Evaluation von Filter-Ansätzen für die Positionsschätzung von Fahrzeugen mit den Werkzeugen der Sensitivitätsanalyse

Abstract

In dieser Arbeit werden drei verschiedene Ansätze zur Fahrzeugpositionsbestimmung im Kalman-Filter entwickelt. Die Filterentwicklungen erfolgen, um eine bessere Detektion von Filterstörungen beim Auftreten von GPS-Ausreißern mit-tels einer verbesserten stochastischen Modellierung zu erreichen. Zur Berücksichtigung der zeitlichen Korrelation von kinematischen DGPS-Positions¬lösungen wird der Kalman-Filter-Ansatz um einen Formfilter erweitert. In einem adapti-ven Formfilter-Ansatz wird der in der Formfilter Modellierung enthaltene Prozesskoeffizient adaptiv geschätzt. Eine weitere Verbesserung der stochastischen Modellierung wird durch die Einführung einer epochenscharfen GPS-Standardabweichung in das stochastische Modell des Filters erreicht. Das Formfilter und das adaptive Formfilter tragen nicht, wie aufgrund der verbesserten stochastischen Modellierung erwartet, zu einer verbesserten Detektion von Filterstörungen bei. Dieses gelingt aber mit der Einführung epochenschar-fer GPS-Standardabweichungen in das stochastische Modell des Filters. Zur Evaluation der entwickelten Filter-Ansätze wird neben umfangreichen Messfahrtdaten die Varianz- und Sensitivi-tätsanalyse als Methode zur a priori Evaluation von Auswerteansätzen auf Basis von Simulationen eingesetzt. Das Potenzial der Sensitivitätsanalyse kann an ausgewählten Beispielen der Modellentwicklung aufgezeigt werden. Des Weiteren führt die a priori Evaluation mittels Varianz- und Sensitivitätsanalyse zu weitgehend identischen Ergebnissen wie die Analyse anhand realer Messfahrtdaten. Das Werkzeug der Varianz- und Sensitivitätsanalyse kann folglich bei Kenntnis bezüglich der statistischen Verteilung der eingesetzten Sensoren Messfahrten ersetzten.

Three different approaches for vehicle positioning with Kalman filter are developed. These developments are motivated to achieve a better detection of filter disturbance in case of GPS-outliers. Therefore an improved stochastic modelling is introduced. The Kalman filter approach is augmented by a shaping filter to take temporal correlations of the kinematic DGPS-positions into account. An adaptive shaping filter approach is generated for adaptive estimation of the process coefficient contained in the shape filter augmentation. A further improvement of the stochastic modelling is achieved by introduction of epochwise GPS standard deviations in the stochastic model of the filter. The shaping filter and the adaptive shaping filter do not result in an improved detection of filter disturbances. This suc-ceeds with the introduction of epochwise GPS standard deviations. The evaluation of the filter approaches developed is not only done by use of extensive measurement data from several test runs but also by use of variance and sensitivity analysis for a priori evaluation of model approaches based on simu-lations. The potential of the sensitivity analysis is shown with selected examples of model development. Furthermore the a priori evaluation with variance and sensitivity analysis produces nearly identical results in comparison to the analyses with measurement data. Consequently, the tool variance and sensitivity analysis can be used instead of the realisation of test runs. Only the statistical distribution of the sensors involved has to be known.