1 / 30

Kalman Filter zur Rekonstruktion von Messsignalen Denis Schetler 15. Dezember 2006

Kalman Filter zur Rekonstruktion von Messsignalen Denis Schetler 15. Dezember 2006. Agenda. 360° Laserscanner. Kalman Filter Motivation Anwendungsbereiche Funktionale Übersicht Beispiel: Wurfparabel Objektverfolgung Zusammenfassung Ausblick Masterarbeit Externe Motivation.

studs
Download Presentation

Kalman Filter zur Rekonstruktion von Messsignalen Denis Schetler 15. Dezember 2006

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Kalman Filter zur Rekonstruktionvon MesssignalenDenis Schetler15. Dezember 2006

  2. Agenda 360°Laserscanner • Kalman Filter • Motivation • Anwendungsbereiche • Funktionale Übersicht • Beispiel: Wurfparabel • Objektverfolgung • Zusammenfassung • Ausblick Masterarbeit • Externe Motivation

  3. FAUST Projekt Ein Sensortyp reicht für robuste Objektverfolgung nicht aus! Sensordatenfusion Laserscanner + horizontaler Schnitt der Fahrbahn + Genauigkeit der Abstandsbestimmung - Straßenmarkierung und Schilder • Kamera • + Enthält alle Informationen • - Begrenzter Öffnungswinkel • - Aufwendige Verarbeitung • - Wetter und Licht • - Genauigkeit der Abstands- • bestimmung

  4. FAUST Projekt

  5. 1. Kalman Filter: optimale Schätzwerte für die Systemszustandsgröße x

  6. 2. Motivation • Überholvorgang:Objektverfolgung basierend auf Laserscanner, Radar oder Bildverarbeitung • Berichte zu Forschungsprojekten vom „3rd International Workshop on Intelligent Transportation“ in Hamburg März 2006z.B.: Intersection Safety • Masterarbeit Bremsassistent und AusweichassistentStandard: Moving Average Filter durch Kalman Filter ersetzen.

  7. 3. Anwendungsbereiche • Messsignalverarbeitung • System- und Messrauschen unterdrücken • Schätzen des „wahren“ Systemzustands • Bildverarbeitung • Objektverfolgung, anhand von Kanten im Bild • Positionsbestimmung, anhand von Landmarken • Fahrer-Assistenz-Systeme • Bilddatencodierung • Höherer Datenkompressionsfaktor bei MPEG4 durch Segmentierung der bewegten Objekte und deren präzisen Bewegungsschätzung

  8. 4. Funktionale Übersicht:

  9. 4. Zustandsbeobachter nach Luenberger u(t) : Soll v x(t) : Zustandsvektor y(t) : Abstandswerte, Drehgebermesswerte A : Systemmatrix B : Eingangsmatrix H : Ausgangsmatrix L : Rückführmatrix r : Rückführvektor

  10. 4. Diskrete System- und Messgleichung

  11. 4. Regelschleife des Kalman Filters

  12. 4. Rekursive Arbeitsweise

  13. 5. Simulationsbeispiel: Ideale Wurfparabel

  14. vx : vy : x : 5.1 Diskrete Systemzustandsgleichung

  15. 5.1 Diskrete Systemzustandsgleichung y : Trapezintegration: Integration aus vy:

  16. Die stochastische Systemzustandsgleichung: Die Messgleichung: 5.2 Gleichungssystem für die Wurfparabel

  17. Startschätzung des Systemzustands Startschätzung der Fehlerkovarianzmatrix Varianz des Messfehlers Systemrauschen (Luftwirbel) 5.3 Die Simulationsparameter (allgemein)

  18. Abtastintervall Messung bei k = 0 Erdbeschleunigung 5.3 Die Simulationsparameter (speziell Beispielrechnung)

  19. 5.4 Beispielrechnung für Schritt 0

  20. 5.4 Beispielrechnung für Schritt 0

  21. Abtastintervall Messung x_mes = x_ideal y_mes = y_ideal + random random entspricht Zufallswert von -0,1 bis +0,1 sollte y_mes negativ sein, dann y_mes = 0 Erdbeschleunigung 5.3 Matlab-Simulationsparameter

  22. 5.5 Matlab-Simulationsergebnis blau: Ideale Wurfparabel grün: Messpunkte rot: Wurfparabel rekonstruiert durch Kalman Filter

  23. Störsimulation: Kurzzeitige Verdeckung der Objektbahn 6 Objektverfolgung blau: Ideale Wurfparabel grün: Messpunkte rot: Wurfparabel rekonstruiert durch Kalman Filter

  24. 6 Objektverfolgung Lösung: Suchfenster außerhalb des Suchfenster: Rk = 1 blau: Ideale Wurfparabel grün: Messpunkte rot: Wurfparabel rekonstruiert durch Kalman Filter

  25. Übersichtzum diskreten Kalman-Filter • Simulationsbeispiel • + rekursives Filter, gut für Echtzeitanwendungen • o Systemzustände müssen durch die Messung beobachtbar sein • - Achten auf nötige numerische Genauigkeit des Systems 7. Zusammenfassung

  26. Sensordatenfusion von Laserscanner und Kamera • Objektverfolgungbasierend auf das Kalman Filter für Fahrerassistenzsysteme • Dynamisches Modell für das Fahrzeug • Moving Average Filter im Faust durch Kalman Filter ersetzen. 8. Ausblick Masterarbeit

  27. 9. Externe Motivation: Siemens VDO Automotive

  28. 9. Externe Motivation: Ibeo

  29. [1] Föllinger, O.: Regelungstechnik, 8., überarbeitete Auflage, 1994, Hüthig [2] Nischwitz, A., Haberäcker, P.: Masterkurs Computergrafik und Bildverarbeitung, 1. Auflage, 2004, Friedr. Vieweg Sohn Verlag/GWV Fachverlage GmbH, Wiesbaden [3] Kirchner, A.: Dissertation, Sensordatenverarbeitung eines Laserscanners für autonome Fahrfunktionen von Kraftfahrzeugen, 2000, Universität der Bundeswehr Hamburg [4] Stüker, D.: Dissertation, Heterogene Sensordatenfusion zur robusten Objektverfolgung im automobilen Straßenverkehr, 2003, Carl von Ossietzky-Universität Oldenburg [5] Cordes, S.: Masterarbeit, Automatischer Bremsassistent auf Basis einer Laserscanner-Abstandserfassung für ein fahrerloses Transportsystem, 2006, HAW-Hamburg [6] www.siemensvdo.de [7] www.ibeo-as.com Literatur

  30. Vielen Dank für die Aufmerksamkeit

More Related