-
Die
Erfindung betrifft ein elektrisches System mit einem Hauptsystem,
das einen als Wahrscheinlichkeitsfilter ausgebildeten Hauptfilter
aufweist, und mehreren mit dem Hauptsystem verbundenen Teilsystemen,
die jeweils wenigstens eine Datenquelle aufweisen, wobei dem Hauptsystem
Daten von den Teilsystemen zuführbar
sind.
-
Im
Bereich der Verarbeitung von Messdaten, insbesondere wenn viele
unterschiedliche Messgrößen zur
Verfügung
stehen, deren Daten im Verlaufe der Messkette fusioniert werden
müssen,
um eine möglichst
gute Schätzung
des Systemzustandes zu ermöglichen,
besteht großer
Bedarf an Methoden, die in der Lage sind, mit der vorhandenen Leistungsfähigkeit
des Messverarbeitungssystems eine möglichst optimale Filterung
der Nutzdaten zu erreichen.
-
Bei
einer Funkmesstechnik zu lokalen Ortungszwecken bzw. bei einem lokalen
Ortungsradar (kurz LPR genannt, engl. für "Local Positioning Radar") wird die Schätzung der
Position z.B. mittels eines erweiterten Kalman Filters (kurz EKF
genannt, engl. für "Extended Kalman Filter") vorgenommen. Dabei
werden asynchrone Messungen, d.h. Messdaten von unterschiedlichen
Quellen, die zu unterschiedlichen Zeitpunkten zur Verfügung stehen,
gesammelt und zu bestimmten Zeitpunkten, in denen alle benötigten Daten
vorliegen, mittels des EKF's
fusioniert.
-
Prinzipiell
bedeutet der Einsatz von EKF allerdings einen Informationsverlust,
der für
allzu deutlich unterschiedliche Messraten von zu fusionierenden
Daten zu groß ist,
um ignorierbar zu sein. Als Folge liegt die Präzision eines solchen Systems
unterhalb der Erwartungen.
-
Ausgehend
von diesem Stand der Technik liegt der Erfindung die Aufgabe zugrunde,
den Informationsverlust bei asynchronen Messungen zu reduzieren.
-
Diese
Aufgabe wird durch die Merkmale des unabhängigen Patentanspruchs 1 gelöst. Vorteilhafte Weiterbildungen
der Erfindung sind Gegenstand untergeordneter Ansprüche.
-
Das
erfindungsgemäße elektrische
System weist ein Hauptsystem, das einen als Wahrscheinlichkeitsfilter
ausgebildeten Hauptfilter umfasst, und mehrere mit dem Hauptsystem
verbundene Teilsysteme auf, die jeweils wenigstens eine Datenquelle umfassen,
wobei dem Hauptsystem Daten von den Teilsystemen zugeführt werden
oder zuführbar
sind. Die Teilsysteme weisen jeweils einen als Wahrscheinlichkeitsfilter
ausgebildeten Subfilter auf, wobei den Teilsystemen Daten von dem
Hauptsystem zugeführt
werden oder zuführbar
sind.
-
Die
Erfinder haben erkannt, dass jedes im Gesamtsystem an der Bildung
des Gesamtmessergebnisses beteiligte Teilsystem seinen eigenen Wahrscheinlichkeitsfilter
bzw. eine eigene Instanz eines solchen Wahrscheinlichkeitsfilter
einsetzt. Ferner erfolgt eine Rückführung von
Daten aus dem Hauptsystem zu den Teilsystemen, so dass das erfindungsgemäße System
dazu geeignet ist, eine asynchrone Messdatenfusion zu ermöglichen.
Ein unabhängiger Hauptfilter,
der ebenfalls ein Wahrscheinlichkeitsfilter ist, kann zu bestimmten
Zeitpunkten die Ergebnisse der anderen Subfilter fusionieren und
so das Gesamtergebnis berechnen, welches dann z.B. in einer Endbenutzerapplikation
verwendet werden kann. Als Anwendungsbeispiel kann die Kopplung
von LPR mit Relativsensorik angeführt werden.
-
Die
wenigstens eine Datenquelle jedes Teilsystems liefert Daten, die
dem Subfilter desselben Teilsystems zugeführt werden. Der Subfilter verarbeitet
oder filtert diese Daten und stellt seine Ausgangsdaten bzw. die
gefilterten Daten dem Hauptsystem zur Verfügung. Der den Subfiltern nachgeschaltete Hauptfilter
verarbeitet oder filtert die von den Teilsystemen gelieferten Daten
und kann seine Ausgangsdaten zur Weiterverarbeitung, z.B. für eine Endbenutzerapplikation,
zur Verfü gung
stellen. Ferner werden die Ausgangsdaten des Hauptfilters den Subfiltern zur
Verfügung
gestellt oder zugeführt.
-
Jeder
Subfilter ist insbesondere der wenigstens einen Datenquelle desselben
Teilsystems nachgeschaltet. Ferner ist das Hauptsystem bevorzugt den
Teilsystemen nachgeschaltet, wobei das Zuführen der von dem Hauptsystem
stammenden Daten zu den Teilsystemen über eine Rückführung erfolgt, die insbesondere
dem Hauptfilter nachgeschaltet und den Subfiltern vorgeschaltet
ist.
