmes pour la capture de mouvements
2.4.2 Algorithmes pour la navigation à l’intérieur des bâtiments
2.5 Analyse des systèmes existants utilisant une technologie semblable d’IMU
2.6 Synthèse de la revue de la littérature
CHAPITRE 3 PRINCIPES DE LA NAVIGATION INERTIELLE
3.1 Concepts en navigation
3.1.1 Repères de référence
3.1.2 Représentation et propagation de l’attitude du système
3.1.3 Représentation de la vitesse et de la position en coordonnées ECEF
3.1.4 Représentation de la gestuelle (BVH)
3.1.5 Représentation du déplacement pédestre (KML)
3.2 IMU et capteurs inertiels de type MEMS
3.2.1 Vue d’ensemble d’un IMU
3.2.2 Accéléromètres
3.2.3 Gyroscopes
3.2.4 Magnétomètres
3.2.5 Fusion des capteurs
3.3 Sources d’erreurs des capteurs inertiels
3.3.1 Erreurs de type déterministe
3.3.2 Erreurs de type stochastique
3.4 Modèles de propagation de l’erreur
3.5 Modèles de référence
3.6 Filtre de Kalman
3.7 Synthèse des principes de la navigation inertielle
CHAPITRE 4 CALIBRATION DES CAPTEURS INERTIELS
4.1 Présentation du matériel d’étalonnage
4.2 Présentation des IMUs utilisés pour les tests
4.3 Correction des erreurs de type déterministe
4.3.1 Méthode multi-positions
4.3.2 Détection des états stationnaires
4.3.3 Calibration du biais initial des magnétomètres
4.3.4 Calibration initiale des capteurs
4.3.5 Calibration continue des capteurs
4.3.6 Démonstration du besoin de la calibration
4.3.7 Analyse des performances et discussion
4.4 Caractérisation des erreurs de type stochastique
4.4.1 Application de la variance d’Allan
4.4.2 Analyse des résultats et discussion
CHAPITRE 5 ALGORITHMES D’ATTITUDE ET DE POSITIONNEMENT
5.1 Développement de l’algorithme AHRS
5.1.1 Alignement initial de l’IMU
5.1.2 Correction de la position des IMUs avec les boîtiers
5.1.3 Modèle dynamique de mise à jour de l’attitude
5.1.4 Ajout des modèles de connaissances
5.1.5 Modélisation du filtre EKF pour corriger la dérive de la solution
5.1.6 Analyse des performances et discussion
5.2 Développement de l’algorithme INS
5.2.1 Ajout de l’intégration de l’accélération et de la vitesse
5.2.2 Ajout des modèles de connaissances
5.2.3 Modélisation du filtre EKF pour corriger la dérive de la solution
5.2.4 Discussion
5.3 Développement de méthodes de soutien
CHAPITRE 6 RÉALISATION DU PROTOTYPE IBNAV
6.1 Conception du micro-logiciel des IMUs
6.1.1 Objectifs de la conception
6.1.2 Architecture du micro-logiciel des IMUs
6.1.3 Fonctionnalités du micro-logiciel des IMUs
6.1.4 Résultats et possibilités supplémentaires
6.2 Développement du système de communication
6.2.1 Objectifs du développement
6.2.2 Architecture du système de communication
6.3 Réalisation de l’architecture matérielle
6.3.1 Objectifs de la réalisation
6.3.2 Composition de l’architecture
6.4 Analyse du système ibNav (Coût, poids et consommation)
CHAPITRE 7 RÉALISATION DE LA PLATEFORME D’ÉTUDES IPAD
7.1 Objectifs de la réalisation
7.2 Implémentation des interfaces graphiques utilisateurs
7.2.1 Interface principale
7.2.2 Interface pour les données brutes
7.2.3 Interface pour les algorithmes
7.2.4 Interface pour la capture de mouvements et la localisation à l’intérieur des bâtiments
7.3 Outils intégrés
7.3.1 Mise en place de la communication UDP / TCP
7.3.2 Mise en place d’une base de données
7.3.3 Réalisation d’une interface 2D / 3D utilisant la librairie OpenGL puis Unity3D
7.3.4 Réalisation d’une librairie pour la création de graphiques
7.3.5 Mise en place de diverses API
CHAPITRE 8 SYSTÈME GLOBAL ET TRANSFERT TECHNOLOGIQUE
8.1 Synthèse et rendu du projet ibNav
8.1.1 Tableaux synthétique des développements réalisés lors de la Phase 3
8.1.2 Faiblesses et forces
8.2 Transfert technologique vers VTADS, MEDOC et d’autres projets
8.2.1 Le Micro-iBB, une création à partir d’ibNav
8.2.2 Le logiciel iOS ibNav 2 vers iMetrik Show Case
CONCLUSION
RECOMMANDATIONS
ANNEXE I RENDU À LA FIN DE LA PHASE 1 DU PROJET IBNAV
ANNEXE II RAISONS DE L’IMPLÉMENTATION DE LA PHASE 3
ANNEXE III PHOTOS DE SYSTÈMES PERMETTANT LA CAPTURE DE MOUVEMENTS
ANNEXE IV CONVERTION COORDONNÉES CARTÉSIENNES ET GÉODÉSIQUES
ANNEXE V INFORMATIONS TECHNIQUES SUR LES CENTRALES INERTIELLES UTILISÉES
ANNEXE VI ERREURS DÉTERMINISTES POUR CHAQUE IMU DU PROJET IBNAV
ANNEXE VII ERREURS STOCHASTIQUES POUR CHAQUE IMU DU PROJET IBNAV
ANNEXE VIII TABLEAU DES LIMITATIONS DES ARTICULATIONS DU CORPS HUMAIN
ANNEXE IX POSTER DE PRÉSENTATION DU PROJET IBNAV
LISTE DE RÉFÉRENCES BIBLIOGRAPHIQUES
Télécharger le rapport complet
