corso di progettazione di sistemi di controllo a.a. 2007/08 localizzazione e tracking a tempo minimo...

Corso Di Progettazione Di Sistemi Di Controllo a.a. 2007/08

Localizzazione e tracking a tempo minimo mediante

rete di sensori wireless WSN

Sartore Filippo566717-IAM

[email protected]

Sassaro Alex567095-IAM

[email protected]

Vettori Davide566721-IAM

[email protected]


Sartore Filippo Sassaro Alex Vettori Davide

Introduzione

Localizzazione attraverso rete di sensori wireless (WSN)Marcassa A., Maran F., Macon R., Zanella F., Localizzazione

e tracking distribuito tramite rete di sensori wireless (WSN), 2007

Tracking per un veicolo (monociclo) mobile su gomma

Agnoli A, Controllo di veicoli anolonomi su ruota, 2007

1/49



Introduzione

Identificazione della posizione del veicolo sul piano

Filtraggio della posizione acquisita tramite rete wirelesse tracking ottimo di traiettorie punto punto

2/49



Obiettivi Localizzazione

Architettura del sistema

Identificazione del canale di trasmissione e adattamento del software di localizzazione

Software per il controllo dei veicoli mobili e-puck

Studio e problematiche del software di localizzazione

3/49



Obiettivi Filtraggio e Tracking

Filtro di Kalman Esteso (EKF)

Fusione EKF + tracking ottimo

Software tracking ottimo

Risultati simulativi ottenuti

4/49



Architettura del sistema Piattaforma di dimensioni 3.20 x 2.40 m

64 sensori wireless TmoteSky

Un sensore mobile

Un sensore collegato al PC

Uniciclo e-puck

PC utente

NesC nodi àncora

Interfaccia E-Puck Matlab

NesC nodo mobile

XubunTos 2.0.1

Teseo

EKF + tracking ottimo

5/49




6/49



Script per l’installazione della rete

Facilita l’installazione della rete di sensori

7/49




8/49



Principio di funzionamento

START

9/49



Principio di funzionamento

10/49



Interfaccia e-puck Matlab

Bluetooth

Codice BTcom_default.hex

Funzioni Matlab fornite dell’e-pic

write(epic, ’D, left, right’)

write(epic, ’R’)

11/49



Sommario

Metodo che utilizza l’algoritmo per la localizzazione

Prove effettuate per la taratura dei parametri

Prove sperimentali e risultati ottenuti

12/49



Algoritmo di Algoritmo di localizzazionelocalizzazione utilizzo dell’informazione dell’RSSI

Presenza di molteplici fenomeni di disturbo non modellizzabili

ProblematicheProblematiche

riflessione e rifrazione

scatteringDiffrazione e interferenza

13/49



Modello del canale trasmissivo in [dBm]

Propagazione delle onde radio

14/49

01000 log10)()(d

dndPdP pr

• : potenza ricevuta ad una distanza

• : potenza di riferimento ad una data distanza

• : fattore di decrescenza

• : variabile aleatoria log-normale



Distanza ricavata dalla misura della potenza ricevuta:

Stima di M.V. della distanza

15/49

• : numero di pacchetti utilizzati per calcolare la

media pesata



Posizione determinata dalle misure della distanza ricevute

Trilaterazione

1d

2d

3d

Stima di M.V. della posizione

16/49



Prove iniziali tra 2 soli Tmote

17/49



Prove direttamente sul campo

1

13

3

2

7

10

11

4

5

6

12

8

9

Posizioni delle misurazioni

18/49



Prove direttamente sul campo

19/49



Identificazione dei parametri del modello

Stimatore ai Minimi Quadratistima

varianza stimatore

20/49



Identificazione dei parametri del modello

21/49



Creazione della cella

LQI bound: sempre superiore a 105.

