TU Darmstadt / ULB / TUbiblio

Data Fusion Architecture with Integrity Monitoring for State Estimation in Automated Driving

Gottschalg, Grischa (2022)
Data Fusion Architecture with Integrity Monitoring for State Estimation in Automated Driving.
Technische Universität Darmstadt
doi: 10.26083/tuprints-00021764
Dissertation, Erstveröffentlichung, Verlagsversion

Kurzbeschreibung (Abstract)

In the advent of automated driving, numerous system architectures to reach this goal are currently being developed. In this process, safety and modularity criteria are becoming increasingly important. This opens up new opportunities in the system design, but also creates new challenges. All functions or services in an automated vehicle are affected by this, including the estimation of the vehicle's dynamic state. Requirements for the Vehicle Dynamic State Estimation demand integrity measures and high system reliability, which can often only be achieved by redundant structures.

A federated data fusion architecture with integrity monitoring is presented in this work to fulfill the aforementioned requirements for the Vehicle Dynamic State Estimation in automated driving. It inputs several redundant multi-sensor data fusion filters in a first fusion layer whose results are combined in a second fusion layer. This second layer implements plausibility checks and combines voting and data fusion, both utilizing the integrity measures of the redundant data fusion filters in the first layer.

To compute such integrity measures, three integrity monitoring concepts are developed which differ substantially in their error modeling and complexity. The first concept represents the traditional approach and relies on the fusion filter's estimated covariances assuming that the error is normally distributed. The second concept models the errors in the fusion filter's output as the sum of errors from the filter's inputs. The error of each input is modeled as a multi-variate Student distribution and propagated through the filter. Utilizing the resulting error distribution, the integrity measures are computed. The third concept is based on the principle of Multiple Hypothesis Solution Separation. Subsets consisting of parts of the available filter inputs are formed and the fusion for each of these subsets is computed. Integrity measures are deducted by comparing the subset's results with each other. Each of the three concepts outputs a protection level, which is compared to an alert limit for integrity monitoring.

Additionally, one of the redundant multi-sensor data fusion filters used in the federated fusion architecture is presented in this work. An Error-State Extended Kalman Filter is implemented to fuse the observations of three sensor types: a dual-antenna Global Navigation Satellite System Receiver, an Inertial Measurement Unit and wheel odometry sensors measuring wheel speeds and steering angles. The implementation includes sensor error models providing suitable error covariances for the filter's measurement updates and Fault Detection & Exclusion methods to increase the filter's robustness. Besides the measurement updates from the mentioned sensor types, also zero updates, i.e., zero velocity and zero angular rate updates, are part of the implementation, which are executed when a standstill of the vehicle is detected.

In order to evaluate the performance of the presented fusion filter, integrity algorithms and fusion architecture, an extensive set of measurements with a total duration of more than 23 hours is used. The measurements are divided into four categories according to their environmental and satellite reception conditions, since these have a strong influence on the filter's performance. All in all, the integrity requirements are met by all implemented algorithms in favorable satellite reception conditions. However, only the second concept using multi-variate Student distributions for error modeling does so in all measurement categories, from ideal satellite reception conditions in the test track category to very challenging environments in the urban category. The federated data fusion architecture also fulfills the integrity requirements with only one minor exception, maintaining or even reducing the empirical integrity risk depending on the measurement category. Additionally, the accuracy and availability is improved significantly in most cases, compared to the fusion filters in its first layer.

Finally, the usability of the developed concepts is demonstrated by applying them in a prototype vehicle of the research project UNICARagil. The integration in the system architecture and the interaction with other services is presented. In measurements from the commissioning tests the functionality is illustrated.

Typ des Eintrags: Dissertation
Erschienen: 2022
Autor(en): Gottschalg, Grischa
Art des Eintrags: Erstveröffentlichung
Titel: Data Fusion Architecture with Integrity Monitoring for State Estimation in Automated Driving
Sprache: Englisch
Referenten: Becker, Prof. Dr. Matthias ; Winner, Prof. Dr. Hermann ; Eichhorn, Prof. Dr. Andreas
Publikationsjahr: 2022
Ort: Darmstadt
Kollation: xxix, 174 Seiten
Datum der mündlichen Prüfung: 19 Juli 2022
DOI: 10.26083/tuprints-00021764
URL / URN: https://tuprints.ulb.tu-darmstadt.de/21764
Kurzbeschreibung (Abstract):

In the advent of automated driving, numerous system architectures to reach this goal are currently being developed. In this process, safety and modularity criteria are becoming increasingly important. This opens up new opportunities in the system design, but also creates new challenges. All functions or services in an automated vehicle are affected by this, including the estimation of the vehicle's dynamic state. Requirements for the Vehicle Dynamic State Estimation demand integrity measures and high system reliability, which can often only be achieved by redundant structures.

