| Student: | Kyra Reynaert |
|---|---|
| Richting: | Master of Science in de industriële wetenschappen: informatica |
| Abstract: | Bij het gerbruikt van Ultra wideband (UWB) voor lokalisatie is het kalibreren van de anchor nodes zeer belangrijk. Aangezien een verkeerde kalibratie voor een verkeerde lokalisatie zal zorgen. Om de kalibratie sneller en minder foutgevoelig te laten lopen is zelfkalibratie een goede oplossing. In deze thesis wordt er naar een bestaande oplossing voor zelfkalibratie met een Kalman-filter gekeken. Er worden een aantal hypotheses opgesteld om de werking ervan te analyseren bij ideale en werkelijke data. Uit deze analyses blijkt dat de Kalman-filter voor de ideale data voor een goede kalibratie zorgt maar dat als er een aantal parameters aangepast worden deze nog verbeterd. Zo zal de best mogelijke kalibratie verkregen worden bij het optimale aantal iteraties en als de startposities van de anchor nodes al in de buurt van hun werkelijke positie is. Bij het gebruik van de werkelijke data werd er eerst een slechte kalibratie verkregen, maar door weer een aantal hypotheses te bekijken werd duidelijk dat deze ook verbeterd kon worden. Wanneer er namelijk rekening gehouden wordt met fouten in de metingen door deze niet te gebruiken of door de ruis in de Kalman-filter voor deze ranges te verhogen, werden er resultaten resulaten met een hogere nauwkeurigheid verkregen. |
| Abstract (Eng): | When using Ultra-wideband (UWB) for localisation, calibrating the anchor nodes correctly is an important step as wrongly calibrated nodes generate inaccurate localisations. To make the calibration quicker and more robust to measurement errors, using self-calibration is a good solution. This paper will take a look at an existing solution for self-calibration using a Kalman filter. To analyse its working with ideal and real-life data, some hypotheses are formulated. From these analyses, it can be concluded that the Kalman filter generates a pretty accurate calibration with the ideal data which can even be improved by twitching a few parameters. The most accurate calibration can be obtained by using the optimal number of iterations and the anchor nodes having fairly accurate starting positions. Using real-life data the first results were pretty bad with a lot of errors in the calibration, but by analysing some more hypotheses it could be improved. When the errors in the ranges are taken into account by not using them or adding more measurement noise to the Kalman filter for those ranges, the obtained results were accurate calibrations again. |