Vous êtes ici : GIPSA-lab > Formation > Thèses soutenues
ZMITRI Makia

Magnetometer Array-Based Indoor Navigation Under Kalman Filtering

 

Directeur de thèse :     Christophe PRIEUR

Co-encadrant :     Hassen FOURATI

École doctorale : Electronique, electrotechnique, automatique, traitement du signal (EEATS)

Spécialité : Automatique et productique

Structure de rattachement : CNRS

Établissement d'origine : Ecole Nationale d'Ingénieurs de Tunis

Financement(s) : Contrat doctoral

 

Date d'entrée en thèse : 01/10/2018

Date de soutenance : 29/09/2021

 

Composition du jury :
RENAUDIN Valérie, Directrice de Recherche, Université Gustave Eiffel, Rapporteure
GUSTAFSSON Fredrik, Professeur, Linköping University, Rapporteur
ALAMIR Mazen, Directeur de Recherche, CNRS, GIPSA-lab, Examinateur
MANAMANNI Noureddine, Professeur, Université de Reims Champagne-Ardenne, CReSTIC, Examinateur
BARRAU Axel, Ingénieur de Recherche, SAFRAN, Examinateur
MEIER Hendrik, Ingénieur de Recherche, SYSNAV, Examinateur
PRIEUR Christophe, Directeur de Recherche, CNRS, GIPSA-lab, Directeur de thèse
FOURATI Hassen, Maître de Conférences, UGA, GIPSA-lab, Co-Encadrant de thèse, Invité

 

Résumé :
Cette thèse porte sur la navigation intérieure sans GPS, en se basant uniquement sur des capteurs magnéto-inertiels à bas coût, et sans l'utilisation d'une cartographie préalable du champ magnétique, ou une infrastructure dédiée. L'idée principale est d'utiliser les perturbations du champ magnétique présentes à l'intérieur des bâtiments pour générer non seulement une estimation de la vitesse, mais aussi de l'attitude et de la position de l'objet mobile étudié, permettant ainsi de reconstruire toute trajectoire effectuée. Pour ce faire, les dérivées spatiales du champ magnétique sont explorées à travers un réseau de magnétomètres spécifique. À partir de ce réseau, le gradient du champ magnétique est déterminé à travers des approximations. Ainsi, il présente des incertitudes et du bruit. Pour cette raison, un modèle de navigation magnéto-inertielle standard (MINAV) a été amélioré en introduisant une nouvelle équation qui décrit la dynamique du gradient du champ magnétique. Le nouveau modèle proposé se démarque des modèles habituels utilisés dans la littérature correspondante, car il capture pleinement la richesse des variations du gradient du champ magnétique, et permet de réduire ses incertitudes et son bruit. Ensuite, différents algorithmes basés sur le filtre de Kalman étendu (EKF) sont implémentés, pour mettre en œuvre le modèle proposé. Néanmoins, les performances de l'EKF se dégradent sous certaines conditions, principalement liées à la qualité des mesures. Par conséquent, il est nécessaire de le combiner avec la technique de la mise à jour de la vitesse nulle (ZUPT), dans le cas où le capteur est sur le pied, ou les réseaux de neurones profonds (DNNs) dans un cas plus général. Les algorithmes proposés sont évalués non seulement sur des données simulées mais aussi sur un benchmark expérimental utilisant un réseau de capteurs réels en présence d'équipements de vérité-terrain. Les résultats obtenus illustrent l'apport de cette thèse sur l'estimation de la vitesse et par conséquent sur la reconstruction de trajectoires.
RÉSUME DE THÈSE EN ANGLAIS
This thesis focuses on GPS-free indoor navigation using only strapdown low-cost magneto-inertial sensors and without relying on any prior-mapping of the magnetic field, nor on a dedicated infrastructure. The main idea is to take advantage of the magnetic field's disturbances present indoor to generate not only a velocity estimate, but also attitude, and position of the moving body under study, enabling therefore the reconstruction of any performed trajectory. To do so, the spatial derivatives of the magnetic field are explored throughout a specific set of a magnetometer array. From this array, the magnetic field gradient is determined using approximation methods. It follows that it suffers from uncertainties and noise. For this reason, a standard Magneto-Inertial Navigation (MINAV) model is enhanced by introducing a new equation that describes the magnetic field gradient dynamics. The new proposed model stands out from the usual ones used in the corresponding literature, as it fully captures the richness of the magnetic field gradient variations, and enables reducing its uncertainties and noise. Then, different algorithms based on Extended Kalman Filtering (EKF) are implemented, to make use of the proposed model. Nevertheless, the performance of the EKF is degraded under certain conditions, mostly related to measurements quality. Therefore, it becomes necessary to combine it with the Zero-velocity Update Technique (ZUPT), in the case of foot-mounted navigation or Deep Neural Networks (DNNs) in the more general case. The proposed algorithms are assessed not only on simulated data but also on a real experimental benchmark using a sensor array, in presence of ground truth equipment. The obtained results illustrate the contribution of this thesis on the velocity estimation and consequently on the trajectory reconstruction.


GIPSA-lab, 11 rue des Mathématiques, Grenoble Campus BP46, F-38402 SAINT MARTIN D'HERES CEDEX - 33 (0)4 76 82 71 31