Analisis Integrasi Vision RTK2 dan Backpack Lidar untuk Indoor Positioning Menggunakan Metode Unscented Kalman Filter(UKF)

Ila, Qarina Putri Amelia Nuri (2024) Analisis Integrasi Vision RTK2 dan Backpack Lidar untuk Indoor Positioning Menggunakan Metode Unscented Kalman Filter(UKF). Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 5016201026-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (5MB) | Request a copy

Abstract

Global Navigation Satellite System (GNSS) dan Inertial Mesurement Unit (IMU) merupakan sensor yang sering digunakan pada sistem navigasi kendaraan. GNSS memiliki kelebihan dalam memberikan informasi posisi dan kecepatan yang akurat, IMU mampu melakukan pengukuran tanpa dipengaruhi oleh kondisi lingkungan, dan Sensor LiDAR dapat memodelkan lingkungan. Pengembangan integrasi GNSS-IMU telah banyak dilakukan, salah satunya dengan menambahkan sensor LiDAR. Pada penelitian ini akan dilakukan peningkatan algoritma integrasi pada Vision RTK2 yang menghasilkan data koordinat GNSS-IMU serta Backpack Lidar yang dapat menampilkan visualisasi 3D pada lintasan yang dilewati. Metode yang digunakan pada adalah Unscented Kalman Filter(UKF) untuk mengoptimalkan akurasi terutama ketika di dalam ruangan karena GNSS kehilangan sinyal dan tidak mampu memperoleh informasi posisi. Hasil penelitian menunjukkan bahwa simulasi UKF, kondisi free outage menunjukkan akurasi tinggi dengan RMSE sebesar 0.00308 m dan 0.00175 m untuk posisi Easting dan Northing, serta MAE sebesar 0.00088 m dan 0.00024 m. Namun, pada kondisi outage, nilai RMSE sebesar 4.0881 m dan 8.6317 m, serta MAE sebesar 5.9871 m dan 7.4182 m. Hasil point cloud 3D model LiDAR yang telah digeoreferensi menggunakan hasil fusi UKF dan hasil perhitungan KKH dilakukan validasi menggunakan roll meter. Validasi pengolahan point cloud dari model 3D LiDAR menggunakan roll meter dan georeferensi dengan perhitungan KKH menunjukkan nilai RMSE yang kecil, yaitu 0.3420 m, dan 0.0354 m untuk dimensi jarak dengan roll meter. 0.6358 m untuk RMSE georeferensi menggunakan data hasil fusi UKF, dan 0.0779 untuk dimensi jarak dengan roll meter. Hasil RMSE yang kecil menunjukkan tingkat kesesuaian yang tinggi antara data point cloud dengan pengukuran menggunakan roll meter yang digunakan sebagai data acuan. Penelitian ini menunjukkan bahwa integrasi sensor GNSS-IMU dengan LiDAR menggunakan metode UKF dapat meningkatkan akurasi dan keandalan sistem navigasi indoor.
=======================================================================================================================
Global Navigation Satellite System (GNSS) and Inertial Measurement Unit (IMU) are sensors commonly used in vehicle navigation systems. GNSS has the advantage of providing accurate position and speed information, while IMU can perform measurements unaffected by environmental conditions, and LiDAR sensors can model the environment. The development of GNSS-IMU integration has been widely carried out, one of which is by adding a LiDAR sensor. This research aims to improve the integration algorithm on Vision RTK2, which produces GNSS-IMU coordinate data, as well as Backpack Lidar, which can display 3D visualizations of the traversed path. The method used is the Unscented Kalman Filter (UKF) to optimize accuracy, especially indoors where GNSS loses signal and cannot obtain position information. The research results show that in the UKF simulation, the free outage condition shows high accuracy with an RMSE of 0.00308 m and 0.00175 m for Easting and Northing positions, and an MAE of 0.00088 m and 0.00024 m. However, in outage conditions, the RMSE values are 4.0881 m and 8.6317 m, and the MAE values are 5.9871 m and 7.4182 m. The results of the georeferenced 3D LiDAR point cloud model using UKF fusion results and KKH calculations were validated using a roll meter. Validation of the point cloud processing from the 3D LiDAR model using a roll meter and georeferencing with KKH calculations showed a small RMSE value, namely 0.3420 m and 0.0354 m for the distance dimension with the roll meter. 0.6358 m for RMSE georeferencing using UKF fusion result data, and 0.0779 for the distance dimension with the roll meter. The small RMSE results indicate a high degree of conformity between the point cloud data and the measurements using the roll meter used as reference data. This research shows that the integration of GNSS-IMU sensors with LiDAR using the UKF method can improve the accuracy and reliability of indoor navigation systems.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Backpack LiDAR, Kalman Filter, Fusi GNSS/IMU, Model 3D, Indoor Positioning, 3D Modeling, GNSS IMU Fusion
Subjects:	T Technology > T Technology (General) > T57.62 Simulation T Technology > T Technology (General) > T57.8 Nonlinear programming. Support vector machine. Wavelets. Hidden Markov models.
Divisions:	Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Geomatics Engineering > 29202-(S1) Undergraduate Thesis
Depositing User:	Qarina Putri Amelia Nuri Ila
Date Deposited:	26 Jul 2024 07:14
Last Modified:	26 Jul 2024 07:14
URI:	http://repository.its.ac.id/id/eprint/109078

Actions (login required)

View Item