positionsbestimmung f r fu g nger mit dem pointman dead reckoning system n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
Positionsbestimmung für Fußgänger mit dem Pointman Dead Reckoning System PowerPoint Presentation
Download Presentation
Positionsbestimmung für Fußgänger mit dem Pointman Dead Reckoning System

Loading in 2 Seconds...

play fullscreen
1 / 32

Positionsbestimmung für Fußgänger mit dem Pointman Dead Reckoning System - PowerPoint PPT Presentation


  • 103 Views
  • Uploaded on

Positionsbestimmung für Fußgänger mit dem Pointman Dead Reckoning System . Gliederung. Motivation. Einführung. Pointman. Kalman Filter. Erfahrungen. Fazit. Gliederung. Motivation Einführung Pointman Kalman Filterung Eigene Erfahrungen Fazit. Gliederung. Motivation. Einführung.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Positionsbestimmung für Fußgänger mit dem Pointman Dead Reckoning System' - dannon


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
gliederung

Gliederung

Motivation

Einführung

Pointman

Kalman Filter

Erfahrungen

Fazit

Gliederung
  • Motivation
  • Einführung
  • Pointman
  • Kalman Filterung
  • Eigene Erfahrungen
  • Fazit
motivation

Gliederung

Motivation

Einführung

Pointman

Kalman Filter

Erfahrungen

Fazit

Motivation

Feststellung der Position bei der Fußgänger-navigation (Echtzeit) auch in der Innenstadt.

aufbau navigationssystem vortrag 6 semester

Beschleunigungsmesser

+

Kompass, Kreisel

Grobe Daten

Vorverarbeitung

Gliederung

Motivation

Einführung

Physiologische

Charakteristik

Schrittmodell

Azimut der

Verlagerung

Pointman

Kalman Filter

Erfahrungen

Dead Reckoning

Fazit

Position

Geschwindigkeit

Orientierung

GPS

Vorfilter

Integrationsprozess

(Kalman Filter)

Aufbau Navigationssystem(Vortrag 6. Semester)
pointman

Gliederung

Motivation

Einführung

Pointman

Kalman Filter

Erfahrungen

Fazit

Pointman
  • Bestandteile des Pointman:

„Low cost“ Teile:

1. Digital elektronischer Kompass

(3 Achsen)

2. MEMS (Micro-Electro-Mechanical-System) Beschleunigungsmesser (3 Achsen)

  • GPS – Modul
  • Temperatursensor
  • Barometer

Algorithmen:

1. Algorithmen zur Positionsbestimmung

2. Algorithmen zur Schrittbestimmung

pointman1

Gliederung

Motivation

Einführung

Pointman

Kalman Filter

Erfahrungen

Fazit

Pointman

GPS

Modul

Dead Reckoning

messung mit beschleunigungsmesser

Gliederung

Motivation

Einführung

g

Pointman

Kalman Filter

Erfahrungen

Fazit

Strecke

Veränderung des Schwerpunktes vertikal

Veränderung des Schwerpunktes transversal

Messung mit Beschleunigungsmesser
fast fourier transformation

Gliederung

Motivation

Einführung

Pointman

Kalman Filter

Erfahrungen

Fazit

Fast Fourier Transformation

Peakfrequenz 1,7 rtHz

Peakamplitude 0.29 grms

dead reckoning

Gliederung

Motivation

Einführung

Pointman

Kalman Filter

Erfahrungen

Fazit

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)
dead reckoning1

Gliederung

Motivation

Einführung

Pointman

Kalman Filter

Erfahrungen

Fazit

Dead Reckoning
  • Positionsbestimmung mittels GPS oder Landmarks.

GPS – Empfang:

Die Startposition wird mittels Einfrequenz GPS – Empfänger bestimmt.

Landmarks:

Koordinatenmäßig bekanntes Landmark wird

als Startposition festgelegt.

algorithmen im pointman us patent 5 583 776

Gliederung

Motivation

Einführung

Pointman

Kalman Filter

Erfahrungen

Fazit

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

Patent

Patent

Patent

Nicht im Patent

Nicht im Patent

aufbau navigationssystem

Beschleunigungsmesser

+

Kompass, Kreisel

Grobe Daten

Vorverarbeitung

Gliederung

Motivation

Einführung

Physiologische

Charakteristik

Schrittmodell

Azimut der

Verlagerung

Pointman

Kalman Filter

Erfahrungen

Dead Reckoning

Fazit

Position

Geschwindigkeit

Orientierung

GPS

Vorfilter

Integrationsprozess

(Kalman Filter)

Aufbau Navigationssystem
systemtheorie

Gliederung

Motivation

Einführung

Pointman

Ausgangsgrößen

Eingangsgrößen

Objekt

Kalman Filter

Erfahrungen

Systemidentifikation

Fazit

Störgrößen

Parametrische Identifikation

Nicht-parametrische Identifikation

Zustandsmodell

Verhaltensmodell

Systemtheorie
  • Grundgedanken der Systemtheorie
  • Übertragungsverhalten
berechnungsablauf kalman filter

