ZIV – Zentrum für Integrierte Verkehrsysteme an der Technischen Universität Darmstadt Zuverlässige Navigation durch den Einsatz von Multi-Sensor-Systemen

ZIV – Zentrum für Integrierte Verkehrsysteme an der Technischen Universität Darmstadt

Zuverlässige Navigation durch den Einsatz von Multi-Sensor-Systemen

Dr.-Ing. Jörg Pfister M.Sc.

ZIV - Zentrum für integrierte Verkehrssysteme an der Technischen Universität Darmstadt


Gliederung

Anwendungen aus dem ÖV Telematik-Systeme Anforderungen Navigations-Sensoren

Positionsgebende Sensoren Sensoren zur Bestimmung des zurück gelegten Weges Sensoren zur Richtungsbestimmung

Sensor-Pool Sensor-Fusion Robuste Navigation Entwicklungsumgebung Zusammenfassung & Ausblick


Anwendungen im ÖV

Automatisches Ticketing Check-In / Check-Out (CICO) oder Walk-In / Walk-Out (WIWO) Automatische Tarifwahl Abrechnung nach Entfernung

ÖV Beschleunigung an Signalanlagen Automatische Voranmeldung ohne Detektoren Anpassung der Signalphasen an Geschwindigkeitsprofil

Flexible Bedienweisen im Ländlichen Nahverkehr Bedarfsgerechter Transport im Richtungsbandbetrieb Flexible Fahrplangestaltung

Sicherheitsleittechnik für Bahnsysteme European Rail Traffic Management System (ERTMS) European Train Control System (ETCS)


Ma

na

gem

en

t

Ko

mm

un

ika

tion

Be

die

nun

g

Info

rma

tion

Na

vig

atio

nL

oka

lisat

ion

Bausteine für Telematik-Systeme


Anforderungen an Navigation

Die Anforderungen sollten sich aus den Bedürfnissen der Anwendung heraus ergeben

Die etablierte Terminologie wurde weitgehend aus der Luftfahrt übernommen und ist für Anwendungen der Landnavigation neu zu definieren. (Accuracy, Availability, Continuity, Integrity, Coverage, Reliability, etc.)

Geeignete Anforderungen für die Landnavigation sind zu formulieren.

Adäquate Methoden zur Bewertung der aufgestellten Anforderungen sind zu standardisieren.

Vergleichbarkeit von Navigationssystemen zur optimalen Auswahl .


Navigations-Sensoren


Satellitennavigation mit GPS

Positionsfehler [m/s]

Vergleich der Positionsfehler

Häu

figke

it [%

]NovAtel „RT20“

Trimble „SK8“


GPS Phänomene

Hi-End GPS (Novatel)

Low-Cost GPS(Sirf)

Testfahrt: Flughafen Amsterdam Schiphol


GPS PhänomeneTestfahrt: Innenstadt Delft, NL


GPS Fehlerbeispiel

80 100 120 140 160 180

550

600

650

700

750

800

Breite ueber Laenge, Fahrt Ampel3

Status:

GDOP: 2,348SAT‘s: 8B_dev: 0,17mL_dev: 0,14mH_dev: 0,38m


Koppel-Navigation

sin

cos

0

0

SLL

SBB

Norden

S

North

Sensor zur Ermittlung des zurückgelegten Weges Sensor zur Ermittlung der Fahrtrichtung 100% Verfügbarkeit Hohe Zuverlässigkeit der Messwerte Fehlerverhalten: langsam wachsende Drift


Sensoren zur Bestimmung des zurückgelegten Weges

Odometer

B-Messer Geschwindigkeitsfehler [m/s]

Vergleich der Geschwindigkeitsfehler

Häu

figke

it [%

]


Sensoren zur Richtungsbestimmung

LWS

SSK

FXG

RLK Headingfehler [°]

Vergleich der Headingfehler

Häu

figke

it [%

]


Sensor-Klassen

Beliebige Sensor-Kombinationen sind realisierbar. Leistung / Kosten wird durch Sensor Auswahl festgelegt.

Position Höhe Richtung zurückgelegter Weg

GPS GPS GPS (VNorth,VEast) B-Messer

LORAN-C Barometer Fluxgate Odometer

Map-Matching Map-Matching Map-Matching Optischer Corr.

Cell-Phone-EOTD IBNS Lenk-Winkel-Sensor Doppler Radar

Galileo Schwing-Struktur-Kreisel

IBNS Ring-Laser-Kreisel

Differential Odometrie

MEMS-Kreisel

IBNS


Berücksichtigt nur SDA-Fehler

Fehler-Abhängigkeitenvom Zustand könnennicht modelliert werden

Stochastische Fehler auf IMU-Datenwerden nichtberücksichtigt

Ausfall von IMU = Ausfall des Gesamt-Systems !

Irreversible Informations-Reduktion

SDASDAey StützStütz

ey

SDAStütz eee

u y

x

x̂

SDAx

-

IMU Sens.

PhysikalischesBewegungs-

Modell

SDA

Filter

Vermischung von Sensorik & Modell

Standard-FilterBeobachter-StrukturMathematischer Monitor

IMU

System-ModellFehler-Modell

Sensor-Modell

-

KFilter

Sens.


Modell

u y

x̂

Stochastische Fehlerauf den IMU-Daten werden nicht alsSensor-Rauschenmodelliert

Ausfall von IMU = Ausfall des Gesamt-Systems !

e

m

m̂

IMU

System-ModellFehler-Modell

Sensor-Modell

-

KFilter

Sens.


Modell

y

x̂

e

m

m̂

Alle Sensoren werden gleichwertig behandelt

Verwendung eines sensorunabhängigen System-Modells

Durch die analytische Redundanz können alle Sensoren über-prüft werden

Optimale Sensorfusion durch Nutzung aller Sensor-Informationen


Robuste Navigation

Kapselung des Filters durch 4 Schalen der Fehlerisolation

Adaption an beliebiges Sensor-Assembly

Echtzeit-Konfiguration der Sensor-Modelle

Rückweisung suspekter Signale

Ausschluß fehler-hafter Sensoren

Sensor-SelectionNavigation-Algorithm

RLK+RLK

SSK

SK8

FXG

LWS

BMS

RT20

ODO

Built-In-Test

Analytischer-Check

Sensor-Cross-CheckPlausibilitäts-Check


Entwicklungs- und Analyse-Umgebung

Entwicklung der Algorithmen in der Simulation „NavLab“ Validierung der Erkenntnisse über reale Sensordaten Optimierung der Navigationssysteme durch „forcing tape“ Exakte Auswertung der Ergebnisse mit präziser Referenz


Zusammenfassung & Ausblick

Jede Anwendung hat individuelle Anforderungen Neben der Genauigkeit ist die Zuverlässigkeit zu beachten Dissimilare Sensor-Kombinationen können auf individuelle

Anforderungen abgestimmt werden Sensor unabhängiges Navigations-Konzept mit offenen

Schnittstellen für neue Sensor-Technologien Das Navigationssystem wird Updatefähig Entwicklungsumgebung zur Validation von neuen

Navigationssystemen (Rapid Prototyping)

Bewertung neuer Sensor-Technologien Integration neuer Sensoren zur Navigation

Documents

ZIV – Zentrum für Integrierte Verkehrsysteme an der Technischen Universität Darmstadt Zuverlässige Navigation durch den Einsatz von Multi-Sensor-Systemen