Autonome Fahrzeuge Pose Estimation

Redakteur: Andreas Leu

Wenn ein autonomes Fahrzeug in einer Halle oder im Gelände ein bestimmtes Ziel anfahren soll, so ist eine Grund- voraussetzung für den Erfolg die stete und genaue Kenntnis der eigenen Lage, also der Position und der Orientierung. Aber die Bestimmung dieser sogenann- ten Pose ist gar nicht so einfach.

Firmen zum Thema

Xxxxxxx xxxxxx xx Xxxxxx xxxxx xx Xxxxxxx xxxx xxxxxx.
Xxxxxxx xxxxxx xx Xxxxxx xxxxx xx Xxxxxxx xxxx xxxxxx.
(Bild: Stettbacher)

Bei der Frage nach der Positionsbestimmung denken wir natürlich sofort an GPS, das satellitenbasierte System für die globale Bestimmung der Position. Aber dieses System hat seine Tücken. Erstens funktioniert es nur unter freiem Himmel, wenn sich genügend Satelliten im Sichtfeld befinden, und zweitens ist die Genauigkeit bestenfalls auf 10 Meter genau. In vielen Fällen reicht das nicht. Als Erweiterung kommt RTK in Frage, ein differenzielles Verfahren, das eine Genauigkeit von wenigen Zentimetern zulässt. Dafür ist aber eine zusätzliche (drahtlose) Verbindung zu einer Basisstation notwendig. Zudem ist RTK recht empfindlich. Oft genügt schon das Blätterdach eines Baums oder ein hohes Gebäude in der Nähe, damit die RTK-Verbindung ausfällt.

Für die meisten Anwendungen ist es daher unerlässlich, nebst oder statt GPS/RTK andere Sensoren zu nutzen. In Frage kommen etwa Sensoren, welche die Beschleunigung und Drehzahl der Räder am Fahrzeug messen (Odometrie), Sensoren für die Ermittlung von Winkeländerungen des Fahrzeugs (Gyroskop), von Beschleunigungen (Accelerometer) oder Neigungen (Inklinometer), elektronische Kompasse usw. (Auf die Naviga­tion mit UWB, Laserscannern wie z. B. SLAM, Kameras usw. wollen wir an dieser Stelle nicht weiter eingehen.) Während einer Bewegung müssen die Messwerte dieser Sensoren integriert werden, um auf die jeweils aktuelle Position und Ausrichtung des Fahrzeugs zu schliessen. Kleine Messfehler oder Drift­effekte akkumulieren sich folglich, sodass die derart ermittelte Position mit der Zeit immer falscher wird. Zudem driften verschiedene Sensoren in unterschiedliche Richtungen, sodass nach einer Weile jeder Sensor zu einem anderen Resultat resp. zu einer anderen Position kommt.

Optimale Schätzung der Sensordaten

Dieses Dilemma wird mit einem statisti-
schen Verfahren gelöst. Dazu verwendet man nicht nur einen einzelnen Sensor, sondern so viele wie möglich und zweckmässig. Von jedem dieser Sensoren weiss man (oder kann man ermitteln), wie genau er misst und wie stark er driftet und rauscht. Darum wird für jeden Sensor ein statistisches Fehler­modell ent­wickelt. In der Folge wird nach jedem Messinter­vall untersucht, was die Sensoren melden und welche geschätzte Posi­tion aufgrund der Vorgeschichte und der Fehlermodelle am wahrscheinlichsten ist. Das heisst, es wird eine sogenannte optimale Schätzung gemacht. Im Zusammenhang mit autonomen Fahrzeugen nennt man es die Pose Estimation. Die Methode geht
zurück auf Rudolf Kalman, der es in den 1960er-Jahren erstmals erfolgreich im Apollo-Programm der USA einsetzte. Von 1973 bis zu seiner Pensionierung 1997 wirkte er an der ETH Zürich im Bereich Systemtheorie.

Kalman-Filter sind zwar mathematisch anspruchs­voll. Trotzdem sind sie heute weit verbreitet und liefern bei vielen Fragestellungen bekanntermassen die besten Resultate. Stettbacher Signal Processing (SSP) setzt sie erfolgreich in seinen autonomen Fahrzeugen ein und ist damit in der Lage, im Zentimeterbereich exakt zu navigieren, sowohl indoor wie outdoor. In ähnlicher Weise verwendet SSP Kalman-Filter beispielsweise für die Auswertung von verrauschten Sensorsignalen in hochdynamischen Prozessen. Auf diese Weise liegen verwertbare Messwerte deutlich schneller und präziser vor.

(ID:47617772)