Sensor-Fusion ist ein Begriff der sich sich immer mehr durchsetzt in so gut wie jedem Sektor, in dem Trägheitsnavigationstechnologie zum Einsatz kommt. In diesem Blog, werden wir was es damit auf sich hat und wie es zur Verbesserung der Qualität von Navigations- und Lokalisierungsdaten beiträgt. Was also ist Sensorfusion?
Sensor-Fusion: eine Definition
Bei der Sensorfusion werden Daten von zwei verschiedenen Sensoren, die dasselbe Ereignis beschreiben, zu einem einzigen Datensatz kombiniert.
In den meisten Online-Diskussionen bezieht sich der Begriff speziell auf die Hinzufügung neuer Sensoren zu einem bestehenden System - z. B. die Hinzufügung eines LiDAR zu einem INS. Es sollte jedoch bedacht werden, dass selbst ein einfaches INS immer noch Daten von zwei Sensoren zusammenführt. Es kombiniert die Daten der im INS eingebauten GNSS-Empfänger mit den Daten der Trägheitsmesseinheit (IMU) um eine einzige Ausgabe zu erzeugen.
Aus diesem Grund wird in der Literatur über Trägheitsnavigation oft von einer "Positionsschätzung" gesprochen, wenn es um die Positionsdaten geht, die das INS erzeugt hat. Technisch gesehen kann nie garantiert werden, dass die Daten zu 100 % genau sind - es handelt sich um eine Schätzung, die auf verschiedenen Faktoren beruht. In Wirklichkeit sind die Daten jedoch unglaublich genau - vor allem, wenn Sie mit einem OxTS GNSS/INS arbeiten, das das Ergebnis von mehr als 25 Jahren Erfahrung in der Zusammenführung von GNSS- und IMU-Daten für eine Vielzahl von Anwendungen ist.
Was ist der Vorteil der Sensorfusion?
Die Sensorfusion hat zwei wesentliche Vorteile. Der erste besteht darin, dass die endgültige Datenausgabe zuverlässiger wird. Jeder Sensortyp hat unterschiedliche Leistungsmerkmale und Schwachstellen. Durch die Kombination von Daten von mehr als einem Sensor können Sie sich darauf verlassen, dass die endgültige Ausgabe häufiger genau ist.
Nehmen wir ein normales INS. Die IMU im Inneren ist anfällig für Positionsdrift im Laufe der Zeit, das ist bei jeder IMU so. Aber GNSS ist nicht anfällig für Drift. Wenn Sie also die beiden Datenpunkte zusammenführen, können Sie GNSS-Positionsaktualisierungen verwenden, um die IMU-Drift zu kompensieren und Ihre endgültigen Daten zuverlässiger zu machen.
Die Beziehung funktioniert auch in umgekehrter Richtung. GNSS driftet zwar nicht so wie eine IMU, aber wenn Ihr INS das Satellitensignal verliert - wenn es z. B. durch einen Tunnel oder unter Bäumen hindurchgeht -, dann werden die Standortdaten, die Sie von ihm erhalten, sehr unzuverlässig. Die IMU hingegen ist von all dem nicht betroffen. Wenn also das GNSS-Signal abfällt, helfen die Daten der IMU, das fehlende Signal zu kompensieren, und die Datenausgabe wird zuverlässiger.
Der zweite Vorteil der Sensorfusion besteht darin, dass sie die Vielseitigkeit einer Lokalisierungslösung erhöht. Heutzutage arbeiten Ingenieure daran, alle Arten von Sensordaten zu fusionieren, um Lokalisierungslösungen zu schaffen, die in einer Vielzahl von Umgebungen zuverlässige Daten liefern. Sensoren wie LiDAR, kamerabasierte Odometrie und Raddrehzahlsensoren werden von verschiedenen Personen eingesetzt, um Navigationsprobleme zu lösen.
Daher können Lokalisierungslösungen, die Sensordaten zusammenführen, in einer größeren Vielfalt von Umgebungen funktionieren. Wenn Sie eine Lösung für Ihr Unternehmen entwickeln, eröffnet Ihnen diese Vielseitigkeit neue potenzielle Märkte. Wenn Sie eine Lösung für den Einsatz im Feld entwickeln, gibt Ihnen die zusätzliche Vielseitigkeit die Möglichkeit, an mehr Orten zu arbeiten.