A federated data fusion architecture with integrity monitoring is presented in this work to fulfill the aforementioned requirements for the Vehicle Dynamic State Estimation in automated driving. It inputs several redundant multi-sensor data fusion filters in a first fusion layer whose results are combined in a second fusion layer. This second layer implements plausibility checks and combines voting and data fusion, both utilizing the integrity measures of the redundant data fusion filters in the first layer.

To compute such integrity measures, three integrity monitoring concepts are developed which differ substantially in their error modeling and complexity. The first concept represents the traditional approach and relies on the fusion filter's estimated covariances assuming that the error is normally distributed. The second concept models the errors in the fusion filter's output as the sum of errors from the filter's inputs. The error of each input is modeled as a multi-variate Student distribution and propagated through the filter. Utilizing the resulting error distribution, the integrity measures are computed. The third concept is based on the principle of Multiple Hypothesis Solution Separation. Subsets consisting of parts of the available filter inputs are formed and the fusion for each of these subsets is computed. Integrity measures are deducted by comparing the subset's results with each other. Each of the three concepts outputs a protection level, which is compared to an alert limit for integrity monitoring.

Additionally, one of the redundant multi-sensor data fusion filters used in the federated fusion architecture is presented in this work. An Error-State Extended Kalman Filter is implemented to fuse the observations of three sensor types: a dual-antenna Global Navigation Satellite System Receiver, an Inertial Measurement Unit and wheel odometry sensors measuring wheel speeds and steering angles. The implementation includes sensor error models providing suitable error covariances for the filter's measurement updates and Fault Detection & Exclusion methods to increase the filter's robustness. Besides the measurement updates from the mentioned sensor types, also zero updates, i.e., zero velocity and zero angular rate updates, are part of the implementation, which are executed when a standstill of the vehicle is detected.

In order to evaluate the performance of the presented fusion filter, integrity algorithms and fusion architecture, an extensive set of measurements with a total duration of more than 23 hours is used. The measurements are divided into four categories according to their environmental and satellite reception conditions, since these have a strong influence on the filter's performance. All in all, the integrity requirements are met by all implemented algorithms in favorable satellite reception conditions. However, only the second concept using multi-variate Student distributions for error modeling does so in all measurement categories, from ideal satellite reception conditions in the test track category to very challenging environments in the urban category. The federated data fusion architecture also fulfills the integrity requirements with only one minor exception, maintaining or even reducing the empirical integrity risk depending on the measurement category. Additionally, the accuracy and availability is improved significantly in most cases, compared to the fusion filters in its first layer.

Finally, the usability of the developed concepts is demonstrated by applying them in a prototype vehicle of the research project UNICARagil. The integration in the system architecture and the interaction with other services is presented. In measurements from the commissioning tests the functionality is illustrated.

Alternatives oder übersetztes Abstract:
Alternatives AbstractSprache

Im Rahmen der Entwicklungsarbeiten zum hochautomatisierten Fahren werden zahlreiche Systemarchitekturen entwickelt, um dieses Ziel zu erreichen. Die Aspekte Sicherheit und Modularität gewinnen dabei stetig an Bedeutung. Dies eröffnet neue Möglichkeiten bei der Systemgestaltung, schafft aber auch neue Herausforderungen. Davon sind alle Funktionen oder Dienste im Fahrzeug betroffen, auch die Schätzung des Fahrdynamikzustands. In Bezug auf die Fahrdynamikzustandsschätzung werden Integritätsmaße gefordert und hohe Anforderungen an die Zuverlässigkeit gestellt, die häufig nur durch redundante Strukturen erreicht werden können.

In dieser Arbeit wird eine föderierte Datenfusionsarchitektur mit Integritätsüberwachung vorgestellt, um die zuvor genannten Anforderungen an die Fahrdynamikzustandsschätzung im hochautomatisierten Fahren zu erfüllen. Mehrere redundante Multi-Sensor-Datenfusionsfilter werden in einer ersten Fusionsschicht angeordnet. Eine zweite Fusionsschicht empfängt deren Ergebnisse und prüft die Plausibilität. Anschließend werden Abstimmungsalgorithmen sowie eine weitere Datenfusion eingesetzt, die beide die Integritätsmaße aus der ersten Fusionsschicht nutzen.