-
Da
es sich bei den Filtern insbesondere um anpassbare Filter handelt,
d.h. um Filter, deren Filterverhalten variierbar ist, kann das Filterverhalten
jedes Subfilters bevorzugt in Abhängigkeit von dem Hauptfilter
abgegebenen Daten (Ausgangsdaten des Hauptfilters) angepasst werden.
Diese Anpassung der Subfilter ist über die Rückführung realisierbar. Da Wahrscheinlichkeitsfilter
bevorzugt Schätzungen oder
Zustandsschätzungen
durchführen,
sind insbesondere die Schätzungen
oder Zustandsschätzungen
der Subfilter abhängig
von einer oder wenigstens einer Schätzung oder Zustandsschätzung des Hauptfilters.
-
Jede
Datenquelle kann als Messwertgeber ausgebildet sein, die ihrem jeweiligen
Teilsystem Daten in Form von Messdaten zur Verfügung stellen kann. Dabei können jedem
Subfilter Daten von der wenigstens einen Datenquelle des zugehörigen Teilsystems
zugeführt
werden, wobei von den Subfiltern gefilterte und/oder abgegebene
Daten dem Hauptfilter zugeführt
werden können,
von dem wiederum gefilterte und/oder abgegebenen Daten den Subfiltern zugeführt werden
können.
-
Jedes
Teilsystem kann einen Präprozessor aufweisen,
welcher dem jeweiligen Subfilter vorgeschaltet ist und der jeweiligen
wenigstens einen Datenquelle nachgeschaltet ist. Ferner kann das
Hauptsystem einen Präprozessor
aufweisen, der dem Hauptfilter vorgeschaltet ist und den Subfiltern
nachgeschaltet ist. Schließlich
kann das Hauptsystem einen Postprozessor aufweisen, der dem Hauptfilter nachgeschaltet
ist und den Subfiltern oder deren Präprozessoren vorgeschaltet ist.
Die Präprozessoren und/oder
der Postprozessor können
z.B. dazu dienen, problematische Daten zu erkennen. Somit kann ein
Versagen der Filter, z.B. durch Divergenz, verhindert werden. Ferner
oder alternativ können
die Präprozessoren
z.B. eine Transferfunktion, eine Beobachterfunktion und/oder andere
zur Schätzung
eines Systemzustands erforderliche Parameter für. den jeweiligen Filter auf
Basis von den Präprozessoren
zur Verfügung
gestellten Daten anpassen. Ergänzend oder
alternativ kann der Postprozessor z.B. Parameter aus der Transferfunktion,
der Beobachterfunktion und/oder andere zur Schätzung eines Systemzustands
erforderliche Parameter aus dem Hauptfilter extrahieren und an die
Subfilter bzw. an deren Präprozessoren
weitergeben. Grundsätzlich
ist es möglich,
die Präprozessoren
und/oder den Postprozessor als Teil des jeweilig zugehörigen Filters
zu betrachten.
-
Wird
das erfindungsgemäße System
für LPR eingesetzt,
so kann ein erstes der Teilsysteme ein Relativsensorarray als Datenquelle
und ein zweites der Teilsysteme wenigstens einen Transponder als Datenquellen
aufweisen. Bevorzugt sind aber mehrere, insbesondere wenigstens
drei oder wenigstens vier, Transponder in dem zweiten Teilsystem
vorgesehen, da zur Positionsbestimmung in der Ebene wenigstens drei
Transponder und zur Positionsbestimmung im Raum wenigstens vier
Transponder gewünscht
oder erforderlich sind.
-
Jeder
Transponder kann Informationen (z.B. Zeitpunkt, Frequenz) über ein
von einem Objekt reflektiertes Signal liefern. Insbesondere liefert
der Transponder ein Frequenzsignal und bevorzugt auch eine Frequenzdifferenz.
Der nachgeschaltete Subfilter kann nun eine Position und gegebenenfalls
auch eine Geschwindigkeit des Objekts bestimmen, wobei zusätzlich Informationen
(z.B. Zeitpunkt, Frequenz) über
ein zuvor ausgesendetes Signal verarbeitet werden können. Das
Relativsensorarray liefert z.B. eine Beschleunigung und/oder eine
Winkelgeschwindigkeit des Objekts, woraus der nachgeschaltete Subfilter
z.B. eine Position und/oder einer Geschwindigkeit des Objekts bestimmen
kann.
-
Ein
Problem liegt nun darin, dass der oder die Transponder vergleichsweise
langsam arbeiten, dafür
aber eine relativ genaue Positionsbestimmung ermöglichen. Im Gegensatz dazu,
arbeitet das Relativsensorarray vergleichsweise schnell, allerdings kann
die Positionsbestimmung mit zunehmender Zeit immer ungenauer werden,
wenn nicht eine Korrektur vorgenommen wird. Die beiden Datenquellen
werden daher bevorzugt einander ergänzend eingesetzt, so dass z.B.
eine Positionsbestimmung in einem Zeitpunkt, in dem kein Transpondersignal
vorliegt, mittels des Relativsensorarrays bestimmbar ist.