System-

Parameter y

Gliederung

Motivation

Einführung

Prognose

Systembeschreibung

Messung

Pointman

Kalman Filter

Erfahrungen

Fazit

Zeit

Berechnungsablauf Kalman Filter

Ziel: Beschreibung eines dynamischen Verhaltens durch eine Bewegungsgleichung.

berechnungsablauf kalman filter1

Gliederung

Motivation

Einführung

Pointman

Kalman Filter

Erfahrungen

Fazit

Berechnungsablauf Kalman Filter

Beispiel an einer rein zeitabhängigen Bewegungsgleichung:

  • 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.
kalman filter

Gliederung

Motivation

Einführung

Pointman

Kalman Filter

Erfahrungen

Fazit

Kalman Filter
  • Zwei unabhängige Modelle:
    • Beobachtungsmodell
      • Messgleichung:
    • Kinematisches Modell
      • Bewegungsgleichung:

(1)

(2)

kalman filter1

Gliederung

Motivation

Einführung

Pointman

Kalman Filter

Erfahrungen

Fazit

Kalman Filter
  • Zustandsvektor, aus allen bis zum Zeitpunkt k-1 vorliegenden Messungen:
  • Zu diesem Schätzwert zugehörige Kovarianzmatrix:
  • Prädiktionsgleichung für den Zustand k:
kalman filter2

Gliederung

Motivation

Einführung

Pointman

Kalman Filter

Erfahrungen

Fazit

Kalman Filter

Matrizendarstellung der rein zeitabhängigen Prädiktionsgleichung:

kalman filter3

Gliederung

Motivation

Einführung

Pointman

Kalman Filter

Erfahrungen

Fazit

Kalman Filter
  • Matrizendarstellung der rein zeitabhängigen Prädiktionsgleichung unter Berücksichtigung von nicht-parametrisierbaren Störeffekten:

Störbeschleunigung

kalman filter4

Gliederung

Motivation

Einführung

Pointman

Kalman Filter

Erfahrungen

Fazit

Kalman Filter
  • Größenordnung der Störeffekte wird durch Kovarianzmatrix berücksichtigt:
  • Die Störbeschleunigungen sind real nicht bekannt und können nur durch einen fiktiven Wert eingeführt werden, so dass sich die Prädiktion des Zustandsvektors nicht ändert.
kalman filter5

Gliederung

Motivation

Einführung

Pointman

Kalman Filter

Erfahrungen

Fazit

Kalman Filter
  • Erweiterte Prädiktionsgleichung:
  • Nach Anwendung des Varianz-Fort-
  • pflanzungs gesetzes erhält man:
update

Gliederung

Motivation

Einführung

Gauß-Markov-Modell

Pointman

Kalman Filter

Erfahrungen

Fazit

Update
  • Prognostizierter Zustandsvektor und Messwerte müssen kombiniert werden:

Stochastisches Modell

kalman filter6

Gliederung

Motivation

Einführung

Pointman

Kalman Filter

Erfahrungen

Fazit

Kalman Filter
  • Terme für Interpretation:

Innovation:

Kofaktormatrix:

Verstärkermatrix:

kalman filter7

Gliederung

Motivation

Einführung

Pointman

Kalman Filter

Kovarianzmatrix:

Erfahrungen

Fazit

Kalman Filter
  • Der ausgeglichene Zustandsvektor lässt sich damit vereinfacht berechnen aus:
parameter der beobachtungsgleichung

Gliederung

Motivation

Einführung

Pointman

Kalman Filter

Erfahrungen

Fazit

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.
parameter der messgleichung

Gliederung

Motivation

Einführung

Pointman

Kalman Filter

Erfahrungen

Fazit

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.
versuchsergebnisse

Gliederung

Motivation

Einführung

Pointman

Kalman Filter

Erfahrungen

Fazit

Versuchsergebnisse
versuchsergebnisse1

Gliederung

Motivation

Einführung

Pointman

Kalman Filter

Erfahrungen

Fazit

Versuchsergebnisse

Fehler:

Durch die unterschiedliche Genauigkeit der

GPS – Positionsbestimmung weicht die neu errechnete Position teils stark von der alten ab.

Ergebnis weicht nur leicht ab.

versuchsergebnisse2

Gliederung

Motivation

Einführung

Pointman

Kalman Filter

Erfahrungen

Fazit

Versuchsergebnisse
versuchsergebnisse3

Gliederung

Motivation

Einführung

Pointman

1

Kalman Filter

Erfahrungen

Fazit

Versuchsergebnisse

2

Gleicher Fehler mit gravierenden Auswirkungen!!

Starke Verzerrung des Pfades

fazit

Gliederung

Motivation

Einführung

Pointman

Kalman Filter

Erfahrungen

Fazit

Es liegt noch viel Arbeit vor uns!!

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.

slide32

Gliederung

Motivation

Einführung

?

Pointman

Kalman Filter

Fragen?

Erfahrungen

Fazit

Vielen Dank für die Aufmerksamkeit!