Fahrzustandsanalyse mit Hilfe von Sensorfusion

Inhaltsverzeichnis

1. Motivation der Arbeit

2. Hardware und Signalvorverarbeitung

2.1. Versuchsfahrzeug

2.2. Inertial-Measurement-Unit

2.3. Weitere Sensorik

2.4. Global-Positioning-System

2.5. Controller-Area-Network (CAN) und Autobox

2.6. Signalvorverarbeitung

2.7. Referenzierung mittels Correvit

3. Grundlagen des Kalman-Filters

3.1. Nichtlinearer Kalman-Filter

3.2. Adaptiver Kalman-Filter

4. Zustandsvektor und integriertes Prozessrauschen

4.1. Zustandsvektor

4.2. Kovarianzmatrix des integrierten Prozessrauschens

4.2.1. Sensorrauschen

4.2.2. Diskretisierungsfehler

4.3. Rechengenauigkeit und Rundungsfehler

5. Messvektoren und ihre Kovarianzmatrizen

5.1. Linearisierung des Messvektors nach Rauschgrößen

5.2. Bestimmung der Kovarianzmatrizen zu den Messvektoren

5.3. Adaptive Erweiterung

5.3.1. Allgemeine Indikatoren für unbrauchbare Meßwerte

5.3.2. Radabhängige Indikatoren für unbrauchbare Meßwerte

6. Fuzzy-Logic

6.1. Grundidee der Fuzzy-Logic

6.2. Ausführung

6.2.1. Fuzzyfizierung

6.2.2. Regeln

6.2.3. Defuzzyfizierung

7. Stabilitätsbetrachtung

7.1. Stabilitätsbetrachtung adaptiver Kalman-Filter

7.2. Stabilitätsbetrachtung nicht-adaptiver Kalman-Filter

7.3. Maßnahmen zur Stabilisierung des adaptiven Kalman-Filters

8. Anwendung des Kalman-Filters auf Versuchsfahrten

8.1. Geradeausfahrt

8.2. Kreisfahrt

8.3. Kavalierstart/ Vollbremsung

8.4. Lenksprung

8.5. Schleudern

8.6. Parkhausauffahrt

9. Zusammenfassung

A. Transformationen

B. Kalman-Filter Parameter

C. Programmablauf

Zielsetzung & Themen

Die Arbeit befasst sich mit der Implementierung eines adaptiven Kalman-Filters, um eine dreidimensionale Fahrzustandsanalyse unter Verwendung kostengünstiger Seriensensorik zu ermöglichen. Dabei liegt der Fokus darauf, durch statistische und physikalische Erkenntnisse ein optimales Schätzergebnis für die Fahrzeugdynamik zu erzielen, selbst wenn die eingesetzten Sensoren nur eingeschränkt leistungsfähig sind.

• Entwicklung eines adaptiven Kalman-Filters zur Fahrdynamikschätzung
• Kopplung von inertialer Sensorik (IMU) und GPS zur Ortsbestimmung
• Einsatz von Fuzzy-Logic zur Adaption der Filterparameter bei kritischen Fahrzuständen
• Signalvorverarbeitung und mathematische Modellierung von Prozessrauschen
• Verifizierung der Algorithmen mittels realer Testfahrten in verschiedenen Szenarien

Auszug aus dem Buch

Zusammenfassung der Kapitel

1. Motivation der Arbeit: Einführung in die Bedeutung aktiver Sicherheitssysteme in der Automobilindustrie und Zielsetzung der Arbeit.

2. Hardware und Signalvorverarbeitung: Beschreibung des Versuchsträgers sowie der verwendeten Sensorik, Bussysteme und digitalen Filterverfahren.

3. Grundlagen des Kalman-Filters: Theoretische Herleitung des nichtlinearen und adaptiven Kalman-Filters für diskrete Zeitpunkte.

4. Zustandsvektor und integriertes Prozessrauschen: Definition der Fahrzeugzustandsgrößen und Modellierung der Kovarianzmatrizen unter Berücksichtigung von Sensor- und Diskretisierungsfehlern.