Zusammenfassend lässt sich sagen, dass Sie mit einer Lokalisierungslösung, die mehr als einen Sensor umfasst, ein robusteres und zuverlässigeres Produkt erhalten, das mit oder ohne GNSS betrieben werden kann.
Wie funktioniert die Sensorfusion?
Im Kern beruht die meisten Sensorfusionen auf einem Kalman-Filter. Ein Kalman-Filter ist ein Algorithmus, der es einem System ermöglicht, eine Variable (z. B. die Position) auf der Grundlage einer Vielzahl anderer Datenpunkte (z. B. Daten von einer IMU, einem GNSS und einem Radgeschwindigkeitssensor) zu schätzen. Entscheidend ist, dass der Kalman-Filter Informationen über die Zuverlässigkeit der einzelnen Messungen erhält, so dass er Daten, die wahrscheinlich fehlerhaft sind, unberücksichtigt lassen kann.
Grob gesagt, funktioniert das so:
- Der Filter verwendet ein vorhandenes Modell des zu messenden Fahrzeugs, um dessen Position vorherzusagen.
- Ein Sensor sendet Daten über die Position des Fahrzeugs und die Zuverlässigkeit (oder Unsicherheit) der Messung an den Filter.
- Der Filter wertet diese Daten aus und entscheidet, ob er sie zur Aktualisierung seiner Vorhersage verwendet oder sie ignoriert.
Je mehr Sensoren also zuverlässige Daten an den Kalman-Filter senden, desto wahrscheinlicher ist es, dass die Vorhersage des Filters genau ist.
Bevor die Daten jedoch in den Kalman-Filter gelangen, müssen sie in einen gemeinsamen Bezugsrahmen übersetzt werden. Verschiedene Sensoren können dieselbe Bewegung auf unterschiedliche Weise melden, indem sie verschiedene Referenzrahmen verwenden. So könnte ein Radgeschwindigkeitssensor die Bewegung als "Vorwärtsgeschwindigkeit = 30 m/s" melden, während ein LiDAR die gleiche Bewegung als "Geschwindigkeit der x-Achse = 108 km/h" angibt. Um alle Daten zu vergleichen, muss die Sensorfusionsmaschine Folgendes tun:
- Umwandlung der Daten in einen gemeinsamen Bezugsrahmen
- Umwandlung in eine gemeinsame Maßeinheit
- Berücksichtigung der unterschiedlichen Positionen der Sensoren am Fahrzeug (auch als Hebelarm bezeichnet)
- Geben Sie jeder Messung eine Kovarianz (die Unsicherheit der Messung)
In einem OxTS System wird dies alles über unsere GAD-Schnittstelle gesteuert, über die Sie jeden dieser Parameter definieren können. Schauen wir uns nun an, wie die Sensorfusion in verschiedenen Branchen eingesetzt wird.
Sensorfusion in der Automobilprüfung
Bei Fahrzeugtests wird die Sensorfusion hauptsächlich in zwei Umgebungen eingesetzt: auf offener Straße und in Innenräumen. Auf offener Straße bedeutet eine Kombination aus großen Entfernungen und unterschiedlichen Umgebungen wie Städten, dass die herkömmliche GNSS-Navigation nicht immer die Genauigkeit bietet, die für die Einhaltung von Standards wie NCAP erforderlich ist. Die Sensorfusion verbessert die Navigationsleistung in Problembereichen, um sicherzustellen, dass die Testdaten immer noch genau genug sind, um nützlich zu sein.
Tests in Innenräumen müssen natürlich ohne jegliches GNSS-Signal stattfinden. In solchen Umgebungen müssen die IMU-Daten durch andere Sensordaten unterstützt werden, da sonst die Drift die endgültige Ausgabe fast unbrauchbar macht. Sensorfusionstechniken versorgen das INS mit anderen Informationsquellen, die es zur Schätzung seiner Position nutzen kann.
