Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Positionsbestimmung für Fußgänger mit dem Pointman Dead Reckoning System.

Ähnliche Präsentationen


Präsentation zum Thema: "Positionsbestimmung für Fußgänger mit dem Pointman Dead Reckoning System."—  Präsentation transkript:

1 Positionsbestimmung für Fußgänger mit dem Pointman Dead Reckoning System

2 Gliederung 1.Motivation 2.Einführung 3.Pointman 4.Kalman Filterung 5.Eigene Erfahrungen 6.Fazit Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung

3 Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung Feststellung der Position bei der Fußgänger- navigation (Echtzeit) auch in der Innenstadt.

4 Aufbau Navigationssystem (Vortrag 6. Semester) Beschleunigungsmesser + Kompass, Kreisel Grobe Daten Vorverarbeitung Schrittmodell Physiologische Charakteristik Dead Reckoning Position Geschwindigkeit Orientierung Integrationsprozess (Kalman Filter) VorfilterGPS Azimut der Verlagerung Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung

5 Pointman Bestandteile des Pointman: „Low cost“ Teile: 1.Digital elektronischer Kompass (3 Achsen) 2.MEMS (Micro-Electro-Mechanical-System) Beschleunigungsmesser (3 Achsen) 3.GPS – Modul 4.Temperatursensor 5.Barometer Algorithmen: 1. Algorithmen zur Positionsbestimmung 2. Algorithmen zur Schrittbestimmung Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung

6 Pointman Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung Dead Reckoning GPS Modul

7 Messung mit Beschleunigungsmesser Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung Veränderung des Schwerpunktes transversal Veränderung des Schwerpunktes vertikal Strecke g

8 Fast Fourier Transformation Peakfrequenz 1,7 rtHz Peakamplitude 0.29 grms Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung

9 Dead Reckoning Mit einfachem Beschleunigunsmesser wird Anzahl der Schritte bestimmt. Nutzung der Frequenz, um Schrittgröße zu bestimmen. (Fast Fourier Transformation) Bestimmung der Strecke : –aus Anzahl der Schritte –aus Schrittgröße –aus zugrunde gelegtem Schrittmodell Orientierung mit Kompass (3 Achsen) Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung

10 Dead Reckoning Positionsbestimmung mittels GPS oder Landmarks. Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung GPS – Empfang: Die Startposition wird mittels Einfrequenz GPS – Empfänger bestimmt. Landmarks: Koordinatenmäßig bekanntes Landmark wird als Startposition festgelegt.

11 Algorithmen im Pointman (US Patent 5,583,776) Algorithmen zur Bestimmung der Anzahl der Schritte und der Strecke: –Peak Detection Algorithmus –Frequency Measurement Algorithmus (Fast Fourier Transformation) –Dynamic Step Size Algorithmus Algorithmen zur Bestimmung der Position: –DR Position Fix Algorithmus –DR Calibration mit Landmarks Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung Patent Nicht im Patent

12 Aufbau Navigationssystem Beschleunigungsmesser + Kompass, Kreisel Grobe Daten Vorverarbeitung Schrittmodell Physiologische Charakteristik Dead Reckoning Position Geschwindigkeit Orientierung Integrationsprozess (Kalman Filter) VorfilterGPS Azimut der Verlagerung Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung

13 Systemtheorie Grundgedanken der Systemtheorie Eingangsgrößen Objekt Ausgangsgrößen Störgrößen Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung Parametrische Identifikation Nicht-parametrische Identifikation ZustandsmodellVerhaltensmodell Systemidentifikation Übertragungsverhalten

14 Berechnungsablauf Kalman Filter System- Parameter y Zeit Systembeschreibung Prognose Messung Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung Ziel: Beschreibung eines dynamischen Verhaltens durch eine Bewegungsgleichung.

