Gast
#1458501
Hallo Leute, ich beschäftige mich gerade mit dem interessanten Thema, Daten von verschiedenen Sensoren für die gleiche Größe sinnvoll zusammenzuführen. Beispiel: Ich habe in einem Flugmodell einen GPS-Empfänger, drei Drehratensensoren, drei Beschleunigungssensoren, einen Drucksensor für die barometrische Höhe und einen Dreiachs-Magnetfeldsensor für den (mißweisenden) Kurs. Jetzt haben verschiedene Sensoren verschiedene Schwächen und Vorteile. So ist die GPS-Position nur einmal pro Sekunde verfügbar, aber relativ genau. Zumindest kann ich die Qualität der errechneten Position aus den "Nebendaten" (Empfangsqualität pro Satellit, Konstellation) ziemlich gut beurteilen. Auf der anderen Seite habe ich die Drehraten- und Beschleunigungswerte 100 Mal pro Sekunde, dafür leiden die Sensoren an einem ziemlichen Offset und einer gehörigen Temperaturdrift. Der Magnetfeldsensor liefert mir die Ausrichtung des Modells auch bei Stillstand am Boden, die Kursdaten vom GPS sind genauer, aber nur bei Bewegung verfügbar. Nebenbei liefert der eine Sensor den rechtweisenden, der andere den mißweisenden Kurs. Man könnte auch die GPS-Position mißbrauchen, um beispielsweise aus den bekannten Flugeigenschaften die Querneigung oder den Anstellwinkel des Modells zu schätzen. Mein Thema ist nun, wie führt man diese Daten sinnvoll so zusammen, daß man von jedem Sensor die besten Eigenschaften mitnimmt? Ich höre in diesem Zusammenhang immer viel von "Kalman-Filtern", habe mich in dieses Thema auch schon eingelesen. Allerdings geht es da wohl eher um das Schätzen und Ausgleichen von Sensorfehlern im voraus, weniger um das Zusammenführen von mehreren Sensoren. Mein Problem ist, wenn mir einer eine Integralgleichung vorknallt, kann ich damit nicht viel anfangen. Ich bräuchte eine allgemeinverständliche grundsätzliche Beschreibung des Vorgehens. Auch über entsprechende Links wäre ich sehr dankbar. Vielleicht beschäftigen sich ja auch andere gerade mit dem Thema... Danke schonmal.