[campus icon] Accesskey [ h ] University of Paderborn - Home
EN english
Die Universität der Informationsgesellschaft
GET Lab LOGO

Nachricht

Sensorfusion und sequenzielle Parameterschätzung in einer schwach gekoppelten Filterstruktur zur Navigation
 
Datum: 2011/07/13
Autor(en): Maik Bevermeier
 

Am Mittwoch, den 13.07.2011, hält Maik Bevermeier um 16:30 im Raum P 1.4.17 einen Vortrag mit dem Titel:

Sensorfusion und sequenzielle Parameterschätzung in einer schwach gekoppelten Filterstruktur zur Navigation

Zusammenfassung:

Im Rahmen dieses Vortrages werden zwei Ansätze aufgegriffen, um die Navigationslösung eines Ortungs- bzw. Navigationssystems zu verbessern: die Stützung des Systems mit Hilfe von zuverlässigen Höheninformationen sowie die Schätzung von Rauschprozessparametern zur Berücksichtigung zeitlicher Korrelationen in inertialen Sensorsignalen.

Die Ausgangsbasis bildet eine schwach gekoppelte Filterstruktur, die es erlaubt, Sensorsignale einer inertialen Messeinheit mit Informationen anderer Stützsensoren zu fusionieren. Das eingesetzte linearisierte Kalman-Filter ermöglicht die Schätzung des Fehlers der Navigationslösung, die außerhalb des Filters fortlaufend auf Basis des Strapdown-Algorithmus bestimmt wird. Das Filter wird u. a. durch satellitenbasierte Positions- und Geschwindigkeits- sowie durch Höheninformationen gestützt, die auf Temperatur- und Luftdruckmessungen in Kombination mit topografischen Referenzdaten basieren. Diese Referenzinformationen werden dazu genutzt, um Bias und Skalenfaktorfehler, die aus vereinfachten Annahmen bei der Herleitung der barometrischen Höhenformel resultieren, schätzen und kompensieren zu können. Es wird gezeigt, dass somit eine zuverlässigere Bestimmung der Schwerebeschleunigung erreicht wird, was wiederum zu einer Kompensation von Positionsschätzfehlern in der horizontalen Ebene führt.

Zudem wurde ein Algorithmus entwickelt, der eine sequenzielle Schätzung der als zeitvariant angenommenen Systemrauschvarianzen des Kalman-Filters ermöglicht, welche den Messrauschvarianzen der zeitlich korrelierten Inertial-sensorsignale entsprechen. Dieser Ansatz basiert auf dem Expectation-Maximization (EM)-Algorithmus, der in ein Verfahren überführt wurde, das die Sensorsignale nicht mehr block-, sondern abtastwertweise verarbeitet. Im Rahmen experimenteller Untersuchungen wurden die entwickelten Ansätze sowohl anhand künstlich generierter als auch Felddaten untersucht.