-
Einer
oder jeder der Subfilter kann somit Informationen von wenigstens
einer Datenquelle eines anderen Teilsystems bzw. von einem anderen
Subfilter zumindest mittelbar, d.h. unter Zwischenschaltung des
Hauptfilters, nutzen. Dies wird insbesondere über die Rückführung realisiert, so dass eine
asynchrone Messdatenerfassung möglich
ist, wobei der Informationsverlust gegenüber der Lösung mit einem EKF reduziert
ist. Die Datenfusion erfolgt insbesondere vom Hauptsystem bzw. vom
Hauptfilter.
-
Die
hier verwendeten Filter (Hauptfilter und Subfilter) sind Wahrscheinlichkeitsfilter,
wobei unter dem Begriff "Wahrscheinlichkeitsfilter" insbesondere verstanden
werden soll, dass es sich bei den hier eingesetzten Filtern um stochastische
Zustandsschätzer
für dynamische
Systeme handelt. Wahrscheinlichkeitsfilter können z.B. unter Anwendung der Wahrscheinlichkeitsrechnung
den Zustand eines Systems schätzen.
Der geschätzte
Zustand führt
zu geschätzten
Daten, die mit tatsächlich
gemessenen Daten verglichen werden können, wobei der Unterschied
zwischen gemessenen und geschätzten
Daten für
eine Korrektur des Filters nutzbar ist oder genutzt wird. Als Beispiel
für einen
Wahrscheinlichkeitsfilter kann der Kalman-Filter genannt werden. Ferner sind Varianten
des Kalman-Filters
als Wahrscheinlichkeitsfilter einsetzbar, so z.B. der erweiterte
Kalman Filter (EKF), der Sigma-Punkt-Kalman-Filter (SPKF), der unscented
Kalman Filter (UKF), der Partikelfilter usw.
-
Der
Hauptfilter und die Subfilter weisen daher insbesondere einen Kalman-Filter,
einen Sigma-Punkt-Kalman-Filter, einen unscented Kalman-Filter und/oder
einen Partikelfilter auf. Bevorzugt sind als Subfilter und als Hauptfilter
die neuesten bekannten Filtertechniken, die EKF sowohl in Performanz
als auch in der Genauigkeit überlegen sind,
einsetzbar. Insbesondere ist es möglich, für die Subfilter und für den Hauptfilter
einen als SR-UPF bezeichneten Partikelfilter einzusetzen (SR-UPF
für engl. "Square Root Unscented
Particle Filter").
-
Als
weiteren Aspekt erlaubt der hier vorgestellte Ansatz, die Hardware
des zugrundeliegenden Messsystems optimal auszunutzen, und mit nicht-gaußverteilten
Fehlermodellen zu arbeiten, was mit einem EKF nicht möglich ist.
Die SR-UPF Methoden können
für beliebige
Wahrscheinlichkeitsdichten, sowohl für das Systemverhalten als auch
für die
Fehlerverteilungen eingesetzt werden. Ferner können die verwendete Anzahl
von Filterpartikeln von der Messrate und der Geschwindigkeit der
zugrundeliegenden Hardware adaptiv angepasst werden, so dass jeder
Filter auf der ihm zur Verfügung
stehenden Hardware maximal genaue Ergebnisse liefern kann.
-
Vorteile
der in der Erfindung beschriebenen technischen Merkmale liegen z.B.
in einer Genauigkeitsverbesserung von Systemen, die Tracking-Filter benötigen (z.B.
das in diesem Zusammenhang als Implementierungsziel verwendete LPR
Ortungssystem), ohne Erhöhung
des Aufwands. Ferner können aufwendige
Synchronisationstechniken vermieden werden, sowohl in Hardware als
auch in Software. Statt dessen kann eine implizite selbsttätige Synchronisation
der Messergebnisse unterschiedlicher Quellen bei der Datenfusion
erfolgen. Auch ist eine selbständige
Anpassung an äußere Gegebenheiten von
Rechnergeschwindigkeit und Messraten ohne Modifikationen am Filter
durch Entwicklungspersonal oder Endbenutzer möglich.
-
Im
Folgenden wird die Erfindung anhand eines bevorzugten Ausführungsbeispiels
mit Hilfe der Figuren näher
beschrieben, wobei nur die zum Verständnis der Erfindung notwendigen
Merkmale dargestellt sind und folgende Bezugszeichen verwendet werden: 1:
elektrisches System; 2: Filter für Relativsensorarray/Subfilter; 3:
Relativsensorarray/Datenquelle; 4: Filter des LPR/Subfilter; 5:
Transponder/Datenquelle; 6: Präprozessor des Hauptfilters; 7: Hauptfilter; 8:
Radarmodul (LPR)/Teilsystem; 9: Endbenutzerapplikation; 10:
Postprozessor des Hauptfilters; 11: Relativsensorarraymodul/Teilsystem; 12: Präprozessor
des Filters für
Relativsensorarray; 13: Präprozessor des Filters des LPR; 14:
Haupsystem.
