U-Parking: Distributed UWB-Assisted Autonomous Parking System with Robust Localization and Intelligent Planning

Deze paper presenteert U-Parking, een gedistribueerd autonoom parkeersysteem dat gebruikmaakt van UWB-technologie, robuuste lokalisatie en LLM-ondersteunde planning om betrouwbare parkeerbewegingen in uitdagende binnenruimtes mogelijk te maken.

De kern

Stel je voor dat je met je auto een parkeergarage binnenrijdt. Het is donker, er staan veel zuilen in de weg, en je hebt geen idee waar de vrije plekken zijn. Normaal gesproken zou je zelf zoeken, maar wat als je auto dat voor je kan doen? En wat als die auto niet alleen slim is, maar ook een "supergeheugen" heeft dat nooit vergeet waar de obstakels staan, zelfs als de signalen verstoren?

Dit is precies wat het U-Parking-systeem doet. Het is een slimme manier om autonoom te parkeren in moeilijke binnenruimtes, zoals parkeergarages. Hier is hoe het werkt, vertaald in alledaags taal:

1. Het Probleem: De "Geestelijke" Parkeergarage

In een normale parkeergarage is het lastig voor een robotauto om zich te oriënteren.

• Verkeerde signalen: De auto gebruikt een technologie genaamd UWB (Ultra-Wideband), die werkt als een heel nauwkeurige radar. Maar in een garage met veel beton en metalen balken, kaatst het signaal soms raar af (zoals een echo in een grot). Dit zorgt ervoor dat de auto denkt dat hij ergens anders staat dan hij werkelijk is.
• De zoektocht: Zonder hulp zou de auto elke mogelijke route moeten uitproberen, wat veel te lang duurt.

2. De Oplossing: Een Drie-Delige Superkracht

Het U-Parking-systeem lost dit op met drie slimme trucs, alsof het een team van drie experts is die samenwerken:

A. De "Orakel" (De Grote Taalmodel / LLM)

Stel je voor dat er een zeer slimme assistent zit in de server van de parkeergarage. Deze assistent heeft een Groot Taalmodel (LLM) in zijn hoofd.

• Wat doet hij? Hij kijkt naar de hele garage als een grote puzzel. Hij ziet waar de vrije plekken zijn, waar de UWB-signalen goed zijn, en waar de auto het makkelijkst kan parkeren.
• De analogie: In plaats dat de auto zelf elke hoek van de garage moet verkennen, geeft deze "Orakel" de auto een korte routebeschrijving met een paar belangrijke tussenpunten. Hij zegt: "Ga eerst naar punt A, dan naar punt B, en parkeer dan in plek 42." Hierdoor hoeft de auto niet meer blindelings te zoeken; hij weet precies waar hij heen moet.

B. De "Dubbelcheck" (De Fusion Locatie)

Omdat de UWB-signalen soms "haperen" (zoals een slechte wifi-verbinding), gebruikt de auto een slimme combinatie van sensoren.

• Hoe werkt het? De auto gebruikt zijn UWB-signalen én zijn eigen bewegingssensoren (IMU, die voelen hoe je auto beweegt, net als je evenwichtsorgaan).
• De analogie: Stel je voor dat je in het donker loopt. Je gebruikt een zaklamp (UWB), maar die flitst soms uit. Je gebruikt ook je benen om te voelen of je over een drempel stapt (IMU). Als de zaklamp zegt "linksom", maar je benen voelen "rechtsom", dan vertrouwt het systeem even meer op je benen. Het systeem "gladstrijkt" de schokkerige signalen, zodat de auto niet plotseling van richting verandert of trilt.

C. De "Stevige Hand" (Robuuste Besturing)

Zelfs als de locatie niet 100% perfect is, moet de auto rustig blijven rijden.

• Hoe werkt het? De besturingssoftware is zo ontworpen dat hij niet in paniek raakt als de positie even "springt".
• De analogie: Het is alsof je een fiets rijdt op een hobbelig pad. Als je even wankelt, corrigeer je je stuur niet te hard, anders val je om. Het systeem "dempt" de reacties van de auto als het merkt dat de metingen onzeker zijn, zodat de auto soepel blijft rijden en niet schokkerig stopt of begint te trillen.

