Analisis Sensor Fusi Vision RTK2 dan Azure Kinect Menggunakan Metode Unscented Kalman Filter (UKF)

Ramadhania, Nurya (2023) Analisis Sensor Fusi Vision RTK2 dan Azure Kinect Menggunakan Metode Unscented Kalman Filter (UKF). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 03311940000007-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 September 2025. Download (4MB) | Request a copy

Abstract

Global Navigation Satellite System (GNSS) dan Inertial Mesurement Unit (IMU) merupakan sensor yang sering digunakan pada sistem navigasi kendaraan. Pengembangan integrasi GNSS-IMU telah banyak dilakukan dengan menambahkan sensor magnetik, odometer, atau kamera dan dengan peningkatan algoritma integrasi. Pada penelitian ini dilakukan peningkatan algoritma integrasi pada Vision RTK2 yang telah menggunakan deep sensor fusion dan Visual Inertial Ordometry (VIO) dimana menghasilkan data koordinat GNSS-IMU serta Azure Kinect yang memiliki sensor depth camera dan mampu menghasilkan data IMU (accelerometer dan gyroscope). Penelitian ini dilakukan untuk menganalisis fusi sensor GNSS dan IMU pada mobil menggunakan algoritma UKF. Fusi sensor ini dilakukan menggunakan dua jenis data IMU dari masing-masing alat. Persamaan fusi sensor yang digunakan mengacu pada model matematis mobil 3 DOF. Sebagai bahan pembanding, fusi sensor juga dilakukan menggunakan EKF yang diselesaikan melalui software Geopointer. Hasil penelitian menunjukkan bahwa simulasi UKF menggunakan data GNSS/IMU dari Vision RTK2 dengan menggunakan akuisisi mobil dan jalan kaki menghasilkan akurasi posisi berturut-turut sebesar 0.0092 meter dan 0.0053 meter terhadap data pengukuran. Sedangkan simulasi UKF menggunakan data GNSS dan IMU dari Azure Kinect menghasilkan akurasi posisi sebesar 0.0213 meter. Simulasi UKF tersebut menghasilkan akurasi posisi yang lebih baik jika dibandingkan pengolahan EKF pada software Geopointer yang hanya mencapai akurasi posisi sebesar 15.767 meter pada akuisisi data mobil dan 5.003 meter pada akuisisi data dengan berjalan kaki. Rendahnya akurasi hasil pengolahan EKF dikarenakan ketidaksesuaian parameter IMU yang diinputkan terhadap setting parameter yang sebenarnya. Pada kondisi GNSS outage, penentuan posisi hanya mengunakan pengolahan data IMU. Akurasi yang dihasilkan oleh pengolahan data IMU selama GNSS outage masih tergolong rendah yang mana menghasilkan akurasi posisi sebesar 4.9843 meter. Untuk pembuatan 3D model trayektori dengan data foto Azure Kinect belum mampu menghasilkan visualisasi trayektori dengan baik dikarenakan kurangnya foto yang bertampalan sehingga point cloud yang dihasilkan kurang rapat.
=====================================================================================================================================
Global Navigation Satellite System (GNSS) and Inertial Measurement Unit (IMU) are sensors that are often used in vehicle navigation systems. The development of GNSS-IMU integration has been carried out by adding magnetic sensors, odometers, or cameras and by improving the integration algorithm. In this research, the integration algorithm is improved on Vision RTK2 which uses deep sensor fusion and Visual Inertial Ordometry (VIO) which produces GNSS-IMU coordinate data and Azure Kinect which has a depth camera sensor and can produce IMU data (accelerometer and gyroscope). This research was conducted to analyze the fusion of GNSS and IMU sensors on cars using the UKF algorithm. This sensor fusion is performed using two types of IMU data from each tool. The sensor fusion equation used refers to the mathematical model of a 3 DOF car. As a comparison material, sensor fusion is also carried out using EKF which is completed through the Geopointer software. The results showed that UKF simulations using GNSS/IMU data from Vision RTK2 using car and walking acquisition resulted in a position accuracy of 0.0092 meters and 0.0053 meters for the measurement data, respectively. Meanwhile, the UKF simulation uses GNSS and IMU data from Azure Kinect to produce a position accuracy of 0.0213 meters. The UKF simulation produces better position accuracy when compared to EKF processing in the Geopointer software which only achieves a position accuracy of 15,767 meters for car data acquisition and 5,003 meters for walking data acquisition. The low accuracy of the EKF processing results is due to the incompatibility of the input IMU parameters with the actual parameter settings. In GNSS outage conditions, positioning only uses IMU data processing. The accuracy produced by the IMU data processing during the GNSS outage is still relatively low which results in a position accuracy of 4.9843 meters. For making 3D trajectory models with Azure Kinect photo data, it has not been able to produce good trajectory visualization due to the lack of overlapping photos so that the resulting point clouds are less dense.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	GNSS, IMU, UKF, Kalman Filter, 3 DOF
Subjects:	G Geography. Anthropology. Recreation > G Geography (General) > G109.5 Global Positioning System G Geography. Anthropology. Recreation > G Geography (General) > G70.212 ArcGIS. Geographic information systems. G Geography. Anthropology. Recreation > G Geography (General) > G70.217 Geospatial data
Divisions:	Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Geomatics Engineering > 29202-(S1) Undergraduate Thesis
Depositing User:	Nurya Ramadhania
Date Deposited:	02 Aug 2023 02:03
Last Modified:	02 Aug 2023 02:03
URI:	http://repository.its.ac.id/id/eprint/101453

Actions (login required)

View Item