Comptes Rendus
URSI-France 2018 Workshop: Geolocation and navigation / Journées URSI-France 2018 : Géolocalisation et navigation
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]
Comptes Rendus. Physique, Volume 20 (2019) no. 3, pp. 218-227.

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.

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.

Publié le :
DOI : 10.1016/j.crhy.2019.03.004
Keywords: Bayesian data fusion, Cooperative localization, Impulse Radio–Ultra WideBand (IR–UWB), ITS-G5, Vehicle-to-Vehicle (V2V) data communications, Vehicular Ad hoc NETwork (VANET)
Mot clés : Fusion de données hybrides, Localisation coopérative, Radio impulsionnelle ultra-large bande (IR-UWB), ITS-G5, Communications inter-véhicules (V2V), Réseau véhiculaire ad hoc (VANET)

Gia Minh Hoang 1 ; Benoît Denis 2 ; Jérôme Härri 3 ; Dirk Slock 3

1 Orolia Spectracom, Parc Technopolis, 3, avenue du Canada, 91974 Les Ulis cedex, France
2 CEA-Leti, Minatec Campus, 17, rue des Martyrs, 38054 Grenoble cedex 9, France
3 EURECOM, SophiaTech Campus, 450, route des Chappes, 06904 Sophia Antipolis, France
@article{CRPHYS_2019__20_3_218_0,
     author = {Gia Minh Hoang and Beno{\^\i}t Denis and J\'er\^ome H\"arri and Dirk Slock},
     title = {Bayesian fusion of {GNSS,} {ITS-G5} and {IR{\textendash}UWB} data for robust cooperative vehicular localization},
     journal = {Comptes Rendus. Physique},
     pages = {218--227},
     publisher = {Elsevier},
     volume = {20},
     number = {3},
     year = {2019},
     doi = {10.1016/j.crhy.2019.03.004},
     language = {en},
}
TY  - JOUR
AU  - Gia Minh Hoang
AU  - Benoît Denis
AU  - Jérôme Härri
AU  - Dirk Slock
TI  - Bayesian fusion of GNSS, ITS-G5 and IR–UWB data for robust cooperative vehicular localization
JO  - Comptes Rendus. Physique
PY  - 2019
SP  - 218
EP  - 227
VL  - 20
IS  - 3
PB  - Elsevier
DO  - 10.1016/j.crhy.2019.03.004
LA  - en
ID  - CRPHYS_2019__20_3_218_0
ER  - 
%0 Journal Article
%A Gia Minh Hoang
%A Benoît Denis
%A Jérôme Härri
%A Dirk Slock
%T Bayesian fusion of GNSS, ITS-G5 and IR–UWB data for robust cooperative vehicular localization
%J Comptes Rendus. Physique
%D 2019
%P 218-227
%V 20
%N 3
%I Elsevier
%R 10.1016/j.crhy.2019.03.004
%G en
%F CRPHYS_2019__20_3_218_0
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, Volume 20 (2019) no. 3, pp. 218-227. doi : 10.1016/j.crhy.2019.03.004. https://comptes-rendus.academie-sciences.fr/physique/articles/10.1016/j.crhy.2019.03.004/

[1] H. Li; F. Nashashibi Cooperative multi-vehicle localization using split covariance intersection filter, IEEE Intell. Transp. Syst. Mag., Volume 5 (2013) no. 2, pp. 33-44

[2] A. Boukerche; H.A.B.F. Oliveira; E.F. Nakamura; A.A. Loureiro Vehicular ad hoc networks: a new challenge for localization-based systems, Comput. Commun., Volume 31 (2008) no. 12, pp. 2838-2849

[3] M. Rohani; D. Gingras; V. Vigneron; D. Gruyer A new decentralized Bayesian approach for cooperative vehicle localization based on fusion of GPS and VANET based inter-vehicle distance measurement, IEEE Intell. Transp. Syst. Mag., Volume 7 (2015) no. 2, pp. 85-95

[4] J. Liu; B.g. Cai; J. Wang Cooperative localization of connected vehicles: integrating GNSS with DSRC using a robust cubature Kalman filter, IEEE Intell. Transp. Syst. Mag., Volume PP (2016) no. 99, pp. 1-15

[5] S. Cruz; T. Abrudan; Z. Xiao; N. Trigoni; J. Barros Neighbor-aided localization in vehicular networks, IEEE Trans. Intell. Transp. Syst., Volume 18 (2017) no. 10, pp. 2693-2702

[6] G. Hoang; B. Denis; J. Härri; D. Slock Breaking the gridlock of spatial correlations in GPS-aided IEEE 802.11p-based cooperative positioning, IEEE Trans. Veh. Technol., Volume 65 (2016) no. 12, pp. 9554-9569

[7] G.M. Hoang; B. Denis; J. Härri; D.T.M. Slock On communication aspects of particle-based cooperative positioning in GPS-aided VANETs, Proc. CCP IV'16, 2016, pp. 20-25

[8] G. Hoang; B. Denis; J. Hrri; D. Slock Mitigating unbalanced GDoP effects in range-based vehicular cooperative localization, Proc. IEEE ICC'17 - ICC Workshops, 2017, pp. 659-664

[9] G. Hoang; B. Denis; J. Hrri; D. Slock Robust and low complexity Bayesian data fusion for hybrid cooperative vehicular localization, Proc. IEEE ICC'17, 2017, pp. 1-6

[10] S. Severi; H. Wymeersch; J. Hrri; M. Ulmschneider; B. Denis; M. Bartels Beyond GNSS: highly accurate localization for cooperative-intelligent transport systems, Proc. IEEE WCNC18 - LCEN Workshop, 2018, pp. 1-6

[11] https://bespoon.com/ (Accessed 15 January 2019.)

[12] M. Petovello; K. Keefe; B. Chan; S. Spiller; C. Pedrosa; P. Xie Demonstration of inter-vehicle UWB ranging to augment DGPS for improved relative positioning, J. Glob. Position. Syst., Volume 11 (2012) no. 1, pp. 11-21

[13] N. Drawil; O. Basir Intervehicle-communication-assisted localization, IEEE Trans. Intell. Transp. Syst., Volume 11 (2010), pp. 678-691

[14] S. Thrun; W. Burgard; D. Fox Probabilistic Robotics (Intelligent Robotics and Autonomous Agents), The MIT Press, 2005

[15] M. Arulampalam; S. Maskell; N. Gordon; T. Clapp A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking, IEEE Trans. Signal Process., Volume 50 (2002) no. 2, pp. 174-188

[16] S. Särkkä Bayesian Filtering and Smoothing, Cambridge University Press, New York, NY, USA, 2013

[17] http://hights.eu/ (Accessed 2019-1-15)

[18] E. Ben Hamida; H. Noura; W. Znaidi Security of cooperative intelligent transport systems: standards, threats analysis and cryptographic countermeasures, Electron., Volume 4 (2015) no. 3, pp. 380-423

[19] H. Hasrouny; A.E. Samhat; C. Bassil; A. Laouiti VANet security challenges and solutions: a survey, Veh. Commun., Volume 7 (2017), pp. 7-20

Cité par Sources :

Commentaires - Politique