3. Het Resultaat: Een Soepele Parkeerbeurt

In de demo die de onderzoekers lieten zien, reed een echte auto het systeem binnen.

• De "Orakel" (server) koos de beste plek.
• De "Dubbelcheck" zorgde dat de auto wist waar hij was, zelfs als de signalen verstoord waren.
• De "Stevige Hand" zorgde voor een rustige rit.

Conclusie:
Dit systeem maakt autonoom parkeren in een chaotische, donkere garage net zo betrouwbaar als het parkeren in je eigen oprit. Het combineert de slimme planning van een supercomputer met de fysieke stabiliteit van een goed onderhouden auto, zodat je nooit meer hoeft te zoeken naar een parkeerplek of bang hoeft te zijn voor een botsing.

Het is alsof je auto een eigen navigator heeft die nooit verdwaalt, zelfs niet in de meest vervelende parkeergarages ter wereld.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "U-Parking: Distributed UWB-Assisted Autonomous Parking System with Robust Localization and Intelligent Planning" in het Nederlands.

Titel: U-Parking: Gedistribueerd UWB-ondersteund autonoom parkeersysteem met robuuste lokalisatie en intelligente planning

1. Het Probleem

Autonoom parkeren in binnenparkeergarages is een complexe uitdaging vanwege de specifieke omgevingsfactoren:

• Complexiteit: Ingewikkelde lay-outs, obstakels en occlusies (verduistering) maken hoge-precisie lokalisatie moeilijk.
• Multipath-effecten: In binnenruimtes treden vaak overgangen op tussen zichtlijn (Line-of-Sight, LOS) en niet-zichtlijn (Non-Line-of-Sight, NLOS) voor signalen. Dit veroorzaakt sprongen in de positiebepaling en onzekerheid in de besturing.
• Beperkingen van bestaande methoden:
  • SLAM-gebaseerde methoden: Zijn afhankelijk van hoogwaardige vooraf gemaakte kaarten en zijn gevoelig voor veranderingen in de omgeving.
  • Traditionele planners: Zoekalgoritmen (zoals A*) hebben te maken met grote zoekruimtes, wat leidt tot inefficiëntie en beperkte globale besluitvorming.
  • UWB-gebruik: Hoewel Ultra-Wideband (UWB) centimeter-nauwkeurigheid biedt, zijn real-world implementaties gevoelig voor NLOS-effecten en multipath, wat leidt tot meter-gewijze drift en controletrillingen.

2. Methodologie

Het voorgestelde U-Parking-systeem is een gedistribueerd architectuur gebaseerd op ROS2 (Robot Operating System 2) die samenwerking tussen het voertuig en een parkeergarage-server mogelijk maakt. De aanpak bestaat uit drie kerncomponenten:

A. Intelligente Planning met LLM-ondersteuning (Server-kant)
In plaats van alleen te vertrouwen op traditionele zoekalgoritmen, gebruikt het systeem een Large Language Model (LLM) (geïmplementeerd met LLaMA-3.3-70B) op de server voor hoog-niveau planning:

• Input: De LLM ontvangt gestructureerde data, waaronder obstakellocaties, beschikbare parkeerplekken, UWB-anker-deployments en de initiële pose van het voertuig.
• Besluitvorming: De LLM prioriteert gebieden met goede UWB-signaalkwaliteit en opeenvolgende beschikbare plekken.
• Output: Het model selecteert een doelparkeerplek en genereert een reeks sleutelpunten (waypoints).
• Zoekruimte-beperking: Deze waypoints sturen een verbeterde A-planner*, wat de noodzaak voor uitgebreide raster-expansies in rommelige omgevingen drastisch reduceert.
• Trajectgladmaking: Het gegenereerde pad wordt gladgemaakt met stuksgewijze Bézier-curves en B-spline interpolatie, en de laatste parkeermanoeuvre wordt gegenereerd met een curve-lijn geometrische methode.