15 Berechnungsablauf Kalman Filter Aufstellen Systembeschreibung zum Zeitpunkt durch Zustandsparameter Aus Systembeschreibung wird Prognose für den Systemzustand am aktuellen Zeitpunkt berechnet. Liegen zum Zeitpunkt Messgrößen für den Systemzustand vor, so kann der Prognosewert kontrolliert und verbessert werden. Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung Beispiel an einer rein zeitabhängigen Bewegungsgleichung:

16 Kalman Filter Zwei unabhängige Modelle: –Beobachtungsmodell Messgleichung: –Kinematisches Modell Bewegungsgleichung: (1) (2) Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung

17 Kalman Filter Zustandsvektor, aus allen bis zum Zeitpunkt k-1 vorliegenden Messungen: Zu diesem Schätzwert zugehörige Kovarianzmatrix: Prädiktionsgleichung für den Zustand k: Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung

18 Kalman Filter Matrizendarstellung der rein zeitabhängigen Prädiktionsgleichung: Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung

19 Kalman Filter Matrizendarstellung der rein zeitabhängigen Prädiktionsgleichung unter Berücksichtigung von nicht-parametrisierbaren Störeffekten: Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung Störbeschleunigung

20 Kalman Filter Die Störbeschleunigungen sind real nicht bekannt und können nur durch einen fiktiven Wert eingeführt werden, so dass sich die Prädiktion des Zustandsvektors nicht ändert. Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung Größenordnung der Störeffekte wird durch Kovarianzmatrix berücksichtigt:

21 Kalman Filter Erweiterte Prädiktionsgleichung: Nach Anwendung des Varianz-Fort- pflanzungsgesetzes erhält man: Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung

22 Update Prognostizierter Zustandsvektor und Messwerte müssen kombiniert werden: Gauß-Markov-Modell Stochastisches Modell Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung

23 Kalman Filter Terme für Interpretation: Innovation: Kofaktormatrix: Verstärkermatrix: Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung

24 Kalman Filter Der ausgeglichene Zustandsvektor lässt sich damit vereinfacht berechnen aus: Kovarianzmatrix: Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung

25 Parameter der Beobachtungsgleichung Parameter der Beobachtungsgleichung stammen aus GPS und Dead-Reckoning System (Kompass, Beschleunigungs- messer, Temperatursensor und Barometer). Matrix A setzt sich wie folgt zusammen: –Zeilen 1-4: Linierarisierung der Fehlereinflüsse (Nord- und Ostabweichung der Koordinaten, Temperatur, Luftdruck) –Zeilen 5-6: Parameter des Sensors –Zeile 7-8: Parameter des Schrittmodells Das stochastische Modell besteht aus der Kovarianzmatrix des Systemrauschen und den Varianzen für die Vorhersage. Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung

26 Parameter der Messgleichung Parameter der Messgleichung sind die GPS-Daten (Azimut und Position). Jede Beobachtung zählt als Parameter. Update (GPS - Empfang): –Kombination aus kinematischem Modell und Beobachtungsmodell. –Der Verbesserungsvektor besteht aus der Differenz zwischen GPS und DR. Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung

27 Versuchsergebnisse Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung

28 Versuchsergebnisse Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung Fehler: Durch die unterschiedliche Genauigkeit der GPS – Positionsbestimmung weicht die neu errechnete Position teils stark von der alten ab. Ergebnis weicht nur leicht ab.

29 Versuchsergebnisse Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung

30 Versuchsergebnisse Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung Gleicher Fehler mit gravierenden Auswirkungen!! Starke Verzerrung des Pfades 1 2

31 Fazit Dead – Reckoning System liefert mit einfachen „Low cost“ Bauteilen schon erstaunlich gute Ergebnisse. GPS – Einsatz steigert bei dauerhaftem Empfang mehrerer Satelliten die Genauigkeit. Problem: Zusammenspiel zwischen GPS und Dead – Reckoning, speziell in der Innenstadt ist noch nicht zuverlässig genug. Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung Es liegt noch viel Arbeit vor uns!!

32 Motivation Pointman Kalman Filter Erfahrungen Fazit Einführung Gliederung Fragen? ? Vielen Dank für die Aufmerksamkeit!


Herunterladen ppt "Positionsbestimmung für Fußgänger mit dem Pointman Dead Reckoning System."

Ähnliche Präsentationen


Google-Anzeigen