-
Es
zeigen im Einzelnen:
-
1:
ein Prinzipschaltbild eines EKF;
-
2:
die Linearisierung einer Kurve;
-
3:
einen Zyklus eines Partikelfilters;
-
4:
einen Zustandsbaum;
-
5:
eine Veranschaulichung einer Transformation;
-
6:
ein Blockschaltbild eines elektrischen Systems gemäß einer
Ausführungsform
der Erfindung.
-
Nachfolgend
wird zunächst
ein Einblick in die Theorie gegeben. Das beschriebene Konzept des SR-SPKFs
(SR-SPKF: engl. für "Square Root Sigma Point
Kalman Filter")
stellt den gegenwärtig
besten verfügbaren
Filteransatz basierend auf Kalman-Filtertechnik dar und beschreibt
einen Sigma-Punkt-Kalman-Filter
bzw. eine Variante davon. Jener kann, z.B. als sogenanntes "Plugin", in eine Partikelfilterstruktur
eingefügt
werden, was die Genauigkeit des gesamten Filtersystems signifikant
verbessert.
-
Um
preisgünstige,
massenproduktionstaugliche eingebettete Systeme anbieten zu können, ist
es – im
Gegensatz zum reinen Forschungsbetrieb – nicht ausreichend, dass die
Filtermethoden auf schnellen Computern (PCs) wie erwartet funktionieren.
Um die Filter generisch für
unterschiedliche Probleme und verschieden leistungsfähige Hardware
bei minimalem Anpassungsaufwand nutzbar zu machen, sollten sich
die Methoden auf die jeweiligen äußeren Umstände automatisch
einstellen können.
-
In
der Praxis (insbesondere bei Endkundenprodukten) genügt es häufig nicht,
Datenverarbeitung offline zur Verfügung zu stellen. In der Regel sind
echtzeitfähige
Systeme gefordert, deren Daten bereits während des Betriebes zur Verfügung stehen. Um
das zu ermöglichen,
können
Messergebnisse von unterschiedlichen Quellen asynchron fusioniert werden.
Hierfür
können
Partikelfiltermethoden um diese Eigenschaft erweitert werden, was
am Beispiel des Local Positioning Radar (LPR) beschrieben wird.
-
Bei
den EKF-basierten Zustandsschätzern, wird
eine Transferfunktion xk+1 = f(xk), die die Zustandsübergänge von einem Messzeitpunkt
zum nächsten
beschreibt, und eine Beobachtungsfunktion yk+1 =
h(xk), die die erwarteten Messwerte zum
nächsten
Messzeitpunkt beschreibt, betrachtet.
-
Diese
Funktionen, die in der Natur praktisch immer nichtlineare Komponenten
enthalten, werden dann in eine Taylor-Reihe entwickelt. Ihre linearen Komponenten
werden dann in den Gleichungen eines diskreten, linearen Kalman-Filters
verwendet.
-
Der
Kalman-Filter selbst ist für
lineare Systeme mit gaußverteilten
additiven Rauschkomponenten ein optimaler fehlerquadratminimierender
Schätzer
(kurz MMSEE für
engl.: "Minimum
Mean Square Error Estimator"),
der eine mathematische Be schreibung der möglichen Änderungen des Systemzustandes
(beschrieben durch die Funktion f(xk)) mit den erhaltenen Messwerten so abgleicht,
dass die Schätzung
des Systemzustandes die kleinstmögliche
Abweichung von Modellbeschreibung und Messwerten aufweist. Sein
Hilfsmittel dazu sind die Kovarianzmatrizen, die die Ungenauigkeit
bzw. Unsicherheit der Vorhersagen von Zuständen und Messwerten modellieren.
-
Die
Ausführung
des EKF als halboffener Regelkreis ist in 1 dargestellt.
Dieses Konzept ist heutzutage der am weitesten verbreitete probabilistische
Filteralgorithmus, der das Tracking-Problem behandelt (der Ausdruck "tracking" bedeutet hier z.B. die
Verfolgung von Objekten bzw. die Verfolgung von bewegten Objekten).
Dabei handelt es sich um eine Klasse von Aufgabenstellungen, bei
denen Messwerte hinsichtlich ihrer Genauigkeit zu optimieren sind, von
denen bereits vor der Messung bekannt ist, dass sie sich nur in
gewissen, bekannten Grenzen bewegen können. Der EKF hat jedoch drei
Nachteile:
- 1) Die Taylor-Approximation der
Transfer- und Beobachtungsfunktionen auf die linearen Terme ist oftmals
unzureichend, wenn das zu messende Objekt signifikante Einflüsse von
Termen höherer Ordnung
aufweist. In 2 ist beispielhaft eine solche
Approximation (schräg
verlaufende Gerade) dargestellt, die für die betrachtete Funktion (gekrümmte Kurve)
zu ungenau ist. Solche Fehlerquellen können dadurch eliminiert werden, dass
die Annahme der Ungenauigkeit erhöht wird, was die Präzision des
Gesamtergebnisses negativ beeinflusst.
- 2) Kalman-Filter-Derivate sind zwar mathematisch schwach konvergent,
aber nur wenn die Prozesse einem normalverteilten Rauschen unterliegen.
