DE3636131A1 - Geraet mit rekursivabschaetzer - Google Patents
Geraet mit rekursivabschaetzerInfo
- Publication number
- DE3636131A1 DE3636131A1 DE19863636131 DE3636131A DE3636131A1 DE 3636131 A1 DE3636131 A1 DE 3636131A1 DE 19863636131 DE19863636131 DE 19863636131 DE 3636131 A DE3636131 A DE 3636131A DE 3636131 A1 DE3636131 A1 DE 3636131A1
- Authority
- DE
- Germany
- Prior art keywords
- computing device
- function
- measurements
- approximation
- logarithmic probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Radar Systems Or Details Thereof (AREA)
- Traffic Control Systems (AREA)
Description
Die vorliegende Erfindung betrifft ein Gerät
mit Rekursivabschätzer, beispielsweise mit einem
Kalmanfilter.
Der vorliegenden Erfindung liegt die Aufgabe
zugrunde, eine neue Art von einem Gerät zur Messung
des Zustands eines dynamischen Systems bei Benutzung
eines Rekursivabschätzers, d. h. einer rekursiven
Schätzung, zur Entwicklung des dynamischen Systemverhaltens
zu schaffen. Ferner wird durch die Erfindung
ein neues Verfahren zur Aktualisierung der
Eingangsgrößen für einen Rekursivabschätzer geschaffen,
der für Navigationsintegration in einem Navigationssystem
verwendet wird.
Im Hinblick auf eine erste Lösung weist das
erfindungsgemäße Gerät zur Messung des Zustands
eines dynamischen Systems auf:
- (a) eine Meßwertaufnehmereinrichtung, die eine Folge von Messungen oder einen Satz von Messungen, die vom laufenden Zustand dieses Systems abhängen, bei vorhandenem Rauschen und anderen vorhandenen Fehlerquellen hervorbringt, die durch ein statistisches Modell darstellbare Quellen sind;
- (b) eine erste Rechenvorrichtung, die eine mit jeder dieser Messungen oder diesen Sätzen von Messungen verknüpfte logarithmische Wahrscheinlichkeitsfunktion entsprechend diesem statistischen Modell bestimmt;
- (c) eine zweite Rechenvorrichtung, die die Summe dieser logarithmischen Wahrscheinlichkeitsfunktion und einer anfänglich auf identisch Null gesetzten Restfunktion bildet;
- (d) eine dritte Rechenvorrichtung, die einen Rekursivabschätzer zum Entwickeln des dynamischen Verhaltens des Systems verwendet;
- (e) eine vierte Rechenvorrichtung, die eine quadratische Näherung an diese Summe aus logarithmischer Wahrscheinlichkeitsfunktion und Restfunktion bestimmt, wobei die Anpassung in Abhängigkeit von der gegenwärtigen Zustandsunsicherheit des dynamischen Systems, wie durch die dritte Rechenvorrichtung nachgewiesen, bewertet wird;
- (f) eine fünfte Rechenvorrichtung, die aus dieser quadratischen Näherung Parameter ableitet, die als Grundlage für eine Messungsaktualisierung innerhalb der dritten Rechenvorrichtung dienen;
- (g) eine sechste Rechenvorrichtung, die diese quadratische Näherung von dieser Summe aus logarithmischer Wahrscheinlichkeitsfunktion und Restfunktion subtrahiert, welche sie zur Bildung einer neuen Restfunktion annähert;
- (h) eine siebte Rechenvorrichtung, die diese Restfunktion so verändert, daß eine dynamische Zustandsänderung des Systems während des Intervalls zwischen aufeinanderfolgenden Messungen oder Sätzen von Messungen innerhalb der Meßfolge berücksichtigt wird; und
- (i) eine achte Rechenvorrichtung, die feststellt, ob diese von der vierten Rechenvorrichtung hervorgebrachte quadratische Näherung als Eingangsgröße für diese dritte Rechenvorrichtung geeignet ist, und die bei Feststellung der Eignung der quadratischen Näherung für den genannten Zweck so wirksam wird, daß sie die fünfte und sechste Rechenvorrichtung aktiviert, und die im anderen Fall die Summe aus der logarithmischen Wahrscheinlichkeitsfunktion und der Restfunktion als eine Eingangsgröße für die siebte Rechenvorrichtung verwendet, wobei diese Summe als Eingangsgröße für die vierte Rechenvorrichtung und als die neue genannte Restfunktion verwendet wird.
Im Hinblick auf eine zweite Lösung weist das
erfindungsgemäße Gerät zur Messung des Zustands
eines dynamischen Systems auf:
- (a) eine Meßwertaufnehmereinrichtung, die eine Folge von Messungen oder einen Satz von Messungen, die vom laufenden Zustand dieses Systems abhängen, bei vorhandenem Rauschen und anderen vorhandenen Fehlerquellen hervorbringt, die durch ein statistisches Modell darstellbare Quellen sind;
- (b) eine erste Rechenvorrichtung, die eine mit jeder dieser Messungen oder diesen Sätzen von Messungen verknüpfte logarithmische Wahrscheinlichkeitsfunktion entsprechend diesem statistischen Modell bestimmt;
- (c) eine zweite Rechenvorrichtung, die das Produkt dieser logarithmischen Wahrscheinlichkeitsfunktion und einer anfänglich auf identisch Null gesetzten Restfunktion bildet;
- (d) eine dritte Rechenvorrichtung, die einen Rekursivabschätzer zum Entwickeln des dynamischen Verhaltens des Systems verwendet;
- (e) eine vierte Rechenvorrichtung, die eine Gaußsche Näherung an dieses Produkt aus logarithmischer Wahrscheinlichkeitsfunktion und Restfunktion bestimmt, wobei die Anpassung in Abhängigkeit von der gegenwärtigen Zustandsunsicherheit des dynamischen Systems, wie durch die dritte Rechenvorrichtung nachgewiesen, bewertet wird;
- (f) eine fünfte Rechenvorrichtung, die aus dieser Gaußschen Näherung Parameter ableitet, die als Grundlage für eine Messungsaktualisierung innerhalb der dritten Rechenvorrichtung dienen;
- (g) eine sechste Rechenvorrichtung, die diese Gaußsche Näherung in dieses Produkt aus der logarithmischen Wahrscheinlichkeitsfunktion und der Restfunktion teilt, welche sie zur Bildung einer neuen Restfunktion annähert;
- (h) eine siebte Rechenvorrichtung, die diese Restfunktion so verändert, daß eine dynamische Zustandsänderung des Systems während des Intervalls zwischen aufeinanderfolgenden Messungen oder Sätzen von Messungen innerhalb der Meßfolge berücksichtigt wird; und
- (i) eine achte Rechenvorrichtung, die feststellt, ob diese Gaußsche Näherung als Eingangsgröße für diese dritte Rechenvorrichtung geeignet ist, und die bei Feststellung der Eignung der Gaußschen Näherung für den genannten Zweck so wirksam wird, daß sie die fünfte und sechste Rechenvorrichtung aktiviert, und im anderen Fall das Produkt aus der Wahrscheinlichkeitsfunktion und der Restfunktion als eine Eingangsgröße für die siebte Rechenvorrichtung verwendet, wobei dieses Produkt als Eingangsgröße für die vierte Rechenvorrichtung und als die neue genannte Restfunktion genommen wird.
Der Ausdruck Wahrscheinlichkeitsfunktion (LF von
likelihood function) ist folgendermaßen definiert.
Angenommen, ein Meßvorgang, der als Resultat einen
Zufallsvektor Y aufweist, ist gekennzeichnet durch
ein statistisches Modell, nach welchem die statistische
Verteilung von y (Vektor y) durch eine Wahrscheinlichkeitsmassenfunktion
Py (y; x₁, . . . xn) oder
durch eine Wahrscheinlichkeitsdichtefunktion
fy (y; x₁, . . . xn) gegeben ist, wobei die Verteilung von
n (n1) unbekannten Parametern x₁, . . . xn abhängt.
Es sei ferner angenommen, daß dieser Meßvorgang ausgeführt
ist und zum Beobachtungsergebnis Y=y₀ führt.
Dann ist die durch die Messung bzw. das Meßergebnis
Y = y₀ erzeugte Wahrscheinlichkeitsfunktion die
Funktion von x₁, . . . xn, die durch Substitution des
beobachteten Werts y₀ für die Variable y in
Py (y; x₁, . . . xn) oder, je nach Fallage, in
fy (y, x₁, . . . xn) und Multiplikation des Ergebnisses
durch eine beliebige Konstante resultiert.
Die logarithmische Wahrscheinlichkeitsfunktion
oder kurz log-Wahrscheinlichkeitsfunktion ist der
natürliche Logarithmus der Wahrscheinlichkeitsfunktion.
In einer speziellen Anwendung des erfindungsgemäßen
Geräts mit seiner ersten und zweiten Lösung wird
dieses zum Entwurf oder zur Rekonstruktion eines Geländeprofils
unter einer Luftfahrzeugspur verwendet,
wobei die Meßwertaufnehmereinrichtung bzw. der Sensor
des Geräts ein Radar- oder Laseraltimeter bzw. Höhenmeßgerät,
ein barometrisches Altimeter und einen
Koppelnavigator (reckoning navigator) enthält.
Gemäß einem weiteren, dritten Aspekt der Erfindung
bei Verwendung in einem Navigationssystem mit Rekursivabschätzer
für die Navigationsintegration werden die
Parameter einer quadratischen Näherungsfunktion an eine
logarithmische Wahrscheinlichkeitsfunktion als Eingangsgrößen
für den Abschätzer verwendet.
Entsprechend einem weiteren, vierten Aspekt der Erfindung,
angewandt auf ein Navigationssystem mit Rekursivabschätzer
für die Navigationsintegration werden die
Parameter einer Gaußschen Näherungsfunktion an eine
Wahrscheinlichkeitsfunktion als Eingangsgrößen für den
Abschätzer verwendet.
Im folgenden wird die Erfindung an Hand der
Zeichnungen näher erläutert. Dabei zeigt
Fig. 1 eine schematische Darstellung, die
die grundlegenden Konzepte der Geländekonturhöhennavigation
(TCN von Terrain Contour Navigation),
angewandt auf die Luftfahrt, verdeutlicht;
Fig. 2 eine schematische Darstellung, welche
die für eine Gruppe (Abtastung) von TCN-Daten benutzte
Terminologie zeigt;
Fig. 3 eine schematische Darstellung, die
eine Wahrscheinlichkeitsfunktion (LF von likelihood
function) für eine kurze Abtastung, d. h. für eine
kurze geradlinige Abtastung, die aus einem Punkt
besteht, zeigt;
Fig. 4 eine Darstellung einer LF für eine
lange Abtastung oder einen langen Transect, d. h.,
eine Abtastung von 61 Punkten;
Fig. 5 eine grafische Darstellung, die das
Profil einer berechneten LF für eine Stichprobenabtastung
zeigt;
Fig. 6A und 6B Graphen, die jeweils für lange
und kurze Abtastungen die Änderung in Abhängigkeit
der Zeit von der Standardabweichung einer Positionsfehlerkomponente
in einem Navigationssystem zeigen,
das eine Koppelnavigationsleistung geringen Grads
aufweist;
Fig. 7A und 7B Graphen, die jeweils den
Graphen der Fig. 6A und 6B entsprechen, jedoch für
ein Navigationssystem mit einer Koppelnavigationsleistung
hohen Grads gelten;
Fig. 8 eine grafische Darstellung, die eine
Wahrscheinlichkeitsfunktion für eine kurze Abtastung
darstellt;
Fig. 9A und 9B Darstellungen, die ein Näherungsverfahren
für eine Wahrscheinlichkeitsfunktion,
wie sie jeweils in den Fig. 3 oder 8 dargestellt ist,
mittels einer Funktion Gaußscher Form zeigen;
Fig. 10 ein Flußdiagramm, das die Schrittfolge
darstellt, die von einem Gerät mit den erfindungsgemäßen
Merkmalen ausgeführt wird, und
Fig. 11 und 12 Darstellungen zur weiteren
Erläuterungen der Funktionsweise dieses Geräts.