B. Gelaagde Fusie-Lokalisatie Strategie (Voertuig-kant)
Om de onnauwkeurigheid van UWB in NLOS-situaties op te lossen, wordt een drie-laags hiërarchisch fusie-systeem gebruikt met een Improved Adaptive Extended Kalman Filter (IAEKF) als kern:

1. Laag 1 (Preprocessing): Ruwe UWB-bereikmetingen worden gefilterd om ruis te onderdrukken.
2. Laag 2 (Initiële schatting): Een eerste 2D-positie wordt berekend op basis van de gefilterde data.
3. Laag 3 (Adaptieve optimalisatie): UWB-positie schattingen worden gefuseerd met IMU-bewegingsdata.
   • Adaptief mechanisme: Het filter berekent het innovatie-residu ($r_k$). Als de afwijking een bepaalde drempel overschrijdt (indicatie van NLOS of multipath), wordt het gewicht van de UWB-metingen dynamisch verlaagd. Dit voorkomt dat de lokalisatie "wegspringt" tijdens LOS/NLOS-overgangen.

C. Robuuste Trajectvolging (MPC)
Een Model Predictive Control (MPC) controller wordt gebruikt voor het volgen van het traject, specifiek ontworpen voor onzekerheid in de lokalisatie:

• De controller past de kostenfunctie (cost weights) adaptief aan op basis van de betrouwbaarheid van de lokalisatie.
• Bij gedetecteerde sprongen in de UWB-data worden de straffen voor onmiddellijke positiefouten verlaagd en de straffen voor extreme snelheids- en stuurvariaties verhoogd. Dit onderdrukt agressieve besturing en voorkomt trillingen van het voertuig.

3. Belangrijkste Bijdragen

1. Hiërarchische UWB-fusie: Een strategie die de robuustheid tijdens LOS/NLOS-overgangen verbetert en meter-gewijze drift in conventionele UWB-systemen mitigeert.
2. LLM-ondersteunde planning: Een server-side mechanisme dat hoog-niveau begeleiding biedt voor parkeerplekselectie en padplanning, wat de zoekruimte van traditionele planners effectief verkleint.
3. Gedistribueerde Architectuur: Een voertuig-parkeergarage samenwerking die een uniek globaal positionerings- en beslissingsvermogen biedt dat verder gaat dan lokaal waargenomen kaarten.

4. Resultaten en Experimenten

Het systeem werd getest op een SCOUT 2.0 differentieelaandrijving platform in een binnenparkeergarage van 30,2m x 37,9m, gebruikmakend van een HR-RTLS1 UWB-platform en een WHEELTEC N100 IMU.

• Locatie-nauwkeurigheid: Zoals weergegeven in Figuur 2(b) en Tabel I, presteert de voorgestelde methode ("Integrated Improvement") aanzienlijk beter dan baselines (alleen UWB, UWB+EKF, UWB+IAEKF).
  • De gemiddelde Euclidische fout daalde van 0,240 m (alleen UWB) naar 0,118 m (geïntegreerde methode).
  • De gemiddelde DTW (Dynamic Time Warping) fout daalde van 0,284 m naar 0,133 m.
• Stabiliteit: Hoewel er incidentele piekfouten tot 0,5 m optreden (voornamelijk door UWB-ruis), zijn deze kortstondig en hebben ze geen negatief effect op de algehele gladheid van het parkeren of de volgnauwkeurigheid.
• Demonstratie: Het systeem slaagde erin om autonoom te parkeren in een realistische omgeving met frequente LOS/NLOS-schakelingen, zonder controletrillingen.

5. Betekenis en Conclusie

Deze paper demonstreert een praktische en robuuste oplossing voor autonoom parkeren in complexe binnenomgevingen. Door Large Language Models te integreren voor strategische planning en te combineren met een adaptieve sensorfusie voor lokale stabiliteit, overwint U-Parking de beperkingen van bestaande systemen. Het bewijst dat de combinatie van AI-gedreven besluitvorming en robuuste regeltechniek de betrouwbaarheid van autonoom parkeren aanzienlijk kan verhogen, zelfs onder uitdagende omstandigheden met signaalverlies en multipath-effecten.