Häufig verwendete Sensoren:
- Raddrehzahlsensoren
- UWB-Ortungssysteme wie z. B. Poxyx 2GAD
- LiDAR
Sensorfusion in der autonomen Navigation
Autonome Navigation gibt es in vielen Formen, von Lagerrobotern in Gebäuden bis hin zu Obstpflückrobotern. Die gemeinsame Herausforderung in all diesen Umgebungen ist die Navigation bei schlechtem oder nicht vorhandenem GNSS-Signal. Die Antwort darauf ist die Sensorfusion, bei der Daten von Wahrnehmungssensoren des Roboters genutzt werden, um die Robustheit der Lokalisierungslösung zu verbessern.
Häufig verwendete Sensoren:
- LiDAR
- Kamera-Odometrie
- Radar
Sensor-Fusion bei der Georeferenzierung
Unter Georeferenzierung versteht man die Kombination von Positions-, Navigations- und Zeitinformationen mit den Daten eines anderen Vermessungssensors (LiDAR, Radar usw.), um jeden Punkt der Vermessung mit genauen Lokalisierungsinformationen zu versehen. Ohne Georeferenzierung könnten Sie die Vermessungsdaten nicht verwenden, um irgendetwas zuverlässig zu messen oder die Position von etwas in der Vermessung auf der Erde genau anzugeben.
Viele Erhebungen stützen sich auf GNSS, um genaue Positions- und Zeitdaten zu liefern, doch werden die Erhebungen nicht immer in Gebieten mit guter GNSS-Sichtbarkeit durchgeführt. Um Positionsabweichungen zu vermeiden und die Genauigkeit zu erhalten, sind daher andere Quellen für Lokalisierungsinformationen erforderlich.
Genau wie bei der Prüfung von Fahrzeugen können auch andere Sensoren zur Stabilisierung und Verbesserung der Positionsgenauigkeit eingesetzt werden, wenn das GNSS-Signal durch Gebäude, Tunnel oder Bäume gestört wird. So hat OxTS vor kurzem eine Methode zur Verwendung von LiDAR-Daten entwickelt, um die Positionsgenauigkeit in Häuserschluchten zu verbessern.
Auf OxTS arbeiten wir schon seit einiger Zeit mit LiDAR-Daten. OxTS Georeferencer ist ein Software-Tool, das Vermessungsingenieuren hilft, LiDAR-Daten zu georeferenzieren. Auf der Grundlage dieses Fachwissens haben wir inzwischen Folgendes entwickelt OxTS LiDAR Trägheits-Odometrieoder LIO entwickelt. OxTS LIO verwendet Entfernungsinformationen von einem LiDAR-Sensor mit 360°-Sichtfeld, um die relative Geschwindigkeit eines Vermessungsfahrzeugs zu berechnen. Diese Daten werden dann verwendet, um die Positionsdrift in Straßenschluchten einzuschränken, so dass der Benutzer bei schwierigen GNSS-Bedingungen über längere Zeiträume genauere Daten erhält.
Häufig verwendete Sensoren:
- LiDAR (mit OxTS LIO)
- Raddrehzahlsensoren
- Radar
Sensorfusion für alle
In der Vergangenheit war die Sensorfusion für Ingenieure sehr kompliziert zu entwickeln und zu verwalten. Wir von OxTS sind jedoch der Meinung, dass die Sensorfusion so einfach wie möglich sein muss, um ihre Vorteile zu maximieren.
Aus diesem Grund haben wir unsere GAD-Schnittstelleund unsere verschiedenen sofort einsatzbereiten Sensorfusionslösungen, darunter Pozyx 2GAD und OxTS LIO. Jede dieser Lösungen kümmert sich entweder vollständig um das Element der Sensorfusion in Ihrem Projekt oder bietet Ihnen eine Umgebung, in der Sie Ihre Sensoren relativ einfach fusionieren können.
In den folgenden Blogs erfahren Sie mehr über einige unserer Aktivitäten - oder Sie sprechen mit unserem Team über Ihr Projekt und Ihre Fragen. Kontaktieren Sie uns einfach über das untenstehende Formular und wir melden uns bei Ihnen!