Für abgetastete
Signale nach einer Analog-Digitalwandlung ist das in aller Regel
nicht der Fall. Wiederum kann kompensiert werden, indem mehr Rauschen
angenommen wird, als der Prozess eigentlich aufweist.
- 3) Kalman-Filter-Derivate verfolgen implizit nur eine Hypothese,
nämlich
dass der aufgrund aktueller Messungen fehlerquadratminimierende
Zustand der richtige ist. Das erlaubt, dass der Filter zu divergieren
beginnt, wenn ein Zustand zu weit von der Erwartung entfernt ist.
Tritt dieser Fall ein, so kann bzw. muss der Kalman-Filter reinitialisiert werden;
er ist regelmäßig nicht
in der Lage, wieder alleine zur Stabilität zurückzufinden.
-
Um
diese Probleme zu umgehen, wurden sogenannte Partikelfilter entwickelt.
Hierbei werden ausgehend von einem Zustand mehrere zufällige Szenarien
berechnet und diese dann anhand der Wahrscheinlichkeit ihres Zutreffens
gewichtet. Dieses Gewicht ist dann im nächsten Zyklus ein Maß dafür, wie viele
unterschiedliche Szenarien, ausgehend von diesem Partikel, berechnet
werden. Dieses Filterkonzept hat entscheidende Vorteile gegenüber Kalman-Filtern:
- 1) Es skaliert mit der Leistungsfähigkeit
des Rechnersystems, auf dem es arbeitet, mit o(n). Ist der Rechner
doppelt so schnell, verdoppelt sich die Anzahl der Partikel (= Hypothese),
die in jedem Zyklus durchgerechnet werden können. Die Genauigkeit nimmt
zu.
- 2) Beliebige Wahrscheinlichkeitsverteilungen können als
Grundlage der Gewichtungsfunktion herangezogen werden. Eine Bindung
an die Gaußverteilung
entfällt.
- 3) Diese Algorithmen sind numerisch sehr robust und neigen nicht
so stark zum Divergieren wie EKFs.
-
Allerdings
birgt dieses Konzept keine Korrektureinrichtung wie im Regelkreis
des Kalman-Filters. Daher benötigen
solche Filter regelmäßig eine
große Partikelanzahl,
um ähnlich
genau zu schätzen
wie ein Kalman-Filter-Derivat. Daher werden die Partikelfilter eher
bei Bedarf an die Robustheit eingesetzt und die Kalman-Filter bei
Anforderungen an die Genauigkeit.
-
Der
nachfolgend beschriebene asynchrone "SR-UPF" Filter (Square Root – Unscented
Particle Filter) implementiert unterschiedliche Wahrscheinlichkeitsfilteransätze in kombinierter
Form und erlaubt deren Verwendung selbst in verteilten, heterogenen,
asynchron messenden Subsystemen. Auf diese Weise ist es möglich, die
Eigenschaften unterschiedlicher Wahrscheinlichkeitsfilter hinsichtlich Präzision (SR-SPKF
= Square Root Sigma Point Kalman Filter") und Robustheit (Conditional Density
Propagation Particle Filter")
auszunutzen.
-
Im
Folgenden wird das Prinzip des bevorzugt implementierten SR-UPF
dargelegt und anhand von 3 veranschaulicht:
- 1) Zum Zeitschritt k–1
wurden die Gewichte berechnet, die zu Beginn des Zeitschritts k
zur Verfügung
stehen. Anhand dieses Gewichtes wird ausgewählt, wie viele Hypothesen f(x),
basierend auf dem durch den Partikel beschriebenen möglichen
Systemzustand, gebildet werden. Diese unterschiedlichen Hypothesen
werden in der Regel zufällig
gebildet, da es im Voraus nicht möglich ist, festzustellen, welche äußeren Einflüsse das
zu messende Objekt erfahren wird.
- 2) Diese unterschiedlichen Hypothesen werden anschließend durch
ein Kalman-Filter-Derivat, welches anstatt der nichtlinearen Terme
der Transfer- und Beobachtungsfunktionen die Wahrscheinlichkeitsdichte
der Kovarianzen anhand repräsentativer "Sigma-Punkte" approximiert, gefiltert.
- 3) Nach der Verarbeitung der Messdaten, im 3 mit "Aposteriori Zustandsestimation" bezeichnet, ist
jeder Partikel mit seiner Zustandsschätzung auf der Basis seiner
Hypothesen und der neuen Messwerte bis zum zweiten Grad (bei reinen
Gaußverteilungen
für die
Fehlerkovarianz bis auf den dritten Grad) fehlerminimal.
- 4) Anhand der bekannten Aposteriori-Beobachtungsdichte, die
beschreibt, mit welcher Wahrscheinlichkeit einer der berechneten
Zustände dem
tatsächlich
vorhandenen entspricht, werden nun die Gewichte für den nächsten Zyklus
bestimmt (Aposterio ri Dichte-Approximation).
- 5) Der Zyklus beginnt von neuem.
-
Am
Ende eines solchen Zyklus liegt eine Schar von Zustandsschätzungen
vor, die sämtlich fehlerminimal
sind und mindestens um eine Polynomordnung genauer als es ein EKF
im besten Fall erreichen könnte.