In der folgenden Beschreibung wird die Anwendung
des Bayes Theorems auf Geländekonturhöhennavigation
(TCN) in Betracht gezogen und erläutert. Zunächst
wird die Beziehung zwischen dem Bayes Theorem
und dem Kalmanfilter untersucht, wobei das spezielle
Gewicht auf das Konzept der Wahrscheinlichkeitsfunktion
gelegt wird. Dann wird die Beschreibung sich der
Frage widmen, wie, wenn die Beobachtungsfunktion aus
einer Gruppe oder Charge (transect) von TCN-Daten
besteht, eine geeignete Näherung an die Wahrscheinlichkeitsfunktion
durch Ausnutzung einer digitalisierten
Geländehöhenkarte berechnet werden kann. Hierzu
sei angemerkt, daß für Abtastungen oder Transecte von
ausreichender Länge, die derart berechnete Wahrscheinlichkeitsfunktion
gewöhnlich angenähert Gaußsche Form
aufweist. Dies führt unmittelbar zu einer geradewegs
und elegant auszuführenden Verwirklichung der TCN,
hier als Proto-SPARTAN bezeichnet, die unmittelbar
(über Schnittstellen) an ein Kalmanfilter für Navigationsintegration
angeschlossen werden kann, d. h. mit
diesem Kalmanfilter kombinierbar ist.
Die Beschreibung führt dann fort, die potentiellen
Vorteile in Betracht zu ziehen, die sich aus der
Benutzung kurzer Abtastungen ergeben, welche häufigere
Standortbestimmungen (Koppelorte) hervorbringen,
und erhellt die dabei auftretenden Probleme. Dabei
werden zwei Möglichkeiten der Inangriffnahme dieser
Probleme aus Bayesienscher Sicht untersucht. Einer
der sich hierbei ergebenden Wege verarbeitet Radarhöhenmessungen
bei individueller Benutzung eines
erweiterten Kalmanfilters auf der Grundlage der
Voraussetzung, daß das Gelände in der Umgebung des
Luftfahrzeugs durch eine geometrische Ebene angenähert
werden kann. Der zweite sich hierbei ergebende
Weg, der für eine Verwirklichung der TCN, hier als
SPARTAN bezeichnet, benutzt wird, verwendet die Technik
einer sukzessiven Näherung an die Wahrscheinlichkeitsfunktion.
Es wird so argumentiert, daß bei für
diesen ersten Weg günstigen Umständen, beide technischen
Verfahren logisch nahezu äquivalent sind, daß
jedoch der zweite Weg eine effiziente und zuverlässige
Bearbeitung über einen weitgespannten Bedingungsbereich
gestattet.
Das Bayes Theorem der Wahrscheinlichkeitstheorie
wurde von Rev. Thomas Bayes in einer Schrift vorgeschlagen,
die posthum 1763 veröffentlicht wurde. Ausgedrückt
in diskreten Ereignissen A und B beinhaltet
dieses Theorem, daß die folgende Beziehung zwischen der
Wahrscheinlichkeit von B, bedingt durch A, und die
Wahrscheinlichkeit von A, bedingt durch B, lautet:
Als Wahrscheinlichkeitsdichtefunktion in Abhängigkeit
von Wahrscheinlichkeitsdichten geschrieben, ergibt
sich das Bayes Theorem zu
In einem konkreten Beispiel sei der Vektor x
der die Position eines Luftfahrzeugs wiedergebende
Vektor und der Vektor y sei der Vektor, der das Ergebnis
eines statistischen Experiments wiedergibt,
dessen Resultat von der Luftfahrzeugposition abhängt.
In diesem Fall gibt f(x) die Wahrscheinlichkeitsdichtefunktion
für die Luftfahrzeugposition vor dem Experiment
an und f(y|x) gibt die Wahrscheinlichkeitsdichtefunktion
für das Experimentergebnis y an,
vorausgesetzt, daß die wahre Luftfahrzeugposition x
ist. Die Formel ermöglicht uns die Ableitung von
f(x|y), der aktualisierten Wahrscheinlichkeitsdichtefunktion
für x, vorausgesetzt, das Experiment ergab
ein bestimmtes Ergebnis y.
Der vierte Term von Gleichung (1.2), f(y), ist
die unabhängige Wahrscheinlichkeit des experimentellen
Ergebnisses y und kann gewonnen werden durch
wobei die Integration sich über alle möglichen Positionen
x erstreckt. Es ist hierbei am vorteilhaftesten,
anzunehmen, daß f(y) eine normierende Konstante
ist, die sicherstellt, daß f(x|y) bezüglich x auf
eins integriert. Es wird darauf hingewiesen, daß f(y)
vom experimentellen Ergebnis y abhängt, jedoch nicht
von der wahren Luftfahrzeugposition.
Eine andere Möglichkeit, die Gleichung (1.2)
auszudrücken, ist
f(x|y) = cyLy(x)f(x) (1.4)
Hierbei ist cy eine Normierkonstante, während Ly(x)
als die Wahrscheinlichkeitsfunktion für x, erzeugt
durch die Beobachtung y bezeichnet wird. Ly(x) ist
identisch zur abhängigen Wahrscheinlichkeitsdichte
f(y|x) (abgesehen von einer wahlfreien beliebigen
Normierungs-Skalierungskonstante), außer für den Fall,
daß Ly(x) eher als diese andere Möglichkeit
als Funktion von x mit y als einem Parameter
betrachtet wird.
Ein wichtiger Spezialfall des Bayes Theorems
wird mit dem folgenden Theorem beschrieben:
Ist f(x) eine mehrdimensionale Gaußsche Verteilung
mit einem Durchschnittswert µ₀ und einer Kovarianzmatrix
P₀, so nimmt Ly(x) die folgende Form an
wobei die Matrix Jy nichtnegativ bestimmt ist, d. h.
die Wahrscheinlichkeitsfunktion ist von mehrdimensionaler
Gaußscher Form mit "Durchschnittswert" µy und
"Informations" Matrix Jy. In diesem Fall ist die aktualisierte,
veränderte Verteilung von x, f(x|y) eine
mehrdimensionale Gaußsche Verteilung mit einer Kovarianzmatrix
P+ = (P₀⁻¹ + Jy)⁻¹ (1.6)
und einem Durchschnittswert
µ + = P+(Jy µ y + P₀⁻¹µ₀)
= µ₀ + P+Jy(µ y - µ₀) (1.7)
= µ y + P+P₀⁻¹(µ₀ - µ y).
Dieses Theorem enthält das Wesentliche der Kalmanfiltermeßaktualisierung.
Dabei ist zu beachten, daß
dieses Theorem fordert, daß die Wahrscheinlichkeitsfunktion
Gaußsche Form hat, d. h., daß f(y|x) Gaußsche
Form hat, wenn diese Funktion als eine Funktion von
x betrachtet wird. Hierbei ist es in der Tat weder notwendig
noch hinreichend, daß f(y|x) Gaußsche Form hat,
wenn diese Funktion als eine Funktion von y betrachtet
wird. Jedoch ist es in Ausführungen über Kalmanfilter
allgemein üblich, die stärkere Voraussetzung zu machen,
daß f(y|x) die Form hat
wobei C eine konstante Matrix mit vollem Rang (die
"Messungsmatrix") und k eine Normierkonstante sind,
wobei y eine Gaußverteilung mit Durchschnittswert Cx
und Kovarianzmatrix R aufweist. Betrachtet man f(y|x)
als eine Funktion von x, so ist unmittelbar zu zeigen,
daß Gleichung (1.8) Gaußsche Form hat mit "Informations"-
Matrix CTR⁻¹C und "Durchschnitt"C⁻y, wobei
C⁻ einer verallgemeinerten Invertierten von C entspricht.
In der Terminologie von Theorem 1 ergibt sich
µ y = C⁻y
Jy = CTR⁻¹C. (1.9)
Durch Substitution dieser Ausdrücke in Gleichung (1.6)
ergeben sich die wohlbekannten Kalmanfiltergleichungen
P+ = (P₀⁻¹ + CTR⁻¹C)⁻¹
µ + = P+(CTR⁻¹y + P₀⁻¹µ₀) (1.10)
= µ₀ + P+CTR⁻¹(y - Cµ₀).
Aus logischer Sicht sind dann die Gleichungen (1.7)
fundamentaler als die Standardgleichungen (1.10), die den
Spezialfall für Messungen darstellen, für die f(y|x) die
Form von Gleichung (1.8) annimmt. Algebraisch jedoch
kann Gleichung (1.7) als Spezialfall von Gleichung (1.10)
angesehen werden, wobei sich dieser Sachverhalt darstellt,
wenn man C als die Identitätsmatrix I ansetzt.
Dieser Beschreibungsabschnitt führt aus, wie das
Bayes Theorem auf die TCN angewendet wird. Dabei wird
hier die TCN als Oberbegriff für jede Technik mit
Navigationshilfsmitteln verwendet, die auf Vergleich
abgetasteter Geländehöhen mit in einer digitalisierten
Karte gespeicherten Werten beruht. Der Ausdruck TCN
soll hierbei spezifische Verwirklichungen wie
TERCOM, SITAN, CAROTE, SPARTAN, TERPROM usw. umfassen.
An dieser Stelle ist es von Vorteil, die grundlegenden
Konzeptionen der TCN, angewandt auf die Luftfahrt,
unter Bezugnahme auf Fig. 1 zu untersuchen. Es
sind drei Arten von Meßdaten erforderlich. Zunächst
erfordert diese Technik eine Folge von Messungen der
Bodenhöhe oder des Bodenabstands (d. h. der Höhe über
Bodenniveau) des Luftfahrzeugs. Diese Werte werden
normalerweise durch Abtastung und Speicherung der
Ausgangssignale eines Radar- oder Laserhöhenmessers,
gegebenenfalls mit zusätzlicher Vorfilterung, gewonnen.
Ein Horizontalabtastintervall von ungefähr 100 m
ist für die Praxis typisch, jedoch keine kritische
Bedingung. Als zweite Daten werden Daten von einem
barometrischen Meßfühler oder einem Baro-Inertialhöhenmesser
gewonnen, die erforderlich sind, um
irgendeine Vertikalbewegung des Luftfahrzeugs zwischen
aufeinanderfolgenden Bodenabstandsmessungen meßtechnisch
zu erfassen. Als drittes Meßgerät ist irgendeine
Art eines Kopplungsnavigatorsystems (d. h.
ein Inertialsystem oder ein Dopplerradar plus Steuerkursbezugswert)
erforderlich, um die relativen Horizontalpositionen
der Bodenabstandsmessungen zu bestimmen.
