Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/14164
Title: Συνεργατική εκτίμηση και ιχνηλάτηση των θέσεων αυτοκινούμενων οχημάτων
Other Titles: Cooperative localization and tracking of automated vehicles
Authors: Πιπερίγκος, Νικόλαος Αντώνιος
Keywords: Συνεργατική εκτίμηση και ιχνηλάτηση θέσης
Ευφυή συστήματα μεταφορών
Διασυνδεδεμένα και αυτοκινούμενα οχήματα
Επεξεργασία πολυτροπικών δεδομένων
Γράφος συνδεσιμότητας
Χαμηλή τάξη
Εκτεταμένο φίλτρο κάλμαν
Τεχνική λαπλάσιαν
Keywords (translated): Cooperative localization and tracking
Intelligent transportation systems
Connected and autonomous vehicles
Multi-modal data fusion
Connection graph
Laplacian technique
Low rank
Extended kalman filter
Abstract: Τα Ευφυή Συστήματα Μεταφορών αναμένεται να αποτελέσουν έναν από τους βασικούςπυλώνες της σύγχρονης κοινωνικής ζωής, λειτουργίας και ανάπτυξης. Συστατικό στοιχείο των Ευφυών Συστημάτων Μεταφορών αποτελούν τα Διασυνδεδεμένα και Αυτοκινούμενα Οχήματα. Η μεγάλη πρόοδος των τεχνολογιών επικοινωνίας Vehicle-to-Vehicle, Vehicle-to-Infrastructure, Vehicle-to-Everything, όσο και του 5G, τους επέτρεψε να επικοινωνούν και να αντάλλασουν χρήσιμες πληροφορίες. Παράλληλα, κάθε όχημα μπορεί να είναι εφοδιασμένομε αισθητήρες όπως το Light Detection and Ranging και Radio Detection and Ranging, που βοηθούν στην αντίληψη και ανάλυση του εξωτερικού περιβάλλοντος τους. ́Ετσι, τα οχήματαμπορούν να σχηματίσουν ένα Vehicular Ad-Hoc Network, σύμφωνα με την επικοινωνιακήδιασύνδεση τους, ώστε να υλοποιούν ατομικούς ή/και συλλογικούς στόχους. ́Ενας πολύ σημαντικός στόχος είναι να γνωρίζει το κάθε όχημα τη θέση του με μεγάλη ακρίβεια, έτσι ώστενα σχεδιάσει την πορεία του αποδοτικά και με ασφάλεια. Παρόλο που ο αισθητήρας Global Positioning System παρέχει την πληροφορία της απόλυτης θέσης, συνήθως είναι υποβαθμισμένη από μεγάλο θόρυβο, ιδιαίτερα σε πυκνές αστικές περιοχές. Συνεπώς, μια προσέγγιση για το πρόβλημα αυτό είναι να συνεργάζονται τα οχήματα μεταξύ τους και να ανταλλάσουν μετρήσεις από τους αισθητήρες τους όπως η απόλυτη θέση, η σχετική απόσταση, η σχετική γωνία κ.α., και να τις συνδυάζουν έτσι ώστε να εκτιμούν τη θέση τους με μεγάλη ακρίβεια. Συμπερασματικά, στόχος της Μεταπτυχιακής Διπλωματικής Εργασίας είναι η μελέτη και η ανάπτυξη αποδοτικών και καινοτόμων κεντρικοποιημένων και κατανεμημένων μεθόδων συνεργατικής εκτίμησης και ιχνηλάτησης των θέσεων των Διασυνδεδεμένων και ΑυτοκινούμενωνΟχημάτων. Οι μέθοδοι που αναπτύχθηκαν διακρίνονται σε χωρικές και χωροχρονικές. Στην πρώτη κατηγορία, εκμεταλλεύονται