Zur Seitenansicht
 

Titelaufnahme

Titel
Sensorfusion und sequenzielle Parameterschätzung in einer schwach gekoppelten Filterstruktur zur Navigation
AutorBevermeier, Maik In der Gemeinsamen Normdatei der DNB nachschlagen
PrüferHäb-Umbach, Reinhold In der Gemeinsamen Normdatei der DNB nachschlagen ; Mertsching, Bärbel In der Gemeinsamen Normdatei der DNB nachschlagen
Erschienen2011
UmfangIV, 226 S. : graph. Darst.
HochschulschriftPaderborn, Univ., Diss., 2011
Anmerkung
Tag der Verteidigung: 21.12.2011
SpracheDeutsch
DokumenttypDissertation
URNurn:nbn:de:hbz:466:2-8299 Persistent Identifier (URN)
Dateien
Sensorfusion und sequenzielle Parameterschätzung in einer schwach gekoppelten Filterstruktur zur Navigation [7.5 mb]
Zusammenfassung [112.01 kb]
Abstract [0.11 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Im Rahmen dieser Arbeit werden zwei Ansätze aufgegriffen, um die Navigationslösung eines Ortungs-/Navigationssystems zu verbessern: die Stützung des Systems mit Hilfe von zuverlässigen Höheninformationen sowie die Schätzung von Rauschprozessparametern zur Berücksichtigung zeitlicher Korrelationen in den 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 Daten 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. Zudem wurde ein Algorithmus entwickelt, der eine sequenzielle Schätzung der als zeitvariant angenommenen Systemrauschvarianzen des Kalman-Filters ermöglicht, welche den Messrauschvarianzen der zeitlich korrelierten Inertialsensorsignale entsprechen. Dieser Ansatz basiert auf dem Expectation-Maximization-Algorithmus, der in ein Verfahren überführt wurde, das die Sensorsignale nicht mehr block-, sondern abtastwertweise verarbeitet. Dabei wurde die Zielfunktion, der bedingte Erwartungswert der Log-Likelihood der kompletten Daten, in eine rekursive Beschreibung überführt. Das Optimierungsproblem wird gelöst, indem die Zielfunktion mit Hilfe des Newton-Verfahrens maximiert wird.

Zusammenfassung (Englisch)

In this thesis two approaches to the improvement of the navigation solution of a localization system are considered: the additional employment of filtered height information of a barometric sensor device and the utilization of continuously estimated (a priori unknown and time-variant) noise parameters to incorporate the temporal correlation of inertial sensor measurements. The navigation system is based upon a loosely coupled filter structure for fusing sensor information of an inertial measurement unit with information of other supporting sensors like a GPS receiver. The adopted filter is a so-called linearized Kalman filter for estimating the error of the navigation solution, which is continuously determined outside the filter. The Kalman filter estimates are obtained from satellite-based position and velocity information on the one hand and from reliable height information on the other hand. The height information derived from temperature and barometric pressure measurements using the formula of isothermal atmosphere. Additional topographical information is used to determine and adjust bias and scaling factor errors, stemming from inherent simplified assumptions. Further, an algorithm for sequential estimation of time-variant system noise variances of a Kalman filter has been developed. The proposed approach relies on the Expectation-Maximization-algorithm, which processes the observations in batches. The objective function is specified in that way that the conditional expectation of the log-likelihood of the complete data can be described recursively. The optimization problem is solved by maximizing the objective function using Newtons method.