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

• Erstellungsjahr: 2022

Zusammenfassung der Projektergebnisse

Inertialsensoren entsprechen dem menschlichen Gleichgewichtsorgan. Sie können Bewegung in etwa so wahrnehmen, wie wir Menschen mit geschlossenen Augen. Für eine kurze Zeit finden wir uns noch zurecht, aber je länger wir unterwegs sind, desto unsicherer werden wir wo wir sind. Wir nutzen dann oft vorher gesammeltes Wissen über unsere Umgebung. Berühren wir z.B. eine Wand oder ein Möbelstück, wissen wir über „die Karte im Kopf“ wieder, wo wir sind. Daher erforschen wir in diesem Projekt, wie ein Inertialsensor sich mit Vorwissen über die Umgebung orten kann. Dies ist vorteilhaft, denn Inertialsensoren sind günstig und in jedem Smartphone verbaut, während insbesondere GPS als Alternative drinnen nicht funktioniert. Mögliche Anwendungen wären z.B. Navigation in Kaufhäusern oder eine Museumsguide-App die automatisch das richtige Exponat erklärt. Auch der Amateursport könnte von kostengünstiger Bewegungsanalyse mit Smartwatches profitieren. Damit dies möglich wird, haben wir eine Methode für die Verarbeitung des Vorwissens erforscht. Diese sogenannten Pseudomessungen verhalten sich wie ein Sensor. Ein Beispiel: In den Bewegungsdaten des Inertialsensors erkennen wir, dass wir Fahrstuhl fahren. Durch die Gebäudekarte wissen wir die Position des Fahrstuhles. Zusammen ist das eine Positionsinformation und wird verarbeitet wie eine echte Positionsmessung. Dieses kartenhafte Wissen haben wir im Anwendungsbeispiel Bouldern untersucht. Wir erkennen das Greifen eines Bouldergriffes in den Inertialsensordaten. Dann erhält der Sensor eine Messung „bin an einem Griff“ und verarbeitet diese. Wir konnten zeigen, dass sich dadurch der Sensor auf 15cm genau (Median) orten lässt, genug für z.B. eine sportliche Analyse. Auch der Untergrund auf dem wir uns bewegen verrät etwas über unsere Position. Beim Bahnradfahren z.B. können wir das Rad mit einem Inertialsensor und einer Höhenkarte der Bahn orten. Im Grunde verrät der Inertialsensor die Bewegung über die letzten paar Meter. Er misst aber nicht direkt, wo man war oder in welche Richtung man gefahren ist. Die Form der Bahn schränkt aber die möglichen Bewegungen ein, weil die Räder auf der Bahnoberfläche bleiben. Dieses Vorwissen haben wir als Pseudomessung genutzt: „Der Abstand vom Fahrrad zur Bahn ist 0“. Fährt jetzt das Fahrrad in einer Kurve, weiß der Sensor, dass es auf einem kurvigen Stück der Bahn sein muss. Zusammenfassend haben wir in diesem Projekt kartenhaften Vorwissens in ein für den Computer nutzbares Format gebracht und Verfahren für die Kombination mit Inertialsensordaten entwickelt.

Projektbezogene Publikationen (Auswahl)

• “State Observability through Prior Knowledge A Conceptional Paradigm in Inertial Sensing,” International Conference on Informatics in Control, Automation and Robotics (Position paper), 2019
  T. L. Koller, T. Laue, and U. Frese
  (Siehe online unter https://doi.org/10.5220/0007952307810788)
• “State Observability through Prior Knowledge: Tracking Track Cyclers with Inertial Sensors,” 2019 International Conference on Indoor Positioning and Indoor Navigation (IPIN), Sep. 2019
  T. L. Koller and U. Frese
  (Siehe online unter https://doi.org/10.1109/IPIN.2019.8911757)
• “State Observability through Prior Knowledge: Analysis of the Height Map Prior for Track Cycling,” Sensors, vol. 20, no. 9, Art. no. 9, Jan. 2020
  T. L. Koller and U. Frese
  (Siehe online unter https://doi.org/10.3390/s20092438)
• “The Interacting Multiple Model Filter on Boxplus-Manifolds,” in 2020 IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems (MFI), Sep. 2020, pp. 88–93
  T. L. Koller and U. Frese
  (Siehe online unter https://doi.org/10.1109/MFI49285.2020.9235232)
• “The Interacting Multiple Model Filter and Smoother on Boxplus-Manifolds,” Sensors, vol. 21, no. 12, Art. no. 12, Jan. 2021
  T. L. Koller and U. Frese
  (Siehe online unter https://doi.org/10.3390/s21124164)
• “Event-Domain Knowledge in Inertial Sensor Based State Estimation of Human Motion.” Fusion, 2022, Linköping
  T. L. Koller, T. Laue, and U. Frese
  (Siehe online unter https://doi.org/10.23919/FUSION49751.2022.9841378)