Inertial Sensor Fusion - Cheatsheet.pdf

Inertial Sensor Fusion - Cheatsheet
Inertial Sensor Fusion - Cheatsheet Definition und Klassifizierung von Inertialsensoren Definition: Inertialsensoren messen Bewegung und Beschleunigung ohne äußere Referenz. Details: Beschleunigungssensoren: Messen lineare Beschleunigungen. Gyroskope: Messen Winkelgeschwindigkeiten. Magnetometer: Messen Magnetfelder (oft zur Richtungserkennung verwendet). Unterscheidung anhand der gemessenen Größe...

© StudySmarter 2024, all rights reserved.

Inertial Sensor Fusion - Cheatsheet

Definition und Klassifizierung von Inertialsensoren

Definition:

Inertialsensoren messen Bewegung und Beschleunigung ohne äußere Referenz.

Details:

  • Beschleunigungssensoren: Messen lineare Beschleunigungen.
  • Gyroskope: Messen Winkelgeschwindigkeiten.
  • Magnetometer: Messen Magnetfelder (oft zur Richtungserkennung verwendet).
  • Unterscheidung anhand der gemessenen Größen und Anwendungsbereiche.
  • Kombinierte Sensoren: Sensorfusion zur Verbesserung der Genauigkeit durch Kombination mehrerer Sensordaten.
  • Mathematische Beschreibungen: \(\text{Beschleunigung a} = \frac{d^2x}{dt^2}\), \(\text{Winkelgeschwindigkeit} \omega = \frac{d\theta}{dt}\).

Kalman-Filter und erweiterter Kalman-Filter

Definition:

Kalman-Filter und Erweiterter Kalman-Filter (EKF) werden zur Zustands- und Bewegungsabschätzung in Systemen mit Rauschen genutzt.

Details:

  • Kalman-Filter: Linearer Zustandsraum-Filter.
  • Erweiterter Kalman-Filter (EKF): Nichtlineare Systeme durch Linearisierung um aktuellen Zustand.
  • Zustandsvorhersage: \[\boldsymbol{x}_{k|k-1} = \boldsymbol{A}_{k-1} \boldsymbol{x}_{k-1} + \boldsymbol{B}_{k-1} \boldsymbol{u}_{k-1}\]
  • Messvorhersage: \[\boldsymbol{z}_{k|k-1} = \boldsymbol{H}_{k} \boldsymbol{x}_{k|k-1}\]
  • Update-Gleichungen: \[\boldsymbol{K}_{k} = \boldsymbol{P}_{k|k-1} \boldsymbol{H}_{k}^T (\boldsymbol{H}_{k} \boldsymbol{P}_{k|k-1} \boldsymbol{H}_{k}^T + \boldsymbol{R}_{k})^{-1}\]\[\boldsymbol{x}_{k|k} = \boldsymbol{x}_{k|k-1} + \boldsymbol{K}_{k} (\boldsymbol{z}_{k} - \boldsymbol{z}_{k|k-1})\]\[\boldsymbol{P}_{k|k} = (\boldsymbol{I} - \boldsymbol{K}_{k} \boldsymbol{H}_{k}) \boldsymbol{P}_{k|k-1}\]
  • Zustandsraum: \[\boldsymbol{x}_{k}\rightarrow\text{Zustandsvektor}, \boldsymbol{P}_{k}\rightarrow\text{Fehlerkovarianzmatrix}\]

Partikelfilter

Definition:

Partikelfilter wird in der Inertial Sensor Fusion verwendet, um Zustandsabschätzungen durch probabilistische Ansätze zu verbessern.

Details:

  • Arbeitsweise: Zustandsschätzung durch eine Menge von Partikeln.
  • Verwendung von Gewichten zur Wahrscheinlichkeitsabschätzung.
  • Resampling: Verstärkt die wichtigen Partikel, verwirft unwichtige.
  • Anwendungsbereich: Nichtlineare und nicht-Gauss'sche Systeme.
  • Formeln: Zustandsschätzung \(\text{x}_k\): \ P(x_k | z_{1:k}) \ (Posterior-Verteilung), Neues Gewicht: \ w_k^i \ (nach Normalisierung).

