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