• search hit 2977 of 3079
Back to Result List

Untersuchung zur Sensordatenfusion durch einen Partikelfilter

  • Für das Tracking von Objekten gilt der Kalmanfilter nur so lange als optimaler Algorithmus, wie seine restriktiven Annahmen erfüllt sind. Da in der Luftverteidigungsbranche hochagile Ziele getrackt werden, löst der Kalmanfilter das Trackingproblem nicht mehr ideal und die Suche nach alternativen Algorithmen rückt immer mehr in den Fokus. Eine dieser Alternativen ist der Partikelfilter. Die vorliegende Arbeit stellt eine erste Untersuchung zur Verwendung eines Partikelfilters bei der MBDA Deutschland GmbH dar. Dabei liegt der Fokus auf der Fusion von Sensordaten. Das Ziel der Arbeit ist es, einen Partikelfilter zur Positionsbestimmung von mehreren Objekten in dem Phasenraum eines mathematischen Pendels durch mehrere Sensoren zu implementieren und die Ergebnisse der Datenfusion zu untersuchen. Aus den theoretischen Grundlagen des Kalman- und des Partikelfilters ergeben sich die drei wichtigsten Bestandteile eines Partikelfilters: Das Bewegungsmodell für die Positionsschätzung der Partikel, das Messmodell für die Bewertung der SchätzungFür das Tracking von Objekten gilt der Kalmanfilter nur so lange als optimaler Algorithmus, wie seine restriktiven Annahmen erfüllt sind. Da in der Luftverteidigungsbranche hochagile Ziele getrackt werden, löst der Kalmanfilter das Trackingproblem nicht mehr ideal und die Suche nach alternativen Algorithmen rückt immer mehr in den Fokus. Eine dieser Alternativen ist der Partikelfilter. Die vorliegende Arbeit stellt eine erste Untersuchung zur Verwendung eines Partikelfilters bei der MBDA Deutschland GmbH dar. Dabei liegt der Fokus auf der Fusion von Sensordaten. Das Ziel der Arbeit ist es, einen Partikelfilter zur Positionsbestimmung von mehreren Objekten in dem Phasenraum eines mathematischen Pendels durch mehrere Sensoren zu implementieren und die Ergebnisse der Datenfusion zu untersuchen. Aus den theoretischen Grundlagen des Kalman- und des Partikelfilters ergeben sich die drei wichtigsten Bestandteile eines Partikelfilters: Das Bewegungsmodell für die Positionsschätzung der Partikel, das Messmodell für die Bewertung der Schätzung aufgrund der Messung und das Resampling für das Ersetzen schlecht bewerteter Partikel durch gut bewertete. Anschließend werden drei Leitfragen für die Arbeit formuliert, aus welchen sich die Anforderungen für die darauffolgende Implementierung ableiten. Für die Realisierung des Partikelfilters werden zunächst Aufbau und Ablauf des Partikelfilters festgelegt. Im Anschluss daran wird das Bewegungsmodell definiert, welches das Runge-Kutta-Verfahren zur Lösung der Differentialgleichung eines Pendels verwendet. Das Messmodell wird daraufhin so umgesetzt, dass alle Partikel, die sich in der Nähe der Sensormessung befinden, ein Resampling erhalten. Dieses schiebt die Partikel in die Richtung der Messung. Partikel, die lange kein Resampling erhalten haben, werden gelöscht. Die Trackbildung wird im nächsten Schritt mithilfe einer Self Organizing Map realisiert. Zuletzt sorgt die Visualisierung für ein übersichtliches Testen der Ergebnisse. Die Implementierung zeigt, dass durch den Partikelfilter Daten von mehreren Sensoren fusioniert werden können, um Tracks von verschiedenen Objekten zu berechnen. Da diese Tracks in jedem Zeitschritt berechnet werden, können auch „Split Track-“ und „Merge Track Events“ festgestellt werden. Durch die anschließenden Tests kann gezeigt werden, dass die Anzahl der Tracks in 86.3 % der Fälle korrekt bestimmt wird. Außerdem ist die Abweichung der berechneten zur tatsächlichen Position der Objekte in knapp 90 % der Fälle niedriger als 0.15 Meter. Eine Verbesserung der Trackbildung ist durch eine Anpassung der Neuronen der Self Organizing Map möglich. Die Untersuchung der Zusammenhänge zwischen der Sensorgenauigkeit und der Qualität der Ergebnisse zeigt, dass die Ergebnisse besser sind, je höher die Sensorgenauigkeit ist und je länger das Tracking andauert. Eine hohe Sensorgenauigkeit führt allerdings zu einer deutlich längeren Laufzeit. Dies kann durch eine Anpassung der Neuronen der Self Organizing Map verbessert werden. Die maximale Abweichung der berechneten von der tatsächlichen Position liegt bei einer mittleren Sensorgenauigkeit im Schnitt bei 0.19 Metern. Durch die Arbeit wird gezeigt, dass der Partikelfilter eine gute Alternative für den Kalmanfilter darstellen kann, wenn er auf geeignete Weise zur Anwendung gebracht wird. Die Sensordatenfusion ist erfolgreich gelungen. Auch die Ergebnisse der Trackbildung sind zufriedenstellend und können durch eine Anpassung der Parameter der Self Organizing Map weiter verbessert werden.show moreshow less

Download full text files

Export metadata

Additional Services

Search Google Scholar
Metadaten
Author:Patrizia Weidinger
Language:German
Document Type:Bachelor Thesis
Reviewer(s) at THI:Jörg Hunsinger, Katherine Roegner
Publishing Institution:Technische Hochschule Ingolstadt
Date of first Publication:2021/01/25
Year of first Publication:2021
Place of publication:Ingolstadt
Pages:49, XXXIV
URN:urn:nbn:de:bvb:573-8692
Faculties / Institutes / Organizations:Fakultät Informatik
Degree Programmes:Informatik (B. Sc.)
Licence (German):License Logo Urheberrechtsschutz
Release Date:2021/03/22