μόνο τις χωρικές συσχετίσεις των οχημάτων και εκτελούνται ανεξάρτητα κάθε χρονική στιγμή, χωρίς να λαμβάνουν υπόψιν τους παρελθοντικές εκτιμήσεις. Αντιθέτως, οι χωροχρονικές ή τεχνικές ιχνηλάτησης, βασίζονται σε προηγούμενες εκτιμήσεις για να παράξουν τη νέα τους εκτίμηση. Κυρίαρχο ρόλο της προσέγγισης μαςαποτελεί η αντιμετώπιση τουVehicular Ad-Hoc Network ως ένα μη-κατευθυνόμενο γράφημα (Γράφος Συνδεσιμότητας) και η εφαρμογή σε αυτό εργαλείων της Επεξεργασίας Σημάτων σε Γράφους, όπως η τεχνική Laplacian, για τη μίξη και επεξεργασία των πολυτροπικών δεδομένων που παράγουν τα οχήματα. Η μοντελοποίηση αυτή επέτρεψε παράλληλα, την ανάπτυξη σχημάτων ιχνηλάτησης που στηρίζονται στο Εκτεταμένο Φίλτρο Kalman, όσο και την κατασκευή μίας χωροχρονικής προσέγγισης που βασίζεται στην ιδιότητα της χαμηλής διαστασιμότητας των τροχιών των οχημάτων. Επίσης, προτείνεται ένα ανθεκτικό συνεργατικό σχήμα που αποδεικνύεται ότι αντιμετωπίζει επιτυχώς μία συγκεκριμένη επίθεση στον αισθητήρα του Global Positioning System. Τα βασικά στοιχεία της συνεισφοράς της Μεταπτυχιακής Διπλωματικής Εργασίας συνοψίζονται ως εξής: Προτείνεται μία καινοτόμα προσέγγιση για την αποδοτική συνεργατική εκτίμηση της θέσης Διασυνδεδεμένων και Αυτοκινούμενων Οχημάτων ενός Vehicular Ad-Hoc Network. Η νέα μέθοδος εκτελεί συνεργατική επεξεργασία πολυτροπικών δεδομένων, εκμεταλλευόμενη γεωμετρικές ιδιότητες, κωδικοποιώντας κάθε θέση του οχήματος σε σχέση με αυτή των γειτονικών του. Παράλληλα, χρησιμοποιεί εργαλεία επεξεργασίας γράφου και μοντελοποίησης χαμηλής τάξης. Η νέα μέθοδος εκτελείται τόσο σε ένα κεντρικό επίπεδο (υποθέτωντας τη λειτουργία μίας/ενός αρχής/κόμβου επεξεργασίας), όσο και κατανενημένα στο επίπεδο κάθε οχήματος. Στη δεύτερη περίπτωση, κάθε όχημα αλληλεπιδρά μόνο με την άμεση γειτονιά του. Τα δύο (κεντρικοποιημένο και κατανεμημένο) χωρικά σχήματα συνεργατικής εκτίμησης που αναπτύσσονται, εκμεταλλεύονται μόνο τις χωρικές συσχετίσεις των οχημάτων. Επιπλέον, λαμβάνουν υπόψιν τους εκτός από τα μοντέλα μετρήσεων, τις ιδιότητες του γράφου που αναπαριστά το Vehicular Ad-Hoc Network μέσω της τεχνικής Laplacian. Στηριζόμενοι σε αυτά τα χωρικά σχήματα, κατασκευάζουμε τέσσερα προσαρμοστικά σχήματα ιχνηλάτησης, που εκμεταλλεύονται τις χωροχρονικές συσχετίσεις των οχημάτων με βάση τη μοντελοποίηση του Εκτεταμένου Φίλτρου Kalman. Το κεντρικοποιημένο σχήμα λειτουργεί στο επίπεδο κάθε cluster διασυνδεδεμένων οχημάτων, το κατανεμημένο στο επίπεδο του κάθε οχήματος, εκμεταλλευόμενο την τοπική γειτονιά του, ενώ τα