Ferner ist bekannt, welche Zustandsschätzung die wahrscheinlichste
ist. Diese beste Schätzung
kann in der Benutzerapplikation verwendet werden, aber alle Partikel
werden im Folgezyklus weiterbenutzt. Dadurch ist es möglich, mehrere
Zyklen später
zu erkennen, ob sich nicht ein anderer Ast als besser herausstellt.
Da diese Partikel ebenfalls weiterhin Basis für Schätzungen sind, ist ein Wechseln
auf einen besseren Ast im "Zustandsbaum" im Nachhinein möglich. Ein
solcher Filter kann sich selbst wieder in die Konvergenz ziehen,
nachdem er zu divergieren begonnen hat, was nachfolgend anhand von 4 beschrieben
wird.
-
Ein
Filter, der nur eine einzelne Hypothese betrachtet, hätte sich
im Schritt k–1
für den
Zustand I und den folgenden Ast entschieden, weil jener den geringsten
Fehler aufweist. Der verwendete SR-UPF würde die Äste II und III ebenfalls weiterverfolgen, weil
zum Zeitpunkt k–1
deren Wahrscheinlichkeit fast so hoch ist wie die von Zustand I
und sie daher ebenfalls ein hohes Gewicht erhielten. Spätestens
im Zeitschritt k+1 würde
dann der Zustand II in die Endbenutzerapplikation übertragen.
-
Der
dargelegte SR-UPF benutzt zur Propagierung der Zustandshypothesen
ein Verfahren, das als "Scaled
Unscented Transformation" bezeichnet wird.
Dazu wird in einem n-dimensionalen Zustandsraum eine Menge von 2n+1
sogenannten gewichteten Sigma-Punkten berechnet, die den Mittelwert
und eine Einhüllende
(bestimmt durch die Kovarianzen) zu einem Zustand beschreiben. Deren
Gewichte werden anhand von bekannten Konstanten, die von der Art
der Fehlerverteilungsdichten von Zustands übergang und Messrauschen abhängen, skaliert.
Das erlaubt eine bessere Anpassung der Filterperformanz an nicht-gaußverteilte
Fehlerdichten. Jeder dieser Sigma-Punkte durchläuft dann die Transferfunktion χk+1 = f(χk) und die Beobachtungsfunktion Yk+1 = h(χk). Diese Funktionen werden nicht durch eine
Taylorentwicklung linearisiert. Danach werden aufgrund der propagierten
Sigma-Punkte Mittelwert und Kovarianzen für den neuen Zustand geschätzt. Diese
Version des Kalman-Filters wird "unscented
Kalman Filter" genannt.
-
Dieses
Verfahren ist in 5 zusammen mit dem EKF als Vergleich
illustriert. Durch die komplette Transformation aller Sigma-Punkte
werden Zustand und Kovarianzen sehr viel genauer approximiert als es
mit einem EKF möglich
ist. Insbesondere zeigten Experimente ausführlich, dass die Kovarianzen,
also die Unsicherheit der Berechnung, signifikant besser geschätzt wird
als beim EKF.
-
Die
SR-Variante (SR = square root) bedient sich einiger numerischer
Detailverbesserungen, die das Verfahren sehr schnell und numerisch
stabiler machen. Als Ergebnis ist der Rechenaufwand in derselben
Ordnung wie bei einem EKF, d.h. der Gewinn an Genauigkeit gegenüber dem
EKF muss nicht durch erhöhten
Rechenaufwand erkauft werden. Zur Kenntlichmachung, dass bei einem
Filter die SR-Variante benutzt wird, ist der Kurzbezeichnung des
Filters das Präfix "SR-" vorangestellt. Bei
der Bezeichnung SR-UPF handelt es sich somit z.B. um einen Unscented
Particle Filter, der das Verfahren gemäß der SR-Variante nutzt. Entsprechend ist ein
SR-SPKF z.B. ein Sigma-Punkt-Kalman-Filter,
der das Verfahren gemäß der SR-Variante
nutzt. Anzumerken ist, dass die hier genannten Filter grundsätzlich auch ohne
SR-Variante funktionieren, so dass das Präfix "SR-" weggelassen
werden kann, allerdings können die
Filter ohne SR-Verfahren langsamer arbeiten.
-
Auf
den heute üblicherweise
verwendeten Hardwarekomponenten zur digitalen Datenverarbeitung,
beispielsweise preiswerten, handelsüblichen PCs mit mehreren GHz-CPUs
oder hochperformanten embedded-DSPs (DSP = digitaler Signalprozessor)
bietet es sich an, deren Geschwindigkeit voll auszunutzen, um die
Filterergebnisse zu optimieren.
-
Ein
exklusiv als Kalman-Filter-Derivat mit Verfolgung einer Einzelhypothese
("Der wahrscheinlichste
Zustand ist richtig.")
ausgelegter Ansatz kann das nicht leisten. In diesem Fall erfüllt die
Hardware entweder die Forderungen an die Geschwindigkeit oder nicht.