Das Wesen der TCN besteht darin, diese Daten
dazu zu benutzen, das Geländeprofil unter der Luftfahrzeugspur
zu rekonstruieren. Eine digitalisierte
Geländehöhenkarte wird dann untersucht, um ein passendes
Profil in der Umgebung der Luftfahrzeugposition,
wie sie zuvor abgeschätzt und kalkuliert worden
ist, aufzufinden. Das Untersuchungsergebnis kann dann
als Grundlage für eine Aktualisierung, d. h. Veränderung
der kalkulierten, abgeschätzten Position benutzt werden.
Prinzipiell liegt kein Grund dafür vor, das Bayes
Theorem nicht unmittelbar auf dieses Problem anzuwenden.
Nimmt man das Theorem in Form von Gleichung (1.4),
so hat man zur Verfügung
f(x|y) = cyLy(x)f(x). (2.1)
Hierbei sind cy eine Normierkonstante, f(x) die Wahrscheinlichkeitsdichtefunktion
für die Luftfahrzeugposition
vor der TCN Aktualisierung, während f(x|y) die
Dichtefunktion darstellt, nachdem ein Satz y von TCN
Meßdaten, wie zuvor beschrieben, in Betracht gezogen
worden ist. (Zu diesem Zeitpunkt ist es am vorteilhaftesten,
davon auszugehen, daß x die Luftfahrzeugposition
darstellt. Später wird es stattdessen vorteilhafter
sein, den x dazu zu benutzen, den Positionsfehler
darzustellen, der vom Koppelnavigatorsystem
abgeschätzt wird, oder den x als Navigationssystemfehlervektor
höherer Dimension anzusehen.)
Der noch verbleibende Term ist die Wahrscheinlichkeitsfunktion:
Ly(x) = f(y|x). (2.2)
Um diese zu bestimmen, muß folgende Frage beantwortet
werden: welches ist die Wahrscheinlichkeit, einen Satz
von Geländeprofildaten y zu beobachten, wenn die wahre
Luftfahrzeugposition x ist? Diese Wahrscheinlichkeit
(oder genauer gesagt, diese Wahrscheinlichkeitsdichte)
ist als eine Funktion der Luftfahrzeugposition x für
eine gegebene Gruppe von Profildaten y anzusehen.
Der verbleibende Teil dieses Beschreibungsabschnitts
wird sich mit der Darstellung von Möglichkeiten
befassen, durch die eine wirksame Annäherung
an die Wahrscheinlichkeitsfunktion (LF) in der Praxis
berechnet werden kann. Es gibt eine Anzahl von verschiedenen
Wegen bzw. Näherungen hierfür. Eine zu
treffende Angabe hierbei ist die Entscheidung, ob die
Luftfahrzeughöhe bei der Berechnung der LF explicit
in Betracht gezogen wird oder ob sie als Störparameter
behandelt wird. Eine weitere Entscheidung ist, ob
die Bodenabstandsmessungen individuell oder in Gruppen,
d. h. in Datenchargen zu behandeln sind. In dieser
Beschreibung wird allgemein die erstere Näherung als
ein Spezialfall der letzteren behandelt (d. h., es
werden Gruppen von eins in Betracht gezogen).
An dieser Stelle ist es zweckmäßig, auf die im
folgenden benutzten Terminologie hinzuweisen. Gruppen
von aufeinanderfolgenden Geländemessungen, die gemeinsam
zur Berechnung einer LF behandelt werden,
werden im folgenden als Abtastungen (Transects) bezeichnet.
Die individuelle Bodenhöhenmessungen oder
Bodenabstandsmessungen, die in einer Abtastung enthalten
sind, werden als Abtastpunkte bezeichnet, und
der horizontale Abstand entlang der Spur zwischen dem
ersten und letzten Punkt in einer Abtastung wird als
die Abtastlänge (Fig. 2) bezeichnet. Einer der Abtastpunkte
wird als Abtastbezugspunkt (TRP von
Transect Reference Point) bezeichnet. Die genaue Auswahl
des TRP ist eine Konventionsfrage, jedoch ist es
vorteilhaft, einen Punkt in der Nähe der Mitte der
Abtastung zu wählen.
Die Frage, welche die LF beantworten muß, kann
nun folgendermaßen ausgedrückt werden: Wie groß würde
die Wahrscheinlichkeit (Dichte) für die beobachteten
Abtastdaten y, wenn die wahre Position des Luftfahrzeugs
zum Zeitpunkt der TRP-Position x entsprach?
Bei der Beantwortung dieser Frage sind die folgenden
Meßfehlerquellen relevant:
- (1) Fehler bei der Messung des Bodenabstands (beispielsweise Radarhöhenmesserfehler),
- (2) Offset und Drift bei der Messung der Luftfahrzeughöhe über Meereshöhe (oder anderes Datum),
- (3) Drift im Horizontalkoppelfehler, die zu Fehlern bei der Bestimmung der Position der anderen Abtastpunkte bezüglich des TRP führen.
Die genannten Fehler sind Meßfühlerfehler. Zusätzlich
ist es notwendig, in Betracht zu ziehen, welche Art
von Berechnungsfehlern begründeterweise vorliegen,
nämlich Fehler, die mit der digitalen Bezugskarte
verknüpft sind. Hierbei ergeben sich dreifache
Fehlermöglichkeiten:
- (4) Fehler bei den Höhenangaben, die in der digitalen Karte aufgezeichnet sind,
- (5) Fehler, die aus der Interpolation in der Digitalkarte resultieren,
- (6) Fehler aufgrund des abgetasteten Bodengebiets oder der Bodenbeschaffenheit.
Weitere Fehlerquellen müssen in Betracht gezogen werden,
wenn die Geländemessungen aus großer Höhe durchgeführt
werden, und/oder wenn ein Bodenabstandshöhenmesser
mit schmalem Strahl benutzt wird. Es ist jedoch
hier nicht beabsichtigt, diese Fehlerquellen im
Detail zu diskutieren, sondern lediglich zu verdeutlichen,
wie Modelle (Entwicklungen) für derartige
Fehler bei der Berechnung der LF jeweils angepaßt
werden können. Zur Verdeutlichung werden hierbei zwei
Beispiele benutzt.
In diesem Beispiel werden Abtastungen
betrachtet, die aus einem einzigen Abtastpunkt
(die Bodenabstandsmessungen werden demnach individuell
verarbeitet) bestehen, wobei die Luftfahrzeughöhe
als eine explizite Unbekannte behandelt
wird.
Im Fall eines Einzelpunktabtastwerts sind die Fehlerquellen
(2) und (3) nicht bei der Berechnung der LF
selbst relevant (obwohl sie bei der weiteren Berechnung
der kalkulierten Luftfahrzeugposition zwischen
einem Abtastwert und dem folgenden relevant sein
werden). Es wird angenommen, daß die noch verbleibenden
Fehlerquellen gemeinsam durch das folgende einfache
Gaußsche Modell entwickelt werden können: Vorausgesetzt
die Geländeoberfläche, die durch Interpolation
in der digitalen Karte gewonnen wird, wird durch
die Funktion m(x, y) beschrieben, so wird, falls
die wahre Luftfahrzeugposition zum Zeitpunkt der
Bodenabstandsmessung (x, y, z) ist, der gemessene
Bodenabstand s von seinem vorhergesagten Wert
(z-m(x, y)) abweichen, und zwar teilweise aufgrund
von Radarhöhenmeßfehlern (1) und teilweise aufgrund
von Kartenfehlern (4), (5) und (6). Das in diesem
Beispiel anzuwendende Modell nimmt an, daß diese
Abweichung oder dieser Unterschied gaußverteilt mit
Mittelwert Null und Standardabweichung σ ist, und
daß die Fehler für verschiedene Bodenhöhenmessungen
statistisch unabhängig voneinander sind.
Dieses Modell führt unmittelbar zu der folgenden
Gleichung für die LF:
wobei x=(x, y, z) ist und die Messung y die einzige
Bodenabstandsmessung s umfaßt. Die LF ist daher eine
Funktion dreier Variabler, und die Flächen konstanter
Wahrscheinlichkeit verlaufen parallel zum Gelände,
wie in Fig. 3 dargestellt ist.
In diesem Beispiel wird eine Abtastung
von n Punkten (n<1) betrachtet, wobei die
Luftfahrzeughöhe als ein Störfaktor behandelt
wird.
Für jeden Abtastpunkt i, i=1, . . . n, sei die gemessene
Luftfahrzeughöhe ai, der gemessene Bodenabstand
sei jeweils si und Δxi, Δyi seien die Lateralversätze
(Fig. 2) der Abtastpunkte vom Abtastbezugspunkt, wie
sie sich bei der Messung durch das Koppelsystem (Gissung)
ergeben.
Für den Zweck dieses Beispiels wird die Drift im
Horizontalkoppelfehler während des Ablaufs einer
Abtastung als vernachlässigbar angesehen, so daß
die gemessenen Werte Δxi und Δyi als exakt angenommen
werden können. In ähnlicher Weise wird davon
ausgegangen, daß die Drift bei der Messung der Luftfahrzeughöhe
während einer Abtastung vernachlässigbar
ist, wobei einfach angenommen wird, daß die ai mit
einem unbekannten Betrag c, konstant über die Abtastung
(QHN-Fehler), fehlerbehaftet sind. Ferner wird
angenommen, daß die Radarhöhenmesser- und Digitalkartenfehler
wie im Beispiel 1 entwickelt werden
können, d. h., daß sie gemeinsam in einem zufälligen
Gaußschen Fehler mit Standardabweichung σ resultieren.
Vorausgesetzt, die wahre horizontale Luftfahrzeugposition
bei TRP (x, y) ist, so wird die wahre
Luftfahrzeugposition am Abtastpunkt i (x+Δxi, y+Δyi)
sein. Dies führt zu einem "Kartenprofil", das durch
die Höhenfolge
mi = m(x+Δxi, y+Δyi) für i = 1, . . . n (2.4)
gegeben ist.
Andererseits liegt ein "abgetastetes Profil" vor,
gegeben durch
ti = hi - si für i = 1, . . . n (2.5)
Es sollen zunächst die Diskrepanzen
di = ti - mi für i = 1, . . . n (2.6)
betrachtet werden.
Aus der vorhergehenden Beschreibung geht hervor, daß
diese Diskrepanzen durch
di = c + ni (2.7)
dargestellt werden können, wobei c der QNH-Fehler ist
und die ni unabhängige zufällige Gaußsche Variable
vom Mittelwert Null und Standardabweichung σ sind,
die Radarhöhenmesser und Kartenrauschen wiedergeben.