δύο υβριδικά, τρέχουν σε κάθε όχημα ξεχωριστά. Τα Εκτεταμένα Φίλτρα Kalman λαμβάνουν υπόψιν τους τις διαφοροποιήσεις που υπεισέρχονται στα δύο επίπεδα επεξεργασίας (cluster και γειτονιάς) για την εκτίμηση που θα παράγουν. Για παράδειγμα, ένα cluster ή μία γειτονιά δεν θα παραμείνει αμετάβλητη καθόλη τη διάρκεια κίνησης των οχημάτων. Αντιθέτως, σε διάφορες χρονικές στιγμές, οχήματα θα εισέρχονται και θα εξέρχονται από το αντίστοιχο σύνολο, μεταβάλλοντας το. Αναπτύσσεται επίσης και μία κεντρικοποιημένη χωροχρονική προσέγγιση που στηρίζεται στη μοντελοποίηση χαμηλής τάξης, χρησιμοποιώντας τα αντίστοιχα εργαλεία. Τέλος, κατασκευάζονται δύο χωρικές και κεντρικοποιημένες συνεργατικές μέθοδοι, ανθεκτικές σε επιθέσεις τύπου GPS spoofing, οι οποίες είναι σε θέση να μειώσουν την επίδραση της επίθεσης, να εκτιμήσουν τις πραγματικές θέσεις των οχημάτων και να εντοπίσουν τα οχήματα που δέχθηκαν την επίθεση. Από την εκτατεμένη πειραματική ανάλυση αποδεικνύεται ότι η επίδοση των δύο χωρικών σχημάτων είναι καλύτερη από αυτήν υπάρχουσας προσέγγισης, τόσο από άποψης ακρίβειας όσο και υπολογιστικού χρόνου. Επιπλέον, όπως αναμένεται, τα χωροχρονικά σχήματα συνεργατικής εκτίμησης αποδίδουν καλύτερα από τα χωρικά ενώ οι δύο υβριδικές μέθοδοι ιχνηλάτησης επιτυγχάνουν τη μεγαλύτερη μείωση του σφάλματος του GPS. Τέλος, το προτεινόμενο ανθεκτικό σχήμα που στηρίζεται στη μοντελοποίηση Laplacian είναι σε θέση να επιτύχει μεγάλη μείωση του σφάλματος από το GPS, αλλά και να εντοπίσει με μεγάλη ακρίβεια τα οχήματα που δέχθηκαν την επίθεση. Η προσομοίωση της κίνησης των οχημάτων πραγματοποιήθηκε μέσω της χρήσης ενός ευρέως διαδεδομένου κινηματικού μοντέλου και του προσομειωτή αυτόνομης οδήγησης CARLA. Σε ό,τι αφορά τη διάρθρωση, το Κεφάλαιο 1 αποτελεί την εισαγωγή της Εργασίας, στην οποία περιλαμβάνονται θέματα σχετικά με τα Ευφυή Συστήματα Μεταφορών, τα Συστήματα Εντοπισμού Θέσης και τις Συνεργατικές Τεχνικές Εντοπισμού Θέσης των οχημάτων. Στο Κεφάλαιο 2 περιγράφονται μία κλασσική χωρική και συνεργατική τεχνική εκτίμησης θέσης, το προτεινόμενο κεντρικοποιημένο χωρικό σχήμα Laplacian, η μέθοδος της μοντελοποίησης χαμηλής τάξης και τα ανθεκτικά σχήματα. Το Κεφάλαιο 3 περιέχει το προτεινόμενο κεντρικοποιημένο και συνεργατικό σχήμα ιχνηλάτησης. Στο Κεφάλαιο 4 αναπτύσσονται οι κατανεμημένες προσεγγίσεις (χωρικές και ιχνηλάτησης) και τα δύο υβριδικά Εκτεταμένα Φίλτρα Kalman. Το Κεφάλαιο 5 περιλαμβάνει την πειραματική διαδικασία και ανάλυση των αποτελεσμάτων. Τέλος, το Κεφάλαιο 6 αποτελεί τον επίλογο της Εργασίας.
