TY  - THES
AB  - Die für die inertiale low-cost Navigation verwendete, sehr kleine, leichte und hochverfügbare Hardware erlaubt die Nutzung MEMS-basierter inertialer Sensoren, die eine besonders kostengünstige und flexible Realisierbarkeit einer breiten Fülle industrieller, medizinischer oder konsumorientierter Anwendungen bieten. Die Anwendbarkeit dieser Sensoren wurde bislang allerdings aufgrund ihrer Leistungsfähigkeit lediglich auf einfache, nichtintelligente Anwendungen in Smartphones, Tablet-PCs, etc. begrenzt, beispielsweise zur Schockerkennung, zur Vibrations¬messung oder zur orientierungsabhängigen Rotation der Bildschirmanzeige.
Die Motivation der vorliegenden Arbeit liegt in der Erweiterung der aktuell verfügbaren Anwendungsbandbreite kostengünstiger inertialer Navigationssysteme (auch: INS) um intelligente Applikationen der langzeitstabilen Objektverfolgung und Bewegungserkennung. 
Bei der Objektverfolgung wird eine Sensordatenfusion zwischen einem Low-cost INS und einem GPS-Referenznavigationssystem auf Basis einer indirekten Kalman-Filterung realisiert. Dabei wird das Potential der Zweifilterglättung validiert, die während möglicher Ausfälle der Referenznavigation schnell anwachsenden Fehler der inertialen Navigation zu reduzieren. Eine Vereinfachungsmethode wird angewandt, um die Berechnung inverser Kovarianzmatrizen bei der Glättung zu vermeiden, sodass numerischen Instabilitäten vorgebeugt und die algorithmische Effizienz gesteigert werden können.
Mit dem Ziel der Entwicklung einer zuverlässigen und einfachen Möglichkeit einer computergestützten Bewegungsanalyse und –validierung als einer Schlüsseltechnologie zur Optimierung von Bewegungsabläufen stellt die vorliegende Arbeit eine algorithmische Grundlage zur referenzlosen Bewegungserkennung unter Nutzung kosten-günstiger inertialer Sensoren zur Verfügung. Der vorgestellte Ansatz basiert auf der Theorie der Hidden-Markov-Modelle sowie auf der stochastischen Modellierung inertial messbarer Bewegungsprofile mit Hilfe von Markov-Ketten.
Die Ergebnisse der Arbeit werden durch eine Reihe von Experimenten hinsichtlich der Zuverlässigkeit und der Stabilität der vorgestellten Ansätze validiert. Die finalen Lösungen arbeiten eigenständig, sind kostengünstig, klein, leicht und lassen dabei eine unbeschränkte Langzeitanwendung zu.
AU  - Kamil, Mustafa
DA  - 2017
KW  - Inertialvermessung
KW  - Inertiale Navigation
KW  - Multisensorintegration
KW  - Estimationstheorie
KW  - Inertial navigation
KW  - Estimation theory
KW  - Pattern Recognition
LA  - ger
PY  - 2017
TI  - Algorithmusunterstützte Multisensorintegration zur langzeitstabilen Objektverfolgung und Bewegungserkennung
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:467-11237
Y2  - 2024-11-21T21:27:20
ER  -