Um die unbekannte Konstante c zu eliminieren, werden
die ersten Differenzen ti′ und mi′ gebildet:
ti′ = ti+1 - ti
mi′ = mi+1 - mi (2.8)
Es werden demnach anstatt die Diskrepanzen zwischen
den abgetasteten und den Kartenprofilen bezüglich der
individuellen Geländehöhen in Betracht zu ziehen, die
Diskrepanzen der Geländehöhenänderungen entlang des
Profils betrachtet. Aus Gleichung (2.7) erhält man
ti′ - mi′ = di+1 - di = ni+1 - mi (2.9)
i · e · ti′ = ni+1 - ni + mi′
Infolgedessen sind die ti′ unabhängig von c, und ihre
gemeinsame mehrdimensionale Wahrscheinlichkeitsverteilung
kann einfach bestimmt werden. Da die ti′ Linearkombinationen
Gaußscher Größen darstellen, sind die ti′
selbst Gaußsche Größen, mit Mittelwert
E(ti′) = E(ni+1) - E(ni) + E(mi′) = mi′ (2.10)
und Kovarianzen
Infolgedessen ist die Wahrscheinlichkeitsdichtefunktion
für den Vektor t′=(t₁′, . . . tn-1′) durch die folgende
Formel gegeben:
wobei m′=(m₁′, . . . m′n-1) ist und Σ der durch die
Gleichung (2.11) angegebenen Kovarianzmatrix entspricht,
d. h.
Die Gleichung (2.12) gibt die Wahrscheinlichkeit für die
Beobachtung des abgetasteten Profils t′ für den Fall an,
daß die wahre Luftfahrzeugposition am Abtastbezugspunkt
(x, y) wäre. Die LF kann unmittelbar gewonnen werden,
indem diese als Funktion von (x, y) betrachtet wird. In
diesem Stadium ist es darüber hinaus erlaubt, einen
konstanten Skalenfaktor anzuwenden (oder zu entfernen),
da der diesbezügliche Effekt in jedem Fall durch die
Normierkonstante cy in Gleichung (1.4) negiert wird. Es
ergibt sich daher:
Für zahlreiche Zwecke ist es jedoch einfacher, den natürlichen
Logarithmus der Wahrscheinlichkeit oder auch kurz
Log-Wahrscheinlichkeit zu betrachten, d. h.
Die auf diese Weise berechnete LF ist daher eine
Funktion von nur zwei Variablen.
Das Verfahren des zweiten Beispiels kann in geeigneter
Weise zur Driftanpassung im Vertikalnavigationskanal
modifiziert werden, wobei diese Modifikation
sich für einige Anwendungen als vorteilhaft erwies.
Das Verfahren kann ebenso erweitert werden, um
Horizontalkanaldrift (d. h. Geschwindigkeitsfehler)
zuzulassen.
Das primäre Problem der Geländekonturhöhennavigation
besteht darin, die Fehler in einem Luftfahrzeug-
(oder anderem Fahrzeug-) Koppelnavigatorsystem
abzuschätzen, in welchem die Geländedaten, die aus
einer TCN-Abtastung eines oder mehrerer Punkte resultieren,
verwendet werden.
Der vorhergehende Beschreibungsabschnitt betrachtete
die unmittelbare Anwendung des Bayes Theorems,
Gleichung (1.4), welches zu einer geeigneten Näherung
an die Wahrscheinlichkeitsfunktion führt. Die Anwendung
dieser Näherung konnte den Positionsfehler als
die Unbekannte behandeln und mit einer zweidimensionalen
Anordnung (Matrix) arbeiten, die die Wahrscheinlichkeiten
(oder genauer die Wahrscheinlichkeitsdichten)
für mögliche Positionsfehler angab. Bei jeder
Standortbestimmung konnte diese Anordnung mittels
Gleichung (1.4) aktualisiert werden, während diese
Anordnung bzw. Matrix zwischen den Standortbestimmungen
in Übereinstimmung mit einem Modell der Fehlerfortpflanzung
im Koppelnavigatorsystem aktualisiert
werden konnte.
Für die Praxis weist jedoch diese ideale Bayesiensche
TCN eine Anzahl von Unzulänglichkeiten auf,
wobei es jedoch nützlich ist, diese Möglichkeit
als Prüfstein oder Anhaltspunkt für die Erprobung
praktischer Techniken im Gedächtnis zu halten.
Die primäre Unzulänglichkeit bzw. der primäre
Nachteil dieser "idealen TCN" ist der damit verbundene
Rechnungsaufwand sowohl für die einer Standortbestimmung
folgende "Messungsaktualisierung" als auch
für die "Zeitaktualisierung" zwischen Standortbestimmungen.
Dies ist insbesondere der Fall, wenn die
Fehlerfortpflanzung des Koppelnavigatorsystems durch
eine Differentialgleichung höherer Ordnung beschrieben
wird, was im Fall eines Inertialnavigationssystems
sehr wohl zutreffen kann. In diesem Fall ist es für
die Anordnung bzw. Matrix von Wahrscheinlichkeiten
nicht ausreichend, sich über die zwei Dimensionen
vom Positionsfehler zu erstrecken, sondern sie muß
sich über die n Dimensionen des Systemzustandsvektors
erstrecken, was zu einem ungeheueren Anwachs ihrer
Ausdehnung führt. Ein zweiter Nachteil, der zweifelsfrei
überwindbar ist, besteht darin, daß das Ergebnis,
d. h. der "Output" des idealen Systems ein Bereich
oder eine Matrix von Wahrscheinlichkeiten sein wird,
die als Eingangsgröße für andere für die Navigationsdaten
erforderlichen Systeme wahrscheinlich zu kompliziert
sein würde. Diese anderen Systeme sind erwartungsgemäß
eher für Eingangsgrößen in Form von Mittelwert-
und Standardabweichungsformaten ausgelegt.
Eine momentan gebräuchliche klassische Technik
zur Ausführung von "Zeitaktualisierungen" und "Messungsaktualisierungen"
für eine Systemzustandsabschätzung
ist durch die Anwendung des Kalmanfilters
gegeben, das rechnerisch steuerbar ist und Antworten
(Antwortfunktionen) in der gewünschten Form ausgibt.
Jedoch setzt das Kalmanfilter, wie in Abschnitt 1
aufgezeigt, voraus, daß die bei jeder Messung erzeugte
Wahrscheinlichkeitsfunktion Gaußsche Form
aufweist. Ist es dann noch möglich, das Kalmanfilter
zur TCN Aktualisierung anzuwenden.
Glücklicherweise zeigt die Erfahrung, daß bei
Berechnung der Wahrscheinlichkeitsfunktion entlang
der Linien und für die im Abschnitt 2 aufgezeigten
Wege für Abtastungen von über 3 km die Wahrscheinlichkeitsfunktion
ungefähr und grob angenähert einer
Funktion Gaußscher Form entspricht. Dies ist in
Fig. 4 dargestellt, die die LF für eine Abtastung
von 61 Punkten zeigt, angenähert 6 km lang, wobei
die Funktion in einer der im Beispiel 2 in Abschnitt 2
beschriebenen Weise ähnlichen Art berechnet wurde.
(Es gibt in jedem Falle theoretische Gründe zur
Annahme, daß die LF angenähert in der Umgebung ihres
Maximums Gaußsch sein wird, vorausgesetzt, daß die
zugrundeliegenden Fehlerprozesse angenähert Gaußsche
sind und daß die Geländeoberfläche angemessen kontinuierlich
verläuft.)
Diese Beobachtung stellt die Grundlage für die
Verwirklichung der Geländekonturhöhennavigation, hier
bezeichnet als Proto-SPARTAN, dar, aus der sich die
SPARTAN-Technik entwickelt hat. Im Überblick stellt
sich der Vorgang für jede Proto-SPARTAN Standortbestimmung
wie folgt dar. Zunächst wird ein Rasterfeld
von Wahrscheinlichkeitswerten berechnet, wobei
die Dimensionen dieses Rasterfelds durch die vorhergehende
Positionsunsicherheit bestimmt sind. Eine
Funktion Gaußscher Form wird daraufhin an die Rasterfeldwahrscheinlichkeiten
angepaßt (angefittet), und
diese Funktion wird zwei Prüfungen unterworfen: (a)
Der Maximumwert der angepaßten LF wird geprüft, um
sicherzustellen, daß er bei den angenommenen Fehlerquellen
mit einer realen Profilanpassung übereinstimmt.
(b) Die Unterschiede zwischen den Rasterfeldwahrscheinlichkeiten
und den angepaßten Gaußschen
Funktionen werden ausgewertet, um die Güte der Anpassung
zu überprüfen. Führt eine dieser Überprüfungen
zu einem negativen Ergebnis, so wird die Standortbestimmung
zurückgewiesen. Andernfalls werden die
notwendigen Parameter der Gaußschen Funktion (µ y
und Jy von Gleichung (1.5)) extrahiert und über das
Kalmanfilter eingespeist. Fig. 5 zeigt einen Ausschnitt
der berechneten LF für eine Abtastprobe
zusammen mit ihrer annähernden Gaußschen Funktion.
Bei der Anwendung unterscheidet sich die Proto-
SPARTAN-Technik geringfügig von der obigen Übersicht
darin, daß sie primär in Ausdrücken der Log-Wahrscheinlichkeitsfunktion
arbeitet - dem natürlichen
Logarithmus der LF - und durch Anpassung einer quadratischen
Funktion an die berechneten Log-Wahrscheinlichkeiten
in der Bearbeitung fortschreitet. Dabei
wird jedoch die Anpassung derart durchgeführt, daß
eine gute Anpassung zwischen den entsprechenden Wahrscheinlichkeitsfunktionen
erzielt wird, so daß das
Verfahren logisch äquivalent zu dem im vorhergehenden
Paragraphen beschriebenen Verfahren ist. In der
später eingeführten SPARTAN-Technik spielt die Log-
Wahrscheinlichkeitsfunktion ebenfalls eine wichtige
Rolle.
Die Proto-SPARTAN-Technik erzeugt Positionsaktualisierungen,
die auf Geländedaten beruhen, die
über eine kurze jedoch nicht signifikante Zeitdauer
angesammelt worden sind, beispielsweise über 30 bis
60 s. Infolgedessen beruht die Abschätzung des Positionsfehlers,
der durch eine Standortbestimmung
gegeben ist, auf einem gewichteten Mittel des
Positionsfehlers über diese Zeitperiode oder Zeitdauer,
wobei diese Wichtung oder Bewertung von dem
durch diese Abtastung abgedeckten Gelände abhängt.
In der Praxis wird angenommen, daß die Standortbestimmung
einer Abschätzung oder Schätzfunktion
des Positionsfehlers zu einem einzigen Augenblick
ungefähr auf der Mitte entlang der Abtastung (dem
Abtastbezugspunkt) entspricht. Diese Annahme hat
sich als außerordentlich gültig erwiesen, indem
der Vergleich zwischen der wahren (Photofix) Position
am Abtastbezugspunkt mit der aus dem Proto-
SPARTAN-Verfahren gewonnenen Position herangezogen
wurde. Aus diesen Flugprüfanalysen könnte man zu
der Annahme gelangen, daß Proto-SPARTAN imstande
ist, in konsistenter Weise gute Standortbestimmungen
zu erbringen. Obwohl jedoch jede Standortbestimmung
auf diese Weise als bezogen auf die Luftfahrzeugposition
an der Mittenabtastung betrachtet werden
kann, ist diese Standortbestimmung tatsächlich nicht
bis zum Ende der Abtastung benutzbar, wobei eine
weitere Verzögerung für die Berechnung hinzukommt.
