Robotergestützte Parameterschätzung für inertiale Messsysteme

Inertiale Messsysteme werden in einer Vielzahl von Anwendungen verwendet. Besonders für den Einsatz im Bereich der Navigation ist es erforderlich, die Systeme exakt zu kalibrieren, da ansonsten die mehrfache Integration von Beschleunigungen und Drehraten schnell von den wahren Positionen und Drehraten divergiert. Daher werden in vielen Anwendungen zusätzliche Messungen wie beispielsweise Positionen, die über das Global Positioning System erhalten werden können, zur Stützung der Navigationsrechnung verwendet.

Häufig wird in Navigationssystemen das erweiterte Kalmanfilter eingesetzt um die Zustände Position, Geschwindigkeit und Orientierung des Systems zu schätzen. Zudem wird es oft verwendet um langsam veränderliche Nullpunktfehler der Sensoren zu bestimmen. Somit wird ein Teil der Kalibrierung des Messsystems bereits mit Hilfe dieser Filter vorgenommen.

In dieser Arbeit wird nun eine neue, genauere Variante des Kalmanfilters, ein sogenanntes Sigmapunkt-Kalmanfilter, verwendet um ein Inertialmesssystem zu kalibrieren. Dazu bewegt ein Industrieroboter das Messsystem entlang von Referenztrajektorien. Die aus der Robotersteuerung bekannten Posen dienen dem Navigationssystem als Stützinformationen, mit deren Hilfe die Zustände und Parameter des Systems gleichzeitig geschätzt werden können. Zwei verschiedene Ansätze werden entwickelt: ein Standardfilter, das zur Online-Kalibrierung eingesetzt werden kann, und ein schnelleres aber nicht onlinefähiges iteratives Verfahren.

Zudem wird ein Filter vorgestellt, das die Schätzung für Systeme mit nicht perfekt synchronisierten Ein- und Ausgangsdaten ermöglicht. Eine Kalmanfiltervariante sowie eine Sigmapunktvariante werden mit zwei Approximationen verglichen. Diese Filter schätzen zusätzlich zu den Systemzuständen auch die Latenzzeit zwischen den Ein- und Ausgangsdaten des Systems und synchronisieren somit das System algorithmisch. Es wird gezeigt, dass bei Verwendung dieser Synchronisationsfilter die Genauigkeiten von Zustands- und Latenzzeitschätzung erheblich verbessert werden können.