RSS bound: per via sperimentale

Nan – Not a number

valori della stima non corretti

compromesso per presenza di

22/49



Prove sperimentali

23/49



e-puck fermo

Prove sperimentali

24/49



differenti traiettorie

Prove sperimentali

25/49



differenti velocità

Prove sperimentali

26/49



Conclusioni e risultati sulla localizzazione di un veicolo mobile

stima della posizione corretta e stabile (σ ~ 0.1 [m])

27/49

velocità non superiore a 500 passi/secondo

Condizioni

effettuare traiettorie rettilinee



Tracking ottimo punto-punto per il sistema e-

puck

28/49



Controllo dell’e-puck

Software di motion planning funzionante sulla base conoscenza precisa della posizione

Informazione di posizione rumorosa:

Problema dell’orientazione dell’e_puck

Filtraggio delle misure provenienti dal campo

Integrazione del motion planning con EKF

29/49



Filtro di Kalman Esteso

Controllo di un sistema fortemente non lineare

Filtraggio non lineare tempo variante

Modello matematico del sistema da controllare

Modello di partenza

Modello discreto

30/49



Modello continuo dell’e-puck:

y

x

y

x

Wy

Wxy

N

Nvseny

Nvx

cos

Vettore di stato:

y

x

q

Vettore degli ingressi:

v

u

),0( QNN

),0( RNW

Rumore di modello

Rumore di misura

31/49



Costruzione di un controllore discreto esatto Modello discreto del sistema fisico

Integrazione diretta delle equazioni nel continuo

Discretizzazione di Runge Kutta del 2° ordine

NTkkk

NTk

ksenTkvkyky

NTk

kTkvkxkx

s

ys

s

xs

s

)()()1(

2

)()()()()1(

2

)()(cos)()()1(

32/49



Problematiche:

Impossibile a livello pratico:

Problematiche legate alla perdita di pacchetti di informazione:

Funzionamento in catena aperta

Informazioni verso il campo: ingressi dei motori

Protocollo di comunicazione unidirezionale

Informazioni dal campo: posizioni rilevate dalla rete WSN

33/49



Extended Kalman Filter: EKF Ripulire le informazioni provenienti dal campo

Sistema fortemente non lineare

Filtro fortemente non lineare, tempo variante, con ingressi

Linearizzazione delle equazioni della dinamica attorno alla

miglior stima del vettore di stato disponibile

)ˆ( kk

kk x

x

fA

100

2ˆcos10

2ˆ01

skksk

skksk

TTv

TsenTv

34/49



Extended Kalman Filter: Risultati

Test del filtro su diverse tipologie di traiettoria

Traiettorie utilizzate nella pianificazione ottima

Ipotesi di traiettorie alternative

Ipotesi di diminuzione del tempo di interarrivo delle misure

Tratti rettilinei

Curve a raggio minimo

Curve a raggio non minimo

35/49



Tratto rettilineo

36/49

Curve a raggio minimo e tratti rettilinei



37/49

Sequenza di curve a raggio minimo



38/49

Cerchio di raggio non minimo



39/49

Traiettoria a otto di raggio non minimo



40/49

sec3.1acqT sec4.0acqT



Particolare di curva a raggio minimo con variazione del tempo di interarrivo misure

41/49



Pianificazione ottima di traiettoria punto punto Raggio di curvatura inferiormente limitato

Senso di marcia preferenziale

Quantizzazione del controllo

Rilassamento della precisione dell’obiettivo

Insieme finito di traiettorie possibili

Minore carico computazionale

Traiettorie in assetto: I, S, L, R

Concatenazione di primitive di movimento (6 casi possibili)

Scelta del caso migliore in base al tempo minimo di percorrenza

42/49



Simulazione di tratto breve con esito positivo

Senza filtraggio Con EKF

43/49



Simulazione di tratto lungo con esito positivo


44/49



Simulazione di tratto corto con esito negativo


45/49



Simulazione di tratto lungo con esito negativo


46/49



Conclusioni

Risultati ottenuti non soddisfacenti:

Velocità massima di movimento

Tempi di interarrivo delle misure elevati Elevata incertezza nelle misure

Sono parametri troppo stringenti

Raggio di curvatura inferiormente limitato

Senso di marcia preferenziale

47/49



Sviluppi futuri

Migliorare software localizzazione:

Rendere bidirezionale il software di localizzazione:

Diminuzione del tempo di interarrivi misure dal campo

Possibilità di utilizzo dei sensori di bordo

Miglioramento dell’EKF:

Perdita di pacchetti

Ritardi aleatori

Possibilità di lettura degli encoder

48/49



49/49

Grazie per l’attenzione

corso di progettazione di sistemi di controllo a.a. 2007/08 localizzazione e tracking a tempo minimo...

Documents