Insgesamt ergibt sich eine zeitliche Versetzung von
zumindest 15 s zwischen der Ankunft, d. h. der Vorlage
einer Standortbestimmung und dem Augenblick,
auf den sich die Standortbestimmung bezieht. Es
reicht zunächst gerade aus, das Kalmanfilter so einzustellen,
daß es dieser Verzögerung Rechnung trägt,
jedoch kann diese Versetzung oder Nacheilung nichtsdestoweniger
einen wichtigen einschränkenden Faktor
für die Echtzeitnavigationsleistung des Systems
darstellen.
Dieser Gesichtspunkt ist in Fig. 6A dargestellt.
Hierbei ist die Standardabweichung einer Komponente
vom Positionsfehler für ein einfaches idealisiertes
Navigationssystem gegenüber der Zeit in einem Plot
aufgetragen. Die Figur stellt andauernde Zustandsbedingungen
dar, bei denen das System jede Minute
durch eine TCN Standortbestimmung (TCN Fix) aktualisiert
wird, für die die entsprechende Komponente
des Positionsfehlers 50 m (1 Sigma) beträgt.
T₁ markiert einen Abtastbezugspunkt. Wäre die
Standortbestimmung am Abtastbezugspunkt verfügbar,
auf welchen sie sich bezieht, so würde der Positionsfehler
der gestrichelten Linie folgen und
eine sägezahnförmige Änderung zwischen 45 m und
103 m Standardabweichung ausführen. Tatsächlich
jedoch ist die Standortbestimmung frühestens nicht
vor dem Zeitpunkt T₂ verfügbar, so daß die tatsächliche
Fehlerfortschreitung durch die durchgezogene
Linie wiedergegeben wird, wobei eine sägezahnförmige
Änderung zwischen 69 m und 145 m Standardabweichung
vorliegt.
Bei einem besseren Koppelnavigatorsystem jedoch
wird dieser Sägezahneffekt weniger stark hervortreten.
Das in Fig. 6A gezeigte System weist eine Koppelleistung
von ca. 10 km/h auf. Die Fig. 7A zeigt
entsprechende Ergebnisse für ein System einer Leistung
von 1 km/h, wobei diese Zeichnung nahelegt,
daß die Proto-SPARTAN-Technik für die Anwendung in
bemannten Kampfflugzeugen recht zufriedenstellend
ist, wobei hierbei ein gutes Inertialnavigationssystem
üblicherweise in jedem Fall Gebot ist.
Darüber hinaus wird es jedoch bei vielen Anwendungen
erwünscht sein, weitestgehende Einsparungen
bezüglich Koppelnavigatorinstrumente zu treffen und
auf der Grundlage einer kontinuierlichen TCN-Standortbestimmung
zu arbeiten, um die Navigationsleistung
aufrechtzuerhalten. Bei derartigen Anwendungen könnte
eine große sägezahnförmige Fluktuation zwischen
Standortbestimmungswerten die Sparmaßnahmen, die
innerhalb der auftragsbedingten Erfordernisse getroffen
werden können, in ganz erheblichem Maße
einschränken.
Die augenscheinliche Lösung besteht darin,
kürzere Abtastungen zu benutzen. Hierzu wird beispielsweise
vorausgesetzt, daß eine 60-s-Abtastung
in 10 Abtastungen von 6 s aufgespalten wird. Ist
die Geländeinformation in Abhängigkeit von der Zeit
gleichförmig verteilt, so wird jede der neuen Abtastungen
ein Zehntel der Information der ursprünglichen
Standortbestimmung enthalten, daß man erwarten
kann, daß die Varianz der neuen Standortbestimmungen
zehnmal der ursprünglichen alten entspricht,
wobei sich eine Standardabweichung von 50×√=
158 m ergibt.
Wird nun die Positionsfehlerfortschreitung desselben
Koppelnavigatorsystems wie in Fig. 6A, jedoch
mit sechs zweiten Abtastungen ausgedrückt, so gewinnt
man Fig. 6B. In dieser Figur weist der Positionsfehler
eine sägezahnförmige Fluktuation zwischen
65 m Standardabweichung und 70 m Standardabweichung
auf, was eine große Verbesserung der Systembedingungen
darstellt.
Fig. 7B zeigt das entsprechende Ergebnis für
ein hochgradiges Koppelnavigatorsystem. Hieraus geht
hervor, daß der Leistungsverbesserung für diesen Fall
nur eine Randbedeutung zukommt.
Im vorhergehenden Abschnitt wird nahegelegt, daß
es wünschenswert ist, die Transecte oder Abtastungen
so kurz wie möglich zu gestalten. Jedoch kann dies
nur gelten, wenn es möglich ist, die Information
in einer kurzen Abtastung so wirksam zu verarbeiten,
wie es bei einer langen Abtastung möglich ist. Insbesondere
wurde angenommen, daß der Standortbestimmungsfehler
bei gleichen anderen Dingen angenähert
wie die inverse Quadratwurzel der Abtastlänge variieren
würde, und es ist nun von Nutzen, die Grundlage
dieser Annahme genauer zu untersuchen.
Wie in Abschnitt 2 vorweggenommen wurde, sollte
zu diesem Zeitpunkt davon abgegangen werden, die
Wahrscheinlichkeitsfunktion als eine Funktion des
Positionsfehlers im Luftfahrzeugkoppelnavigator-(DR
von Dead-Reckoning) System zu betrachten. Diese Variablenänderung
wird bedeuten, daß man davon ausgehen
kann, daß die LFs, die durch aufeinanderfolgende
Abtastungen erzeugt werden, als virtuell auf dieselbe
unbekannte Größe bezogen betrachtet werden können.
Aus der Definition der Wahrscheinlichkeitsfunktion
folgt, daß die LF, die gemeinsam von einer
Gruppe von statistisch unabhängigen Einzelmessungen
erzeugt ist, gleich dem Produkt der LFs ist, die
jeweils durch die individuellen Messungen gewonnen
werden. Der Grund hierfür liegt darin, daß die gemeinsame
Wahrscheinlichkeitsdichtefunktion dem Produkt
der Randdichtefunktionen gleichkommt. Wird infolgedessen
eine Aufeinanderfolge von kurzen Abtastungen
zur Ausbildung einer einzigen langen Abtastung zusammengeschlossen,
so wird die durch eine lange Abtastung
erzeugte LF angenähert gleich dem Produkt
aus den durch die kurzen Abtastungen erzeugten LFs
sein. (Jedoch nur angenähert wegen geringer statistischer
Abhängigkeiten zwischen den kurzen Abtastungen
und weil der Positionsfehler geringfügig von
einer kurzen Abtastung zur nächsten variiert.)
Sollten insbesondere n kurze Abtastungen LFs
der Gaußschen Form
für i = 1, . . . n
entsprechend der Gleichung (1.5) erzeugen, dann würde
die entsprechend zusammengefügte lange Abtastung eine
LF ähnlicher Form
erzeugen, wobei
ist.
Im Spezialfall, bei dem alle Ji gleich sind, ergibt
sich
J = nJi. (5.4)
Mit anderen Worten wird die Dispersion der LF (gegeben
durch die Inverse der "Informations"-Matrix J und
folglich der Varianz entsprechend) invers proportional
zur Abtastungslänge sein.
Wie aus dem Abschnitt 3 hervorging, ist die
durch ausreichend lange Abtastung erzeugte LF angenähert
Gaußsch. Unglücklicherweise gilt dies jedoch
nicht für kurze Abtastungen, wie in den Fig. 3 und 8
dargestellt. Es gilt jedoch weiterhin, daß die lange
Abtastung LF angenähert gleich dem Produkt aus
kurzen Abtastungen LFs ist, und wenn die Daten einer
kurzen Abtastung durch das ideale, am Beginn des
Abschnitts 3 betrachtete Bayesiensche Verfahren verarbeitet
werden, würde keinerlei Problem auftreten und
es würden die potentiellen Vorteile kurzer Abtastungen,
wie sie in Abschnitt 4 ausgeführt wurden, erzielt.
Wie jedoch in Abschnitt 3 weiterhin argumentiert
wurde, ist diese ideale Bayesiensche maschinelle
Umsetzung unpraktisch, so daß man gezwungen ist,
sich stattdessen nach anderen maschinellen Umsetzungen,
beispielsweise durch das Kalmanfilter, umzusehen.
Eine Vorbedingung für die Benutzung des
Kalmanfilters besteht darin, daß die LF angenähert
die Funktion einer Gaußschen Form annimmt. Diese
Annäherung jedoch beinhaltet folgende Probleme:
(a) Wie könnte sie ausgeführt werden und (b) erhält
sie die durch Gleichung (5.3) ausgedrückte Eigenschaft
oder resultiert sie in einer rapideren Verschlechterung
der effektiven Standortbestimmungsgenauigkeit
mit kürzerer Abtastungslänge? - wobei
in diesem Fall die potentiellen Vorteile kürzerer
Abtastungen nicht vollständig zur Wirkung kämen.
Wie kann eine Wahrscheinlichkeitsfunktion wie
die in den Fig. 3 und 8 gezeigten zufriedenstellend
durch eine Funktion Gaußscher Form angenähert werden?
Ein Verfahren hierzu ist in Fig. 9A dargestellt. Ist
vom Luftfahrzeug vorhergehend bekannt, daß es sich
in einem kleinen Bereich wie R befindet, dann wird die
LF innerhalb dieses kleinen Bereichs nahezu Gaußsch
sein, sie kann dann, wie in Fig. 9B gezeigt, entsprechend
angenähert werden. Dies hängt von den Ausgangsbedingungen
der Anwendung von TCN wie beispielsweise
SITAN und TERPROM ab, obwohl diese üblicherweise
eher durch Linearisierungsbedingungen des Geländes
ausgedrückt werden (d. h. Annäherung des Geländes
innerhalb R durch eine geometrische Ebene) als durch
Annäherung der LF mittels einer Gaußschen Funktion.
Wie jedoch aus den Figuren hervorgeht, läuft dies auf
dasselbe Ergebnis hinaus.
Um gültig zu sein, benötigt diese Näherung eine
genaue Anfangsabschätzung der Luftfahrzeugposition
und diese wird üblicherweise erstellt, indem die
Standortbestimmung einer Langabtastungsgeländekontur
benutzt wird. Ferner tritt ein Problem auf, wenn in
der digitalen Karte lokale Fehler enthalten sind, was
in der Praxis sehr wahrscheinlich ist. Der lokale
Kartenfehler führt dann zu einer inkorrekten Ebenennäherung,
was wiederum zu einer fehlerhaften Korrektur
der Positionsabschätzung führt. Die resultierende
fehlerhafte Positionsabschätzung wird dann bedeuten,
daß für die nächste Radarhöhenmessungsstichprobe die
Ebenennäherung auf dem falschen Teil der digitalen
Karte beruht, und (obwohl die Karte an der jetzigen
Stelle genau sein kann) wird dies weiterhin auch im
folgenden zu fehlerhaften Positionskorrekturen führen.
Augenscheinlich muß man mit einiger Verschlechterung
der Navigationsleistung beim Vorhandensein von lokalen
Kartenfehlern rechnen, jedoch sollte man zumindest
versuchen, die Auswirkung dieser Fehler temporär zu
begrenzen, als diese zu einem "Domino"-Effekt führen
zu lassen.
