ZaVI- Zustandsschätzung allein durch Vorwissen und Inertialsensorik

• Antragsteller: Professor Dr.-Ing. Udo Frese
• Fachliche Zuordnung: Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2018 bis 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 394554808

Inertialsensoren können die Position und Orientierung eines Körpers im Raum bestimmen. Früher vor allen Dingen in Luft- und Raumfahrt eingesetzt, sind sie mittlerweile als integrierter Chip in jedem Smartphone und Fitnesstracker verbaut. Ein Inertialsensor ist ein ''relativer Sensor'' der Änderungen misst. Er besteht aus einem 3-achsigen Gyrometer, das die Drehung des Körpers im Raum misst, und einem 3-achsigen Accelerometer, das die Beschleunigung des Körpers im Raum misst. Durch Aufakkumulieren der Drehungen aus dem Gyrometer lässt sich die Orientierung fortschreiben, durch Aufakkumulieren der Beschleunigungen (unter Berücksichtigung von Gravitation), die Geschwindigkeit und Position. Dies ist die kanonische Art, aus den Messungen des Inertialsensors den Zustand des Körpers, also Orientierung, Geschwindigkeit, Position zu bestimmen. Beim Akkumulieren akkumulieren sich aber auch Fehler, so dass der so bestimmte Zustand wegdriftet, also immer ungenauer wird. Daher fusioniert man normalerweise Daten aus einem weiteren, absolut messenden Sensor, z.B. GPS oder Kamera. Ein Lehrbuchfall für Sensorfusion. Dieses Projekt untersucht, unter welchen Umständen sich ohne weiteren Sensor die Akkumulation von Fehlern vermeiden lässt, indem man Vorwissen über die Bewegung und die Umgebung ausnutzt, also sozusagen Vorwissen und Inertialsensorik fusioniert. Diese Untersuchung passiert auf zwei Ebenen: Zum einen gibt es für bestimmte Zwecke schon Verfahren zur Auswertung von Inertialsensordaten ohne zusätzlichen Sensor. Diese sollen dahingehend untersucht werden, inwieweit sie sich als Fusion mit Vorwissen auffassen lassen, welches Vorwissen eigentlich genau von den Verfahren angenommen wird und ob die Verfahren algorithmisch äquivalent zu einer Bayes-Schätzung mit dem Vorwissen als A-priori-Verteilung sind. Hier liegt der Beitrag im Herausarbeiten eines gemeinsamen Rahmens für das Verständnis der verschiedenen Verfahren. Zum anderen sind Umstände die Bewegung einschränken gar nicht selten. Hier soll an typischen Beispielen untersucht werden, wie sich diese Umstände formalisieren lassen und welche theoretischen Auswirkungen sie auf die Beobachtbarkeit von Orientierung, Geschwindigkeit und Position haben, also welche Zustandsgrößen bei Fusion mit dem Vorwissen nicht mehr wegdriften. Außerdem wird untersucht, wie sich dieses Vorwissen als A-priori-Verteilung im Bayes-Sinne formalisieren lässt, welche Fusionsalgorithmen geeignet sind und wie präzise die Schätzung wird. Die untersuchten praktischen Beispiele entstammen dem Sport, ein Bereich, der vielfältige Bewegungen bietet an deren Vermessung ein Interesse existiert. Beispiele sind im Sport verbreitete ''warten und losspringen'' Vorgänge, bei denen eine A-priori-Verteilung von Geschwindigkeiten ausgenutzt werden soll sowie Bahnradfahren wo die nicht-ebene Bahn voraussichtlich sogar die Position beobachtbar macht, und Bouldern mit Vorwissen über die unregelmässige Umgebung.

• DFG-Verfahren: Sachbeihilfen
• Mitverantwortlich: Dr. Tim Laue