Für viele
Tracking-Probleme ist jedoch die Beobachtungszeit der limitierende
Faktor, nicht die Prozessorgeschwindigkeit. Ist ein Sensor beispielsweise
in der Lage, zehn Messungen in einer Sekunde durchzuführen, so
wird ein mehrere GHz schneller Rechner mit einem einzelnen Kalman-Filter
fast ausschließlich
mit dem Warten auf neue Messwerte beschäftigt sein.
-
An
dieser Stelle bietet es sich im SR-UPF an, die Anzahl der Partikel
nicht fest vorzugeben, sondern den Filter selbst entscheiden zu
lassen, wie viele Partikelberechnungen in der Zeit zwischen zwei Messungen
durchführbar
sind. Dazu wird erfindungsgemäß immer,
wenn sich die Hardware (z.B. Erhöhung
des Prozessortakts, schnellerer Speicher, größerer Cache, ...) oder die
Komplexität
der Transfer- und Beobachtungsfunktionen ändert, ein Benchmarking durchgeführt, das
folgende Gestalt hat.
- 1) Filter initialisieren;
- 2) Abwarten bis Messergebnisse vorhanden sind;
- 3) Filtermodell für
eine sehr große
Anzahl von Partikeln durchrechnen;
- 4) Speichern, wie viele Partikel vor dem Eintreffen neuer Messwerte
durchgerechnet werden konnten;
- 5) Die gespeicherte Partikelanzahl kann ca. durch drei dividiert
werden, da alle Aposteriori-Beobachtungsoperationen, Berechnung
der Gewichte und Erzeugen der Apriori-Schätzungen für den nächsten Zyklus innerhalb einer
Zeitspanne zwischen zwei Messungen untergebracht werden müssen.
-
Die
Verfügbarkeit
einer solchen, im Rahmen dieser Erfindung bereitgestellten Funktionalität ermöglicht es
erstmals, ein solches Filter mit maximaler Performanz auch dort
einzusetzen, wo auch Endbenutzer Hardware ändern können (z.B. PCs), so dass nicht
grundsätzlich
Entwicklungsaufwand nötig
ist, um den Filter auf die vorhandene Hardware anzupassen.
-
Darüber hinaus
bietet diese Eigenschaft prinzipiell einen geringeren Aufwand im
Entwicklungsbetrieb, da es nicht mehr nötig ist, diesen Filter für spezifische
Probleme oder Hardwarekonfigurationen aufwendig anzupassen.
-
Für die minimale
Partikelanzahl 1 entartet der Filter in einen reinen "unscented Kalman
Filter".
-
In
Szenarien, wo die Verarbeitung von Messdaten durch unterschiedliche
Systeme aufgrund unterschiedlicher Datenquellen geschieht, die schlussendlich
fusioniert werden müssen,
ist es eher ein seltener Zufall, wenn alle Quellen in der Lage sind, ihre
Daten in gleichen Zeitabständen
zu liefern. Im bereits erwähnten
Beispiel der Relativpositionierung in Kombination mit LPR kann die
Relativsensorik um ein mehrfaches schneller Updates des Beschleunigungsvektors
liefern als die Radarmodule die Abstände des Objekts zu den Transpondern
liefern. Um dennoch von den Qualitäten eines solchen Filters profitieren
zu können,
kann dieser Filter auf unterschiedliche Komponenten aufgeteilt werden,
die asynchron kommunizieren können.
-
Durch
diese Neuerung wird ermöglicht, Messdaten
zu verarbeiten und gemäß der Filterimplementierung
optimal zu filtern, sobald sie vorliegen. Das Sammeln der Messdaten
und Fusion zu einem erzwungenen Zeitpunkt (der "Synchronisation") und den damit verbunden suboptimalen
Filterergebnissen (die Daten liegen in Wirklichkeit nicht zu synchronen
Zeitpunkten vor) entfällt
somit; die Genauigkeit und die mathematische Konvergenz nehmen zu.
-
In 6 ist
ein solches System 1 gemäß einer Ausführungsform
der Erfindung dargestellt, bei dem die Messdaten in unterschiedlichen
Zykluszeiten eintreffen und somit die Datenverarbeitung asynchron
läuft.
In diesem Fall ist der Filter 2 für den Relativsensorarray 3 in
der Lage, Positionsschätzungen deutlich
schneller abzugeben, als der Filter 4 des LPR das könnte, da
das Auswerten eines Radarsignals aufgrund der nötigen Integraltransformation (FFT
= schnelle Fouriertransformation) des Signals in den Frequenzbereich
sehr lange dauert. Darüber
hinaus ist vor einer Messung nicht bekannt, wie viele Transponder 5 (die
Anzahl der Transponder wird mit "n" bezeichnet) überhaupt
erreichbar sind; manche können
verdeckt sein oder ein zu schwaches Signal liefern, d.h. die Zykluszeit
des LPR Filters 4 ist nicht nur geringer als beim Filter 2 des
Relativsensorarrays 3, sondern auch unkonstant. Die Signalverarbeitung läuft folglich
nach diesem Schema ab: Der Relativsensorarray 3 und dessen
Filter 2 geben ihre Positionsupdates regelmäßig nach
der Zeitspanne Δts an den Präprozessor 6 des Hauptfilters 7 weiter.