Techniken dieser Art beinhalten im allgemeinen
zusätzliche Mittel im Hinblick darauf, daß sie
die Annahme, daß die Ebene innerhalb der Zone der
Positionsunsicherheit angenähert linear ist, lockern
und einschränken. Dies stellt einen signifikanten
Schritt dar, da, während die Theorie hinter dem sogenannten
erweiterten Kalmanfilter die Benutzung der
Kalmantechniken rechtfertigt, um nichtlineare Systeme
in Fällen zu behandeln, in denen die Systemgleichungen
durch lineare Gleichungen innerhalb eines Unsicherheitsbereichs
über eine Nominaltrajectorie
im Zustandsraum angenähert wird, nun in Betracht gezogen
wird, diese Technik für Fälle anzuwenden, bei
denen das System innerhalb dieses Unsicherheitsbereichs
offensichtlich nichtlinear ist.
Das üblicherweise angewandte Verfahren besteht
darin, die Nichtlinearität des Geländes zu gestatten,
indem ein höherer Meßgeräuschpegel angenommen wird.
Wie Hostetler und Beckmann in ihrem Artikel auf
den Seiten 1263 bis 1270 der Veröffentlichungen der
IEEE National Aerospace and Electronics Conference,
1978, darstellen, "Wird ein nichtlineares Parameter
berechnet, indem beschrieben wird, wie genau das
Gelände unterhalb des Systems durch die stochastische
Linearisierung im Kalmanfilter genähert werden kann.
Dieser Näherungsfehler wird als zusätzliche Meßunsicherheit
während der Berechnung der Kalmanübertragungs-
oder Verstärkungsmatrix behandelt, wodurch
diese Übertragungen bzw. Verstärkungen moduliert werden,
wenn die lineare Annäherung schlecht ist." Eine
weitere Behandlung dieser Näherung ist in einem
Artikel von Adreas, Hostetler und Beckmann auf den
Seiten 1023 bis 1030 der Veröffentlichungen der IEEE
National Aerospace and Electronics Conference, 1979,
erschienen.
Bei qualitativer Betrachtung ist augenscheinlich,
daß diese Näherung dahingehend geeignet ist, daß sie
das Kalmanfilter veranlaßt, ein geringeres Gewicht
auf Aktualisierungen, d. h. Änderungen von nichtlinearem
Gelände zu geben. Darüber hinaus kann dies durch
theoretische Betrachtungen gerechtfertigt werden, und
die Literatur zeigt an, daß es auch in der Praxis
funktioniert. Jedoch besteht das Wesen der Näherung
darin, einige der zur Verfügung stehenden Informationen
zu ignorieren. Die digitale Karte zeichnet detailliert
die Nichtlinearitäten des Geländes auf. Die hier diskutierte
Technik läßt diese Details außer Betracht und
gibt stattdessen vor, daß die Karte ein lokal planares
Geländestück aufweisen würde, daß jedoch in diesem
Fall eine zusätzliche Rauschquelle ("Linearisierungsrauschen")
vorhanden wäre, das zu Abweichungen der
beobachteten Geländehöhe von dieser geometrischen
Ebene führt.
Es sei hier darauf hingewiesen, daß es keine
Analogien zu diesem Linearisationsrauschen oder
Linearisierungsrauschen bei Langabtastungsverfahren
wie den in Abschnitt 3 beschriebenen gibt, die die
Daten der Digitalkarte unmittelbar mit deren voller
Detaillierung ausnutzen. Folglich fordert die Benutzung
kurzer Abtastungen einen Preis, der gegenüber den
in Abschnitt 4 in Aussicht gestellten Vorteilen abgewägt
werden muß.
Angenommen, eine Anzahl unabhängiger statistischer
Messungen bestehen aus einer bestimmten nichtvariierenden
unbekannten Größe. Unter statistischen Messungen
werden hier der Einfachheit halber Beobachtungsdaten
verstanden, deren Wahrscheinlichkeitsverteilung von
der unbekannten in Frage kommenden Größe abhängt.
Für diesen Fall existiert eine Anzahl verschiedener
Wege zur Benutzung des Bayes Theorems, um die Kenntnisse
über die unbekannte Größe zu aktualisieren. Man
könnte hierzu eine Wahrscheinlichkeitsfunktion für
jede Beobachtung getrennt ableiten und das Bayes
Theorem wiederholt anwenden. Alternativ hierzu können
sämtliche beobachteten Werte geballt zusammen behandelt
werden, eine einzige LF für sie gemeinsam abgeleitet
werden und das Bayes Theorem nur einmal angewendet
werden. Ferner könnten wiederum die beobachteten
Werte mit einer Zwischenmaßaufteilung in entsprechende
Untergruppen gruppiert werden und die LF
für jede Untergruppe abgeleitet werden. Gleich welches
Verfahren angewendet wird, das endgültige Resultat
ist augenscheinlich stets dasselbe. Dies ist der Fall,
weil in jedem Fall das Produkt der LFs das gleiche
ist - oder äquivalent, weil die Summe der benutzten
Log-Wahrscheinlichkeitsfunktionen in jedem Falle dieselbe
ist.
Man kann sogar noch weitergehen. Hierzu setzt
man voraus, daß im Falle der Anwendung des Bayes
Theorems auf das betrachtete Problem es sich als
rechnerisch nützlich erweisen würde, die individuellen
LFs zu nähern. Hierdurch würde sich kein Unterschied
bezüglich des Endergebnisses ergeben, vorausgesetzt,
die Summe des Logarithmusses der Näherungsfunktion
ist gleich der Summe der ursprünglichen Log-
Wahrscheinlichkeitsfunktionen. Soweit es das Endresultat
betrifft, ist es mit anderen Worten legitim,
zwischen einer Untergruppe von Messungen und einer
weiteren Untergruppe die logarithmische Wahrscheinlichkeit
(in additiver Weise) einer Rückverteilung
zu unterziehen, vorausgesetzt, die gesamte Summe bleibt
erhalten.
Diese Möglichkeit ist fundamental für die SPARTAN
Durchführung der TCN. In diesem Fall ist die in Frage
kommende Unbekannte der Positionsfehler im Navigationssystem,
und die Untergruppen der Messungen sind
die kurzen Abtastungen. Wie Proto-SPARTAN arbeitet
SPARTAN durch Anpassen einer quadratischen Funktion
an die logarithmische LF, die aus den Abtastdaten
abgeleitet ist. Das hierbei neue Merkmal besteht darin,
daß die Restfunktion, die Differenz zwischen den
berechneten Log-Wahrscheinlichkeiten und der angepaßten
quadratischen Funktion, nicht mehr gelöscht wird,
sondern von nun an wiederverteilt wird, um in Verbindung
mit den Daten von der nächstfolgenden Abtastung in
Betracht gezogen zu werden. Diese Restfunktion,
üblicherweise als Stockpotfunktion bezeichnet, kann
als eine repräsentierende Information angesehen werden,
die auf den Geländedaten gesammelt wurde, jedoch
noch nicht durch das Kalmanfilter geführt worden
ist. Die Tatsache, daß die durch lange Abtastungen
hervorgerufenen Wahrscheinlichkeitsfunktionen im
allgemeinen mit guter Näherung Gaußsche Form aufweisen,
legt nahe, daß diese Restfunktion nicht in
einer nicht akzeptablen, instabilen Art und Weise
anwächst, wenn eine wachsende Anzahl von kurzen Abtastungen
verarbeitet wird, und diese Tatsache wird
durch die Praxis bestätigt.
Die SPARTAN-Technik verwendet die Ideen des
vorhergehenden Abschnitts, um eine radikal verschiedene
Lösung für das Problem kurzer Abtastungen zu
gewinnen. Eine Einschränkung jedoch der Darstellung
in Abschnitt 6 besteht darin, daß der Positionsfehler
als eine nichtveränderliche Unbekannte behandelt wird.
Glücklicherweise kann die Näherung verallgemeinert
werden, indem die Rest- oder Stockpotfunktion so
transformiert wird, daß sie die Dynamik der Navigationssystemfehler
zuläßt.
Das resultierende Vorgehen wirkt durch Iteration
oder wiederholte Anwendung der folgenden Schritte,
wie sie in Fig. 10 dargestellt sind.
- 1. Eine Funktion von zwei Variablen (die die Horizontalkomponenten des DR Positionsfehlers darstellen), die als Stockpotfunktion bezeichnet wird, wird so initialisiert, daß sie identisch Null ist.
- 2. Wenn das Datum oder die Dateneinheit für eine Abtastung verfügbar wird, berechnet das System die logarithmische Wahrscheinlichkeitsfunktion für diese Dateneinheit über einen Suchbereich, der durch die laufende oder gültige Positionsunsicherheit, wie sie durch das Kalmanfilter abgeschätzt ist, bestimmt ist.
- 3. Die logarithmische Wahrscheinlichkeitsfunktion wird zu der Stockpotfunktion addiert.
- 4. Das System paßt nun eine quadratische Fläche an diese Summe aus Stockpotfunktion und Log- Wahrscheinlichkeitsfunktion an.
- 5. Die geeigneten Parameter dieser Quadratfunktion werden extrahiert und dazu benutzt, eine Messungsaktualisierung im Kalmanfilter auszuführen.
- 6. Die quadratische Funktion wird von der Summe aus Stockpotfunktion und Log-Wahrscheinlichkeit subtrahiert, wobei der Rest zu einer neuen Stockpotfunktion wird.
- 7. Die neue Stockpotfunktion wird aufrechterhalten, bis neue Abtastdaten verfügbar sind, wird jedoch in der Zwischenzeit so transformiert, daß zeitliche Variationen der Navigationssystemfehler gestattet sind. Die Parameter, die diese "Zeitaktualisierung" der Stockpotfunktion definieren, werden durch die Softwareroutine (das Programm) für die Kalmanfilterzeitaktualisierung bestimmt, wobei dieses Programm ebenfalls zu diesem Zeitpunkt wirksam ist.
- 8. Das Vorgehen oder der Verfahrensablauf fährt nun von Schritt 2 an fort, und diese Schleife wird unbestimmt wiederholt.
Die Schritte 5 und 6 werden nur ausgeführt, wenn die
in Schritt 4 gefundene quadratische Fläche oben nach
außen gewölbt konvex ist, d. h. eine kuppelförmige
Wölbung aufweist. Ist dies nicht der Fall, wird keine
Messung in das Kalmanfilter eingespeist, und der
Verfahrensablauf fährt von Schritt 7 an fort.
Die quadratische Näherung in Schritt 4 wird in
anpassender Weise in Abhängigkeit von der Positionsunsicherheit
zu diesem Zeitpunkt durchgeführt. Dies
ist während der anfänglichen Erfassung von einer großen
Positionsunsicherheit von außerordentlichem Vorteil,
wie schematisch in Fig. 11 dargestellt ist. Wie wir
gesehen haben, ist die durch kurze Abtastung hervorgerufene
Log-Wahrscheinlichkeitsfunktion durch zahlreiche
lokale Maxima oder Peaks gekennzeichnet. Bei
einer großen Positionsunsicherheit wird das System
eine breit basierte quadratische Näherung anpassen,
die typischerweise eine sehr weite Wölbung aufweist.
Soweit es das Kalmanfilter betrifft, wird dies zu
einer außerordentlich vorsichtigen Standortbestimmung
führen, die höchstens dazu dient, einige wenige Bereiche,
in denen die Log-Wahrscheinlichkeit übereinstimmend
niedrig ist, zu eliminieren, jedoch ohne
den Versuch, in dieser Ablaufstufe zwischen den zahlreichen
Peaks zu unterscheiden.