Um diese Integritätsmaße zu berechnen, wurden drei Konzepte entwickelt, die sich hauptsächlich in Bezug auf ihr Fehlermodell sowie ihre Komplexität unterscheiden. Das erste Konzept entspricht dem traditionellen Ansatz, die im Fusionsfilter geschätzten Kovarianzen zu verwenden, wobei normal verteilte Fehler angenommen werden. Im zweiten Konzept werden die Fehler am Filterausgang als Summe der Fehler, die aus den Filtereingängen resultieren, modelliert. Die Fehler jedes Filtereingangs werden als mehrdimensionale Student-Verteilung modelliert und durch den Filter propagiert. Auf Basis der resultierenden Fehlerverteilung werden die Integritätsmaße berechnet. Im dritten Konzept werden Teilmengen der verfügbaren Filtereingänge gebildet und die Fusion wird für jede dieser Teilmengen berechnet. Die Integritätsmaße werden basierend auf einem Vergleich der Ergebnisse aus den Teilmengen ermittelt. Alle drei Konzepte geben eine obere Schranke für den Fehler als Integritätsmaß aus, die mit einer Warngrenze für die Integritätsüberwachung verglichen wird.

Außerdem wird einer der redundanten Fusionsfilter aus der ersten Fusionsschicht der föderierten Datenfusionsarchitektur vorgestellt. Es wird ein erweitertes Kalman Filter verwendet, das die Fehler des Zustandsvektors schätzt und die Beobachtungen von drei Sensortypen einbezieht: ein Navigationssatellitenempfänger mit zwei Antennen, eine inertiale Messeinheit und Odometrie-Sensorik, die Raddrehzahlen und Radlenkwinkel misst. Die Implementierung enthält eine geeignete Modellierung der Sensor-Fehler sowie Mechanismen zur Erkennung von Ausreißern, um die Robustheit des Filters zu erhöhen. Zusätzlich zu den Messupdates der genannten Sensoren werden sogenannte Null-Updates für die Geschwindigkeit und Drehrate durchgeführt, wenn ein Stillstand erkannt wird.

Zur Validierung des entwickelten Fusionsfilters, der Integritätsmaße und Fusionsarchitektur wird ein umfangreicher Datensatz von Messungen mit einer Gesamtdauer von mehr als 23 Stunden verwendet. Die Messungen sind anhand ihrer Umgebungs- und Satellitenempfangsbedingungen in vier Kategorien eingeteilt, da diese Bedingungen einen starken Einfluss auf die Leistungsfähigkeit des Fusionsfilters haben. Alle entwickelten Integritätsmaße erfüllen die Anforderungen in günstigen Satellitenempfangsbedingungen. Allerdings erfüllt nur das zweite Konzept mit der Fehlermodellierung basierend auf Student-Verteilungen in allen Kategorien, von idealen Bedingungen auf der Teststrecke bis zu herausfordernden Situationen im städtischem Umfeld, die Integritäts-Anforderungen. Die föderierte Datenfusionsarchitektur erfüllt diese Anforderungen ebenfalls mit nur einer geringfügigen Ausnahme, wobei das Integritätsrisiko – je nach Kategorie der Messung – gesenkt oder gehalten werden kann. Des Weiteren wird die Genauigkeit und Verfügbarkeit im Vergleich zu den Filterergebnissen aus der ersten Fusionsschicht in den meisten Fällen deutlich verbessert.

Abschließend werden die entwickelten Konzepte in den Prototypenfahrzeugen des Forschungsprojekts UNICARagil angewendet. Die Integration in die Systemarchitektur und die Interaktion mit anderen Diensten wird vorgestellt. Im Rahmen der Inbetriebnahme- Tests wird die Funktionsfähigkeit demonstriert.

Deutsch
Status: Verlagsversion
URN: urn:nbn:de:tuda-tuprints-217646
Sachgruppe der Dewey Dezimalklassifikatin (DDC): 500 Naturwissenschaften und Mathematik > 550 Geowissenschaften
600 Technik, Medizin, angewandte Wissenschaften > 620 Ingenieurwissenschaften und Maschinenbau
Fachbereich(e)/-gebiet(e): 13 Fachbereich Bau- und Umweltingenieurwissenschaften
13 Fachbereich Bau- und Umweltingenieurwissenschaften > Institut für Geodäsie
13 Fachbereich Bau- und Umweltingenieurwissenschaften > Institut für Geodäsie > Physikalische Geodäsie und Satellitengeodäsie
TU-Projekte: Bund/BMBF|16EMO0286|UNICARagil
Hinterlegungsdatum: 30 Aug 2022 08:35
Letzte Änderung: 31 Aug 2022 05:23
PPN:
Referenten: Becker, Prof. Dr. Matthias ; Winner, Prof. Dr. Hermann ; Eichhorn, Prof. Dr. Andreas
Datum der mündlichen Prüfung / Verteidigung / mdl. Prüfung: 19 Juli 2022
Export:
Suche nach Titel in: TUfind oder in Google
Frage zum Eintrag Frage zum Eintrag

Optionen (nur für Redakteure)
Redaktionelle Details anzeigen Redaktionelle Details anzeigen