-
Der
Filter 4 des Radarmoduls 8 gibt seine Positionsupdates
so bald als möglich
(die Zeitspanne ist vor der Messung nicht bekannt) an den Präprozessor 6 des
Hauptfilters 7 weiter.
-
Der
Präprozessor 6 des
Hauptfilters 7 prüft, welche
externen Quellen Messdaten geliefert haben und passt die Transferfunktion χk+1 = f(χk) und die Beobachtungsfunktion Yk+1 = h(χk) des Hauptfilters 7 den Eingangsgrößen entsprechend
an.
-
Der
Hauptfilter 7 berechnet aufgrund der anliegenden Beobachtung
seine Positionsschätzung und
gibt sie an die Endbenutzerapplikation 9 aus. Ferner werden
diese Ergebnisse, die durch die Natur der Filter automatisch die
genauesten des gesamten Kreises sind, an den Postprozessor 10 weitergeleitet. Der
Postprozessor 10 speist die Daten des Hauptfilters 7,
die den jeweiligen Subfiltern 2, 4 normalerweise
nicht zur Verfügung
stehen (für
das LPR Beispiel: korrigierte absolute Position und Geschwindigkeit
sowie deren Kovarianzen für
den LPR-Filter,
korrigierte relative Position, Geschwindigkeit und Orientierung sowie
deren Kovarianzen für
den Relativsensorarray) in die jeweiligen Subfilter 2, 4 zurück. Auf
diese Weise können
die unterschiedlichen Messkonzepte ihre Unzulänglichkeiten gegenseitig bereits
vor der eigentlichen Fusion der Messdaten im nächsten Zyklus verringern bzw.
teilweise kompensieren.
-
Da
keiner der Subfilter 2, 4 auf einen anderen warten
muss, weil sie nicht auf Daten der jeweils anderen Subfilter angewiesen
sind, ist eine aufwendige Synchronisation der Module nicht nötig. Die
Filter arbeiten funktional disjunkt. Entscheidend ist jedoch, dass
es bestimmte Zeitpunkte tn gibt, die nicht zwangsläufig denselben
zeitlichen Abstand Δt
aufweisen müssen,
zu denen es möglich
ist, unterstützende
zusätzliche
Daten des Hauptfilters 7 in die Subfilter 2, 4 zu
propagieren. Durch diese Maßnahme
ist eine andauernde Synchronisation implizit eine Aufgabe, die die
Filter im Zusammenspiel selbständig
erledigen. Es ist lediglich notwendig, beim Vorhandensein dieser
zusätzlichen
Informationen zu den Zeitpunkten tn die
Transferfunktionen und die Beobachtungsfunktionen entsprechend anzupassen, um
diese Informationen in den Filtern nutzbar zu machen und/oder diese
Informationen mit zusätzlichen/proprietären Funktionen
in die Zustandsvektoren zu integrieren. Das wird durch die hier
vorgestellte Implementierung erreicht.
-
Das
Relativsensorarraymodul 11 bildet hier ein erstes Teilsystem
des Systems 1, wohingegen das Radarmodul 8 ein
zweites Teilsystem des Systems 1 bildet. Zwischen dem Relativsensorarray 3 und
dem Filter 2 ist ein Präprozessor 12 geschaltet, und
zwischen den Transpondern 5 und dem Filter 4 ist
ein Präprozessor 13 geschaltet.
Ferner sind der Präprozessor 6,
der Hauptfilter 7 und der Postprozessor 10 Teile
eines Hauptsystems 14 des Systems 1.
-
Durch
seine generische Struktur ist der entwickelte asynchrone SR-UPF
prinzipiell in jedem Feld einsetzbar, in dem es darum geht, ein
Tracking-Problem zu lösen.
Darunter ist im weitesten Sinne jedes Szenario zu verstehen, bei
dem das Verhalten einer Größe gemessen
werden soll, deren Verhalten sich innerhalb einer gewissen Zeitspanne durch
Linearkombinationen von mathematisch deterministischen Ausdrücken, in
geschlossener Form (Zustandsübergang:
xk+1 = f(xk)) sowie ungeschlossener Form (z.B. Differentialgleichungen,
die nur numerisch evaluierbar sind), und additiven Rauschkomponenten
beliebiger Wahrscheinlichkeitsdichteverteilungen beschreiben lässt. Dazu
gehören
u.a.:
- 1) Sämtliche
Problemstellungen der Positionsmesstechnik (Verfolgung der Bewegung
von Objekten mittels Radar, GPS, RFID, optischen Scannern, Laserscannern,
Trägheitssensorik,
...)
- 2) HF-Technik: Auslegung von Antennen mit synthetischer Apertur
(SAR) und bildgebenden Radarmodulen sowie Beamforming
- 3) Geowissenschaften: Klima- und Wettervorhersagen, Plattentektonik,
...
- 4) Gebäudetechnik:
Klimaregelungen, Ausrichtung von Photovoltaikzellen.
-
Es
versteht sich, dass die vorstehend genannten Merkmale der Erfindung
nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen
Kombinationen oder in Alleinstellung verwendbar sind, ohne den Rahmen
der Erfindung zu verlassen.