Abstract (translated): Intelligent Transportation Systems are expected to become one of the main pillars of the modern social life, activity and development. The Connected and Autonomous Vehicles are an integral part of Intelligent Transportation Systems. The emergence of communication technologies Vehicle-to-Vehicle, Vehicle-to-Infrastructure, Vehicle-to-Everything, as well as 5G, allow them to collaborate and exchange the data they collect and measure. Moreover, each vehicle will be equipped with sensors like Light Detection and Ranging and Radio Detection and Ranging, which improve their environment perception and scene analysis ability. Thus, vehicles can form a Vehicular Ad-Hoc Network, according to their communication connection, so as to achieve their individual or/and collective tasks. Such a major task is to know their locations with high accuracy, in order to efficiently and safely plan their trajectories. Although Global Positioning System sensor provide absolute position measurement, it is often degraded by noise, especially in dense urban areas and canyons. As such, a viable option for the localization problem is to share the connected vehicles useful measurements provided by their sensors like absolute position, relative distance, relative angle, etc., and fuse them in order to estimate highly accurate their locations. Consequently, this M.Sc. Diploma Thesis aims to study and develop efficient and innovative, both centralized and distributed, cooperative localization and tracking methods for Connected and Autonomous Vehicles. These methods can mainly be categorized on spatial and spatiotemporal. The former rely on the spatial coherences of vehicles and executed at each time instant without considering past estimations. On the contrary, the latter exploit past estimations in order to estimate the locations at current time instant. The graph of the Vehicular Ad-Hoc Network is a key factor to our approach. In particular, we treat the Vehicular Ad-Hoc Network as an undirected graph (Connection Graph), where the fusion of multimodal data generated by vehicles, can be performed by the Laplacian technique, a well-known Graph Signal Processing tool. Moreover, this graph modelling facilitated the development of tracking schemes based on Extended Kalman Filter, as well as a spatiotemporal approach motivated by the low dimensionality property of vehicles trajectories. Finally, a robust cooperative localization scheme is being proposed, which in turn copes successfully with a well-known attack on Global Positioning System sensor. Our main contributions can be summarized as follows: A novel method for efficient cooperative localization of Connected and Autonomous Vehicles in Vehicular Ad-Hoc Networks is proposed. The new method performs cooperative multi-modal fusion exploiting the intrinsic geometric properties. This is achieved by encoding each vehicle’s position, relative to its neighboring vehicles. At the same time, it exploits graph signal processing and low rank modelling tools. The new method can be implemented both in a centralized (assuming the existence of a fusion center) and distributed fashion. In the latter case, each vehicle interacts directly only with its immediate neighborhood. The two proposed (centralized and distributed) Laplacian based cooperative localization spatial schemes, exploit only the spatial coherences of vehicles. Moreover, apart from the measurement models, they also take into account the connectivity properties of the underlying graph formed by the involved vehicles through the Laplacian technique. Relying on the two spatial schemes, four adaptive tracking schemes are developed, which exploit the spatiotemporal coherences on the form of Extended Kalman Filter. The centralized scheme is operating on the level of a cluster of connected vehicles, the distributed on the level of each vehicle, which in turn interacts with its direct neighborhood, while the two hybrid schemes are applied on each vehicle separately. The Extended Kalman Filters take into account the modifications that may took place on the two operating levels (cluster and neighborhood). For instance, different vehicles will enter and exit from the corresponding group, as the vehicles are moving. Also, a centralized spatiotemporal method based on low rank modelling tools is developed. Finally, two spatial and centralized robust cooperative localization schemes have been developed, which cope with GPS spoofing attack, while at the same time, reduce the impact of attacks, estimate the true locations of vehicles and detect the compromised vehicles. As shown via the extensive experimental evaluation, the two spatial schemes outperform existing method, both in terms of accuracy and execution time. Moreover, and as expected, the spatiotemporal and tracking methods outperform the spatial schemes, while the hybrid solutions achieve the greatest reduction of Global Positioning System error. Finally, the proposed robust Laplacian based scheme is able to significantly reduce the Global Positioning System error, by detecting the attacked vehicles highly efficiently. A well established kinematic model and the CARLA autonomous driving simulator were employed and used, in order to simulate the movement of vehicles. As far as the outline of this Thesis is concerned, Chapter 1 is dedicated to the introduction, by reviewing state of the art literature related to Intelligent Transportation Systems, Localization Systems and Cooperative Localization and Tracking methods of vehicles. Chapter 2 provides the background of traditional Cooperative Localization in Vehicular Ad-Hoc Networks, presents the proposed centralized and spatial Laplacian scheme, the low rank modelling based approach and the two robust schemes. Chapter 3 presents the proposed centralized and cooperative tracking method. Chapter 4 presents the proposed distributed solutions, both spatial and tracking, and the two hybrid Extended Kalman Filters. Chapter 5 is dedicated to experimental setup and evaluation, while Chapter 6 concludes the Thesis.
Appears in Collections:Τμήμα Μηχανικών Η/Υ και Πληροφορικής (ΜΔΕ)

Files in This Item:
File Description SizeFormat 
Nemertes_Piperigkos(com).pdf2.24 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.