5. Messvektoren und ihre Kovarianzmatrizen: Herleitung der Messmodelle für Winkel- und Geschwindigkeitsgrößen sowie Einführung der adaptiven Erweiterung durch Fuzzy-Logic.

6. Fuzzy-Logic: Erläuterung des gewählten Fuzzy-Sets-Ansatzes zur Bewertung der Messdatenqualität während verschiedener Fahrsituationen.

7. Stabilitätsbetrachtung: Analyse des Verhaltens des Kalman-Filters bei konstanten und adaptiven Parameteränderungen anhand von stationären Fahrzuständen.

8. Anwendung des Kalman-Filters auf Versuchsfahrten: Validierung des entwickelten Algorithmus anhand von realen Testmanövern wie Geradeausfahrt, Kreisfahrt und Schleuderfahrten.

9. Zusammenfassung: Bewertung des Gesamtsystems und Ausblick auf notwendige Verbesserungen der Situationserkennung.

Schlüsselwörter

Kalman-Filter, Sensorfusion, Fahrzustandsanalyse, Fahrdynamik, Fuzzy-Logic, Inertialsensorik, GPS, Signalverarbeitung, Kovarianzmatrix, Systemidentifikation, Automobiltechnik, Regelungssysteme, Messdatenqualität, Echtzeit-Simulation, Fahrzeugmodellierung

Häufig gestellte Fragen

Was ist das Hauptziel dieser Arbeit?

Das primäre Ziel ist die Implementierung eines adaptiven Kalman-Filters zur dreidimensionalen Analyse des Fahrzustands, um auch mit kostengünstiger Seriensensorik präzise Schätzungen der Fahrzeugdynamik zu ermöglichen.

Welche zentralen Themenfelder behandelt das Dokument?

Die Arbeit kombiniert Sensorik, digitale Signalverarbeitung, mathematische Filtertheorie (Kalman-Filter), Fuzzy-Logik sowie Fahrdynamikmodelle zur Schätzung von Bewegungszuständen.

Welche wissenschaftliche Methode wird zur Zustandsschätzung genutzt?

Es wird ein rekursiver, nichtlinearer, adaptiver Kalman-Filter eingesetzt, der physikalische Fahrzeugmodelle mit statistischen Informationen über Sensorrauschen und Messfehler kombiniert.

Warum ist eine adaptive Erweiterung mittels Fuzzy-Logic notwendig?

Die adaptive Erweiterung dient dazu, die Kovarianzmatrizen in Abhängigkeit der Fahrsituation dynamisch anzupassen, da klassische statische Annahmen bei extremen Fahrmanövern wie Schleudern nicht ausreichen.

Was wird im Hauptteil der Arbeit primär behandelt?

Der Hauptteil gliedert sich in die mathematische Definition des Zustandsvektors, die Modellierung von Fehlerquellen (Sensor- und Diskretisierungsfehler) sowie die praktische Implementierung und Validierung des Filters anhand verschiedener Versuchsfahrten.

Welche Hardware-Komponenten werden im Versuch verwendet?

Als Versuchsfahrzeug dient ein BMW 328i, ausgestattet mit einer Inertial-Measurement-Unit (IMU), GPS-Empfänger, CAN-Bus-Anbindung, dSpace-Autobox sowie Sensoren für Raddrehzahlen, Lenkwinkel und Federwege.

Wie geht die Arbeit mit GPS-Fehlern um?

Das GPS liefert Daten zur Ortsbestimmung, deren Fehlerabschätzungen laut Autor jedoch oft ungenau sind. Die Arbeit diskutiert die Notwendigkeit plausibilitätsbasierter Prüfungen für diese Daten, die jedoch im vorliegenden System noch limitiert sind.

Welche Erkenntnisse ergeben sich aus der Stabilitätsbetrachtung?

Es zeigt sich, dass ein nicht-adaptiver Filter unter bestimmten Bedingungen, wie etwa bei einer Kreisfahrt, instabil werden kann. Eine adaptive Anpassung durch Tuning mittels Fuzzy-Logic kann das System jedoch stabilisieren.