Loosely Coupled Factor Graph Optimization for Pseudolite-Augmented Navigation

Resumo Técnico: Otimização de Grafo de Fatores Acoplada de Forma Frouxa para Navegação Aumentada por Pseudolites

Enunciação do Problema
A localização precisa é crítica para veículos autônomos, contudo o desempenho do Sistema Global de Navegação por Satélite (GNSS) degrada-se frequentemente em ambientes como túneis e cânions urbanos devido ao bloqueio de sinal, multipercurso e interrupções. Embora a fusão de GNSS com Unidades de Medição Inercial (IMUs) seja uma abordagem padrão para mitigar esses problemas, os dados da IMU sofrem com deriva sem correção frequente. Pseudolites (PLs), que transmitem sinais semelhantes ao GNSS, oferecem uma solução para aumentar a disponibilidade de sinal e a geometria em ambientes degradados. No entanto, os métodos de integração existentes para GNSS e PLs dependem predominantemente de estimativa por Mínimos Quadrados (LS) e frequentemente falham em incorporar dados de IMU. Além disso, segundo o conhecimento dos autores, nenhum trabalho anterior integrou PLs com outros sensores usando Otimização de Grafo de Fatores (FGO), um framework conhecido por sua capacidade de alavancar medições históricas e realizar otimização iterativa.

Metodologia
O artigo propõe um framework de Otimização de Grafo de Fatores (FGO) acoplada de forma frouxa (LC) projetado para fundir medições de GNSS, PL e IMU.

• Definição do Estado: O estado do sistema no tempo $t_i$ inclui a matriz de rotação ($R^e_b$), posição ($p^e_b$), velocidade ($v^e_b$) e vieses para o acelerômetro ($b_a$) e o giroscópio ($b_g$).
• Formulação dos Fatores:
  • Fator de IMU Pré-integrada: Modela o movimento entre estados consecutivos usando pré-integração de IMU, contabilizando resíduos de rotação, velocidade e posição.
  • Fator de Vieses da IMU: Modela a evolução temporal dos vieses do acelerômetro e do giroscópio.
  • Fator de Posição GNSS/PL: Utiliza uma solução padrão por Mínimos Quadrados derivada de medições combinadas de pseudodistância de GNSS e PL para estimar a posição da antena. Esta posição é então relacionada ao estado da IMU por meio de uma transformação de braço de alavanca.
• Estrutura do Grafo: O grafo de fatores anexa nós de estado e fatores de medição conforme novos dados de GNSS/PL chegam. Medições de alta taxa da IMU entre épocas de GNSS/PL são pré-integradas em fatores únicos que conectam os estados. Um fator de prior restringe o estado inicial.
• Otimização: O sistema resolve a estimativa de máxima a posteriori (MAP) minimizando a soma dos erros quadráticos provenientes da prior, dos fatores de posição e dos fatores de IMU.

Configuração Experimental
O framework foi validado usando dados do mundo real coletados em um estacionamento da Universidade das Forças Armadas de Munique.

• Hardware: Um rover equipado com uma antena GNSS/PL multibanda e uma IMU MEMS. Dois transmissores de PL emitiram sinais semelhantes aos Galileo E1BC.
• Cenário: Para emular condições degradadas de GNSS, o experimento utilizou apenas os quatro satélites GPS de maior elevação em uma janela de 80 segundos.
• Configurações: O estudo comparou o desempenho em quatro configurações de sinal: apenas GPS, GPS + 1 PL (PL01), GPS + 1 PL (PL02) e GPS + 2 PLs.
• Linhas de Base: A abordagem FGO proposta foi comparada contra um método LS padrão (sem IMU) e uma linha de base GNSS-IMU.

Principais Resultados
A avaliação demonstra que o framework FGO supera consistentemente os métodos LS padrão em todas as configurações de sinal:

• Redução de Erro: O FGO alcançou uma redução de 22,8% a 41,3% no erro médio 3D em comparação com o LS. No erro 2D, as melhorias variaram de 11,9% a 21,1%.
• Qualidade da Trajetória: O FGO produziu trajetórias mais suaves e mostrou sensibilidade reduzida ao ruído de medição em comparação com o LS, particularmente no cenário apenas GPS, onde a observabilidade é limitada.
• Impacto das Pseudolites: A incorporação de transmissores de PL melhorou ainda mais a precisão de posicionamento em comparação com uma linha de base GNSS-IMU. No entanto, a magnitude da melhoria dependeu da disposição geométrica dos transmissores.
  • A configuração GPS+2PL produziu a melhor precisão 3D (menor PDOP).
  • A configuração GPS+PL02 alcançou o menor erro 2D, apesar de ter um VDOP (Diluição de Precisão Vertical) pior do que o caso de PL01 único.
• Correlação DOP: Embora as tendências da Diluição de Precisão (DOP) geralmente estivessem alinhadas com o desempenho de posicionamento, os autores observam que o DOP sozinho não determina totalmente a precisão, pois fatores como multipercurso e viés de relógio também influenciam o erro final.

Significado e Alegações
O artigo alega apresentar a primeira integração de Pseudolites com outros sensores usando Otimização de Grafo de Fatores. O significado primário deste trabalho reside em validar a eficácia do FGO para navegação assistida por PL em ambientes com visibilidade limitada de satélites. Os resultados confirmam que um framework FGO acoplado de forma frouxa pode fundir robustamente dados de GNSS, PL e IMU para melhorar significativamente a precisão de posicionamento sobre os métodos LS tradicionais. Os autores concluem que, embora a configuração geométrica das PLs influencie os ganhos específicos, a abordagem é uma solução viável para melhorar a robustez da navegação em ambientes de GNSS degradados. Trabalhos futuros são identificados como investigando integração acoplada de forma rígida para melhorar ainda mais a robustez e a precisão.