Machine-Learning-Ansätze zur Sensorfusion

Definition:

Anwendung von maschinellen Lernverfahren zur Kombination und Verarbeitung von Sensordaten, um präzisere und robustere Informationen zu gewinnen.

Details:

  • ML-Modelle wie neuronale Netze, Entscheidungsbäume, etc.
  • Verwendung für Vorhersage, Mustererkennung, Datenkorrektur
  • Trainingsdatensatz wichtig für Genauigkeit und Generalisierbarkeit
  • Typische Anwendungen: Robotik, autonome Fahrzeuge, mobile Geräte

Sensor-Kalibrierung und Synchronisation

Definition:

Kalibrierung und Synchronisation von Sensoren zur Reduktion von Messfehlern und zur Verbesserung der Datenfusion.

Details:

  • Kalibrierung: Anpassung von Sensordaten zur Minimierung systematischer Fehler.
  • Synchronisation: Zeitliche Abstimmung der Sensoren für konsistente Datenerfassung.
  • Notwendigkeit: Essenziell für genaue und zuverlässige Ergebnisse in der Inertialsensorfusion.
  • Formeln: Lineares Kalibrierungsmodell: \( y = a \times x + b \) \(a: \) Skalenfaktor, \(b: \) Offset Korrektur.

Einfluss von Rauschen und Drift

Definition:

Einfluss von Rauschen und Drift in Inertialsensoren beeinträchtigen Genauigkeit der Messungen.

Details:

  • Rauschen: Zufällige Messabweichungen. Weißes Rauschen oft modelliert als normalverteilte Zufallsvariable.
  • Drift: Langfristige Abweichungen der Sensormessungen über die Zeit. Kann zu erheblichen akkumulativen Fehlern führen.
  • Mathematische Modellierung des Rauschens: \(\text{R(t)} = R_0 + \text{N(t)}\) mit \(N(t)\) als Rauschkomponente.
  • Mathematische Modellierung des Drifts: \(\text{D(t)} = D_0 + \text{K} \times t\), wobei \(\text{K}\) Konstante ist.
  • Fehlerrechnung: \(\text{Fehler} = \text{R(t)} + \text{D(t)}\).

Fehlermodelle und Korrekturmechanismen

Definition:

Fehlermodelle beschreiben systematische und zufällige Fehlerquellen in Inertialsensoren. Korrekturmechanismen dienen dazu, diese Fehler zu minimieren.

Details:

  • Systematische Fehler: z.B. Bias, Skalierungsfaktoren.
  • Zufällige Fehler: z.B. Rauschen, Temperaturdrift.
  • Korrektur mittels Kalman-Filter: Filterung der Sensordaten.
  • Verwendung von Referenzsystemen zur Fehlerkalibrierung.
  • Anwendung von Modellen für spezifische Fehlercharakteristika.

Navigationssysteme in der Inertialsensorfusion

Definition:

Inertialsensorfusion kombiniert Daten von Beschleunigungsmessern, Gyroskopen und Magnetometern zur Positions- und Lagebestimmung.

Details:

  • Bedeutende Algorithmen: Kalman-Filter, Komplementärfilter
  • Nützliche Formeln: \(x(t) = x_0 + \int v(t) \, dt\), \(v(t) = v_0 + \int a(t) \, dt\)
  • Fehlerquellen: Drift, Bias, Rauschen
  • Anwendungen: Drohnen, autonome Fahrzeuge, Robotik
Sign Up

Melde dich kostenlos an, um Zugriff auf das vollständige Dokument zu erhalten

Mit unserer kostenlosen Lernplattform erhältst du Zugang zu Millionen von Dokumenten, Karteikarten und Unterlagen.

Kostenloses Konto erstellen

Du hast bereits ein Konto? Anmelden