Jedoch wird die Feinstruktur der Log-Wahrscheinlichkeitsfunktion
von der ersten Abtastung (Abtastung
oder Transect 1) in der Stockpotfunktion erhalten und
erneut in Verbindung mit der aus der zweiten Abtastung
(Transect oder Abtastung 2) abgeleiteten Log-Wahrscheinlichkeitsfunktion
betrachtet. Das Maximum in der
Log-LF aus Abtastung 1, das der wahren Luftfahrzeugposition
entspricht, wird normalerweise durch ein
Maximum in der Log-LF aus Abtastung 2 verstärkt,
wohingegen andere Maxima oder Peaks zufällig verstärkt
oder beseitigt werden. Diese Verstärkung oder
Hervorhebung, kombiniert mit der geringfügig verminderten
Positionsunsicherheit vom Kalmanfilter, die
auf die vorhergehende Standortbestimmung folgt, wird
dann eine quadratische Näherung mit geringfügig
schmalerer Wölbung oder Kuppel hervorrufen, d. h. wird
in einer geringfügig sicheren zweiten Standortbestimmung
oder Standortbestimmungsdaten für das Kalmanfilter
resultieren.
Daraufhin wird die Feinstruktur der kombinierten
Log-LFs im Stockpot weiter mitgeführt, und wiederum
wird das der wahren Luftfahrzeugposition entsprechende
lokale Maximum dazu neigen, durch ein vergleichbares
Maximum in der Log-LF von Abtastung 3 verstärkt oder
hervorgehoben zu werden. Durch Wiederholung dieses
Prozesses kann das System bewirken, daß die Unsicherheitszone
rapide auf die wahre Position konvergiert.
Dies tritt ein, sobald ausreichende Geländedaten gewonnen
sind.
Wenn sich das System mit einer Positionsunsicherheit,
die aus wenigen zehn Metern besteht, stabilisiert
hat, wird sich ergeben, daß die Log-LFs gewöhnlich,
wie in Fig. 12 gezeigt, innerhalb der Zone der Positionsunsicherheit
außerordentlich nah an eine quadratische
Form kommen. In diesem Fall sind die in der
Stockpotfunktion mitgeführten Reste nahezu Null. Unter
diesen Bedingungen ist weiterhin die Funktion von
SPARTAN nahezu äquivalent zur Funktion von Anwendungen,
wie beispielsweise SITAN.
Tritt ein lokalisierter Kartenfehler auf, so
wird das System fehlgeleitet. Jedoch wird die wahre
Luftfahrzeugposition als ein dezentriertes Maximum
oder ein dezentrierter Peak in der Log-LF wieder
erscheinen, wobei dieses - über die Stockpot - von
Abtastung zu Abtastung weiter verstärkt und hervorgehoben
wird. Es liegt infolgedessen eine gute Chance
dafür vor, daß das System automatisch eine genaue
Navigation zurückerlangt. (Ein Sicherheitsgefüge-
oder -netz von Erfassungs- und Erholvorgängen für
algorithmische Ausfälle ist weiterhin vorgesehen,
jedoch selten aktiviert; diese Vorgänge kosten mehr
an verstrichener Zeit als die automatische Erholung
im Normalfall benötigt.)
Obwohl in diesem Abschnitt der SPARTAN-Vorgang
in Abhängigkeit von wiederholter quadratischer Näherung
der logarithmischen Wahrscheinlichkeitsfunktion
beschrieben worden ist, ist ganz offensichtlich abschätzbar,
daß diese Technik prinzipiell gleichermaßen
mittels Gaußscher Näherungen an die Wahrscheinlichkeitsfunktion
ausgeführt werden kann, wobei die
zweckmäßigen Substitutionen von Multiplikation für
Addition, Division für Subtraktion und Eins (Einheits-)
für Null getroffen werden.
Darüber hinaus ist einsichtig, daß das erfindungsgemäße
Gerät, abgesehen von den Meßwertaufnehmern
oder Sensoren, die von beliebiger Art sein können,
einen mittels geeigneter Software gesteuerten Digitalrechner
aufweisen wird.
Claims (7)
1. Gerät zur Messung des Zustands eines dynamischen
Systems
dadurch gekennzeichnet,
daß dieses Gerät aufweist:
- (a) eine Meßwertaufnehmereinrichtung, die eine Folge von Messungen oder einen Satz von Messungen, die vom laufenden Zustand dieses Systems abhängen, bei vorhandenem Rauschen und anderen vorhandenen Fehlerquellen hervorbringt, die durch ein statistisches Modell darstellbare Quellen sind;
- (b) eine erste Rechenvorrichtung, die eine mit jeder dieser Messungen oder diesen Sätzen von Messungen verknüpfte logarithmische Wahrscheinlichkeitsfunktion entsprechend diesem statistischen Modell bestimmt;
- (c) eine zweite Rechenvorrichtung, die die Summe dieser logarithmischen Wahrscheinlichkeitsfunktion und einer anfänglich auf identisch Null gesetzten Restfunktion bildet;
- (d) eine dritte Rechenvorrichtung, die einen Rekursivabschätzer zum Entwickeln des dynamischen Verhaltens des Systems verwendet;
- (e) eine vierte Rechenvorrichtung, die eine quadratische Näherung an diese Summe aus logarithmischer Wahrscheinlichkeitsfunktion und Restfunktion bestimmt, wobei die Anpassung in Abhängigkeit von der gegenwärtigen Zustandsunsicherheit des dynamischen Systems, wie durch die Ausgangsgröße der dritten Rechenvorrichtung nachgewiesen, bewertet wird;
- (f) eine fünfte Rechenvorrichtung, die aus dieser quadratischen Näherung Parameter ableitet, die als Grundlage für eine Messungsaktualisierung innerhalb der dritten Rechenvorrichtung dienen;
- (g) eine sechste Rechenvorrichtung, die diese quadratische Näherung von dieser Summe der logarithmischen Wahrscheinlichkeitsfunktion und Restfunktion subtrahiert, welche sie zur Bildung einer neuen Restfunktion annähert;
- (h) eine siebte Rechenvorrichtung, die diese Restfunktion so verändert, daß eine dynamische Zustandsänderung des Systems während des Intervalls zwischen aufeinanderfolgenden Messungen oder Sätzen von Messungen innerhalb der Meßfolge berücksichtigt wird; und
- (i) eine achte Rechenvorrichtung, die feststellt, ob diese von der vierten Rechenvorrichtung hervorgebrachte quadratische Näherung als Eingangsgröße für diese dritte Rechenvorrichtung geeignet ist, und die bei Feststellung der Eignung der quadratischen Näherung für den genannten Zweck so wirksam wird, daß sie die fünfte und sechste Rechenvorrichtung aktiviert, und im anderen Fall die Summe aus der logarithmischen Wahrscheinlichkeitsfunktion und der Restfunktion als eine Eingangsgröße für die siebte Rechenvorrichtung verwendet, wobei diese Summe als Eingangsgröße für die vierte Rechenvorrichtung und als die neue genannte Restfunktion verwendet wird.
2. Gerät zur Messung des Zustands eines dynamischen
Systems,
dadurch gekennzeichnet,
daß dieses Gerät aufweist:
- (a) eine Meßwertaufnehmereinrichtung, die eine Folge von Messungen oder einen Satz von Messungen, die vom laufenden Zustand dieses Systems abhängen, bei vorhandenem Rauschen und anderen vorhandenen Fehlerquellen hervorbringt, die durch ein statistisches Modell darstellbare Quellen sind;
- (b) eine erste Rechenvorrichtung, die eine mit jeder dieser Messungen oder diesen Sätzen von Messungen verknüpfte logarithmische Wahrscheinlichkeitsfunktion entsprechend diesem statistischen Modell bestimmt;
- (c) eine zweite Rechenvorrichtung, die das Produkt dieser logarithmischen Wahrscheinlichkeitsfunktion und einer anfänglich auf identisch Null gesetzten Restfunktion bildet;
- (d) eine dritte Rechenvorrichtung, die einen Rekursivabschätzer zum Entwickeln des dynamischen Verhaltens des Systems verwendet;
- (e) eine vierte Rechenvorrichtung, die eine Gaußsche Näherung an dieses Produkt aus logarithmischer Wahrscheinlichkeitsfunktion und Restfunktion bestimmt, wobei die Anpassung in Abhängigkeit von der gegenwärtigen Zustandsunsicherheit des dynamischen Systems, wie durch die Ausgangsgröße der dritten Rechenvorrichtung nachgewiesen, bewertet wird;
- (f) eine fünfte Rechenvorrichtung, die aus dieser Gaußschen Näherung Parameter ableitet, die als Grundlage für eine Messungsaktualisierung innerhalb der dritten Rechenvorrichtung dienen;
- (g) eine sechste Rechenvorrichtung, die diese Gaußsche Näherung in dieses Produkt aus der logarithmischen Wahrscheinlichkeitsfunktion und der Restfunktion teilt, welche sie zur Bildung einer neuen Restfunktion annähert;
- (h) eine siebte Rechenvorrichtung, die diese Restfunktion so verändert, daß eine dynamische Zustandsänderung des Systems während des Intervalls zwischen aufeinanderfolgenden Messungen oder Sätzen von Messungen innerhalb der Meßfolge berücksichtigt wird; und
- (i) eine achte Rechenvorrichtung, die feststellt, ob diese Gaußsche Näherung als Eingangsgröße für diese dritte Rechenvorrichtung geeignet ist, und die bei Feststellung der Eignung der Gaußschen Näherung für den genannten Zweck so wirksam wird, daß sie die fünfte und sechste Rechenvorrichtung aktiviert, und im anderen Fall die Summe aus der logarithmischen Wahrscheinlichkeitsfunktion und der Restfunktion als eine Eingangsgröße für die siebte Rechenvorrichtung verwendet, wobei diese Summe als Eingangsgröße für die vierte Rechenvorrichtung verwendet und als die neue genannte Restfunktion genommen wird.
3. Gerät nach Anspruch 1 oder 2, in welchem dieser
Abschätzer ein Kalmanfilter aufweist.
4. Navigationssystem, enthaltend ein Gerät nach
einem der Ansprüche 1 bis 3, zum Entwurf eines
Geländeprofils unter einer Fahrzeugspur, in welchem
diese Meßwertaufnehmereinrichtung des Geräts einen
Radar- oder Laserhöhenmesser, einen barometrischen
Höhenmesser und einen Koppelnavigator aufweist.
5. Navigationssystem, verwendend einen Rekursivabschätzer
für Navigationsintegration,
dadurch gekennzeichnet,
daß die Parameter einer quadratischen, auf eine
logarithmische Wahrscheinlichkeitsfunktion genäherten
Funktion als Eingangsgrößen für diesen Abschätzer
verwendet werden.
6. Navigationssystem, verwendend einen Rekursivabschätzer
für Navigationsintegration,
dadurch gekennzeichnet,
daß die Parameter einer Gaußschen, auf eine logarithmische
Funktion genäherten Funktion als Eingangsgrößen
für diesen Abschätzer verwendet werden.
7. Navigationssystem nach Anspruch 5 oder 6, in
welchem dieser Abschätzer ein Kalmanfilter aufweist.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GB858512340A GB8512340D0 (en) | 1985-05-15 | 1985-05-15 | Measuring dynamic system |
Publications (2)
Publication Number | Publication Date |
---|---|
DE3636131A1 true DE3636131A1 (de) | 1991-08-08 |
DE3636131C2 DE3636131C2 (de) | 1998-01-29 |
Family
ID=10579192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE3636131A Expired - Fee Related DE3636131C2 (de) | 1985-05-15 | 1986-05-14 | Verfahren und Gerät zur Messung des Zustandes eines Navigationssystems |
Country Status (7)
Country | Link |
---|---|
US (1) | US4786908A (de) |
DE (1) | DE3636131C2 (de) |
FR (2) | FR2599874B1 (de) |
GB (2) | GB8512340D0 (de) |
IT (1) | IT1210004B (de) |
NL (1) | NL194134C (de) |
SE (1) | SE506409C2 (de) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7437254B2 (en) | 2004-07-30 | 2008-10-14 | Eads Deutschland Gmbh | Method for detecting errors in sensor values and error detection device |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0278907A (ja) * | 1988-09-16 | 1990-03-19 | Hitachi Ltd | 地図データを用いたナビゲーシヨンシステム及び移動体のロケーションシステム |
ITMI910497A1 (it) * | 1990-03-05 | 1991-09-06 | Aerospatiale Soc Nat Indu Strielle | Dispositivo per la guida automatica di un aeromobile a raso mare. |
US5557773A (en) * | 1991-06-12 | 1996-09-17 | Wang; Cheh C. | Computational automation for global objectives |
GB2285700B (en) * | 1994-01-12 | 1998-06-24 | Drallim Ind | Monitoring apparatus and method |
US5722048A (en) | 1994-12-02 | 1998-02-24 | Ncr Corporation | Apparatus for improving the signal to noise ratio in wireless communication systems through message pooling and method of using the same |
US5706013A (en) * | 1996-08-09 | 1998-01-06 | The United States Of America As Represented By The Secretary Of The Air Force | Nonhomogeneity detection method and apparatus for improved adaptive signal processing |
US5860480A (en) * | 1997-04-08 | 1999-01-19 | Caterpillar Inc. | Method and apparatus for determining pitch and ground speed of an earth moving machines |
DE10142953B4 (de) * | 2001-09-01 | 2010-08-05 | Harry-H. Evers | Verfahren zur Ortung mit einem mobilen Endgerät |
US20090177339A1 (en) * | 2005-03-03 | 2009-07-09 | Chen Robert H | Optimization and Mechanization of Periodic Flight |
EP2209018A1 (de) * | 2009-01-15 | 2010-07-21 | Nederlandse Organisatie voor toegepast-natuurwetenschappelijk Onderzoek TNO | Verfahren zur Schätzung einer Objektbewegungseigenschaft von einem Radarsignal, Computersystem und Computerprogrammprodukt |
FR2975179B1 (fr) * | 2011-05-13 | 2013-06-07 | Mbda France | Procede de gestion automatique d'un gyrometre longitudinal monte sur un engin volant |
US10444269B2 (en) | 2017-05-26 | 2019-10-15 | Honeywell International Inc. | Apparatus and method for performing grid adaption in numerical solution of recursive bayesian estimators |
US11378403B2 (en) | 2019-07-26 | 2022-07-05 | Honeywell International Inc. | Apparatus and method for terrain aided navigation using inertial position |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA860527A (en) * | 1971-01-05 | L. Vehrs Charles | Terrain-following system | |
US3740750A (en) * | 1962-08-29 | 1973-06-19 | North American Aviation Inc | Monopulse receiver system |
US3327306A (en) * | 1964-12-31 | 1967-06-20 | Gen Electric | Optimized input adaptive control method and system |
US3404398A (en) * | 1967-06-12 | 1968-10-01 | North American Rockwell | Terrain following system employing intermittent radiation |
US3526836A (en) * | 1968-01-23 | 1970-09-01 | Rca Corp | Statistical method,under computer control,for the manufacture and test of mass produced articles |
US3795909A (en) * | 1971-10-12 | 1974-03-05 | North American Rockwell | Terrain-following radar system |
US4144571A (en) * | 1977-03-15 | 1979-03-13 | E-Systems, Inc. | Vehicle guidance system |
US4179693A (en) * | 1977-05-23 | 1979-12-18 | Rockwell Internation Corporation | Autonomous, check-pointing, navigational system for an airborne vehicle |
US4520445A (en) * | 1981-03-30 | 1985-05-28 | E-Systems, Inc. | Method of determining the position and velocity of a vehicle |
US4495580A (en) * | 1981-03-30 | 1985-01-22 | E-Systems, Inc. | Navigation system |
US4646244A (en) * | 1984-02-02 | 1987-02-24 | Sundstrand Data Control, Inc. | Terrain advisory system |
US4796191A (en) * | 1984-06-07 | 1989-01-03 | Etak, Inc. | Vehicle navigational system and method |
-
1985
- 1985-05-15 GB GB858512340A patent/GB8512340D0/en active Pending
-
1986
- 1986-05-14 GB GB8611705A patent/GB2178571B/en not_active Expired
- 1986-05-14 NL NL8615002A patent/NL194134C/nl not_active IP Right Cessation
- 1986-05-14 DE DE3636131A patent/DE3636131C2/de not_active Expired - Fee Related
- 1986-05-15 US US06/874,332 patent/US4786908A/en not_active Expired - Lifetime
- 1986-12-10 FR FR868617318A patent/FR2599874B1/fr not_active Expired - Lifetime
-
1987
- 1987-02-16 IT IT8767103A patent/IT1210004B/it active
- 1987-02-20 SE SE8700715A patent/SE506409C2/sv not_active IP Right Cessation
- 1987-11-10 FR FR878715572A patent/FR2606872B1/fr not_active Expired - Lifetime
Non-Patent Citations (1)
Title |
---|
IEEE National Aerospace and Electronics Conference, 1978, S. 1263-1270 und 1979, S. 1023-1030 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7437254B2 (en) | 2004-07-30 | 2008-10-14 | Eads Deutschland Gmbh | Method for detecting errors in sensor values and error detection device |
Also Published As
Publication number | Publication date |
---|---|
FR2606872A1 (fr) | 1988-05-20 |
DE3636131C2 (de) | 1998-01-29 |
IT8767103A0 (it) | 1987-02-16 |
GB2178571B (en) | 1989-11-22 |
NL194134B (nl) | 2001-03-01 |
US4786908A (en) | 1988-11-22 |
FR2606872B1 (fr) | 1992-05-29 |
SE8700715D0 (sv) | 1987-02-20 |
GB8512340D0 (en) | 1986-10-29 |
SE506409C2 (sv) | 1997-12-15 |
IT1210004B (it) | 1989-08-30 |
NL8615002A (nl) | 1987-02-02 |
SE8700715L (sv) | 1987-02-20 |
NL194134C (nl) | 2001-07-03 |
FR2599874A1 (fr) | 1987-12-11 |
FR2599874B1 (fr) | 1992-05-29 |
GB8611705D0 (en) | 1986-10-29 |
GB2178571A (en) | 1987-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE3636131C2 (de) | Verfahren und Gerät zur Messung des Zustandes eines Navigationssystems | |
DE4403190C1 (de) | Verfahren zum Bestimmen der Position eines Flugzeugs aus Beschleunigungsdaten eines Inertialsystems sowie aus Ausgabedaten eines Navigationssystems und Einrichtung zur Durchführung des Verfahrens | |
DE68913499T2 (de) | Diskrete Autofokus-Einstellung für die Abbildungserzeugung in einem Radar mit synthetischer Apertur und sehr hoher Auflösung. | |
EP3343249B1 (de) | Verfahren zur erhöhung der räumlichen auflösung einer wettervorhersage | |
DE60220062T2 (de) | System und verfahren zur verarbeitung von squint-abgebildeten sar-daten | |
DE69009091T2 (de) | Verfahren und Vorrichtung zur Signalverarbeitung. | |
DE3882707T2 (de) | Radar mit synthetischer apertur. | |
DE4225413C1 (de) | Verfahren zur Bewegungskompensation von SAR-Bildern mittels eines Kurs/Lage-Referenzsystems und Einrichtung zur Durchführung des Verfahrens | |
EP0677172A1 (de) | Computerisiertes radarverfahren zur messung von abständen und relativgeschwindigkeiten zwischen einem fahrzeug und vor ihm befindlichen hindernissen | |
DE3424034A1 (de) | Vorrichtung und verfahren zur korrelation und erkennung bzw. erfassung von gelaendehoehen | |
EP0161668A2 (de) | Navigationsverfahren für Fahrzeuge insbesondere Landfahrzeuge | |
DE2801045A1 (de) | Navigationsgeraet | |
DE69102632T2 (de) | Digitale korrekturschaltung für monopuls-prozessor. | |
EP1889092B1 (de) | Verfahren und vorrichtung zum korrigieren von wetterdaten sowie computerprogrammprodukt | |
DE102021000790A1 (de) | Verfahren zur Fusionierung von Sensordaten | |
EP0879447B1 (de) | Verfahren zur erzeugung der reglerparameter aus einem antwortsignal einer regelstrecke durch einen rechner | |
DE2514751C2 (de) | Tacan-System | |
EP1515159B1 (de) | Verfahren zur Verringerung des Dopplerzentroids bei einem kohärenten Impuls-Radarsystem | |
EP0602473A1 (de) | Radargerät mit synthetischer Apertur auf der Basis rotierender Antennen | |
DE102018001533B4 (de) | Echtzeitverfahren zur dynamischen Koordinaten- und Parameterschätzung mit gitterbasierten nicht-linearen probabilistischen Filtern | |
DE3587428T2 (de) | Signalverarbeitungs- und Radioabstandsmessungsvorrichtung. | |
DE4429517C2 (de) | Vorrichtung und Verfahren zur Korrektur einer Meßkurve oder eines Signalverlaufs und deren bzw. dessen Anwendung zur Rekonstruktion von Lagefehlern bei Bahngleisen aus geometrischen Relativmessungen | |
WO2016087087A1 (de) | Verfahren und vorrichtung zum bestimmen statistischer eigenschaften von rohmesswerten | |
DE3222255C2 (de) | ||
DE102019217758A1 (de) | Verfahren zum schätzen einer klemmkraft eines bolzens |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8181 | Inventor (new situation) |
Free format text: RUNNNALLS, ANDREW ROBERT, FAVERSHAM, KENT, GB |
|
8110 | Request for examination paragraph 44 | ||
8127 | New person/name/address of the applicant |
Owner name: GEC-MARCONI LTD., STANMORE, GB |
|
8125 | Change of the main classification |
Ipc: G01C 21/20 |
|
D2 | Grant after examination | ||
8364 | No opposition during term of opposition | ||
8328 | Change in the person/name/address of the agent |
Free format text: PATENTANWAELTE REICHEL UND REICHEL, 60322 FRANKFURT |
|
8327 | Change in the person/name/address of the patent owner |
Owner name: BAE SYSTEMS ELECTRONICS LTD., STANMORE, MIDDLESEX, |
|
8339 | Ceased/non-payment of the annual fee |