University thesis:
Dissertation, Universität Freiburg, 2021
Footnote:
Description:
Abstract: Inertial motion tracking describes the application of estimating the relevant navigation states, e.g. position, velocity, and orientation of a moving system using inertial measurement data. The measurements are provided by an inertial measurement unit which describes a collection of sensors measuring linear acceleration and angular velocity in all relevant directions. As a result of technological advances, such sensors are nowadays widely available for a broad range of applications in robotics, automation, animation, ergonomics, and biomechanics.<br><br>Like every sensor, also an inertial measurement unit suffers from measurement inaccuracies, which cause a drift in estimates when integrated over time in order to obtain the desired navigation state. To compensate for this accumulating error and to obtain estimates with high accuracy instead, information from other sensors is considered in a sensor fusion approach. The Kalman filter including its extensions for nonlinear systems represents the working horse in state-of-the-art sensor fusion approaches.<br><br>In this thesis, we use moving horizon estimation for the sensor fusion problems arising in inertial motion tracking. Moving horizon estimation is an approach for state estimation which uses the powerful framework of nonlinear numerical optimization over a window of recent measurements in order to increase the robustness and accuracy of the estimates. Estimating the motion in three-dimensional space is a highly nonlinear problem and therefore well-suited for moving horizon estimation. We present and evaluate methods to handle necessary over-parameterizations of the orientation state in moving horizon estimation. We propose several estimator implementations for inertial motion tracking using position, velocity, and magnetometer measurements to aid against drifting estimates. Furthermore, we propose new algorithms beyond the current state-of-the-art motion tracking approaches by embedding problems like sensor calibration and delay compensation into our moving horizon estimation algorithms. The proposed approaches are evaluated and validated by adapting state-of-the-art simulation approaches to our problem and using real-world experiments adopting high-grade sensing technologies.<br><br>The results of the proposed algorithms demonstrate that moving horizon estimation is not only a valid alternative to traditional Kalman filtering but represents a possible way to decrease the dependency on costly calibration and design processes
Abstract: Die Verfolgung von Bewegungen mithilfe von Inertial-Sensoren beschreibt die Anwendung, bei der die Schätzung relevanter Navigationszustände, z. B. Position, Geschwindigkeit und Orientierung eines bewegten Systems anhand von Inertialmessdaten bestimmt wird. Die Messdaten werden von einer inertialen Messeinheit erfasst, welche wiederum mehrere Sensoren beinhaltet, um die lineare Beschleunigung und Winkelgeschwindigkeit in allen relevanten Richtungen zu messen. Dank des technologischen Fortschritts sind solche Sensoren heute für eine Vielzahl von Anwendungen in der Robotik, Automation, Animation, Ergonomie und Biomechanik verfüg- und einsetzbar.<br><br>Wie jedes Messgerät ist auch eine inertiale Messeinheit nicht frei von Messfehlern, die sich bei der untersuchten Anwendung schnell aufintegrieren und somit zu falschen Schätzungen der relevanten Zustände führen. Um diese sich anhäufenden Schätzfehler zu kompensieren und stattdessen Schätzungen mit hoher Genauigkeit zu erhalten, werden Messdaten weiterer Sensoren in einem mathematischen Sensorfusionsansatz kombiniert. Der Kalman-Filter einschließlich seiner Erweiterungen für nichtlineare Systeme repräsentiert den derzeitigen Stand der Technik f{\"u}r viele industrielle Anwendungen der Sensorfusion.<br><br>In dieser Dissertation untersuchen wir einen Ansatz zur Zustandsschätzung und Fusion von Sensordaten, welcher auf einem bewegten Horizont basiert (Moving Horizon Estimation). Moving Horizon Estimation ist ein Ansatz, der Methoden der nichtlinearen numerischen Optimierung über ein Zeitfenster von Messdaten verwendet, um die Robustheit und Genauigkeit der Schätzungen zu erhöhen. Die Schätzung der Bewegung im dreidimensionalen Raum ist ein hochgradig nichtlineares Problem und eignet sich daher gut für die Schätzung auf bewegtem Horizont. Wir präsentieren und evaluieren Methoden, um notwendige Invarianten der Repräsentation des Orientierungszustands bei der Verwendung von numerischen Optimierungsmethoden zu bewahren. Wir schlagen mehrere Implementierungen für die Sensordatenfusion f{\"u}r die inertiale Bewegungsverfolgung vor. Hier werden neben inertialen Messdaten auch Positions-, Geschwindigkeits- und Magnetometer-Messungen f{\"u}r die Datenfusion verwendet. Darüber hinaus schlagen wir Algorithmen vor, die über den aktuellen Stand der Technik der Bewegungsverfolgung hinausgehen, indem wir anwendungsrelevante Aufgaben wie die Kalibrierung der Sensoren und die automatische Kompensation von Zeitverzögerungen in unsere Algorithmen zur Zustandsschätzung einbetten. Die vorgeschlagenen Ansätze werden mithilfe von Simulationen und Versuchsdaten evaluiert und validiert.<br><br>Die Ergebnisse der vorgeschlagenen Algorithmen zeigen, dass Moving Horizon Estimation nicht nur eine berechtigte Alternative zu traditionellen Zustandsschätzern ist, sondern auch einen möglichen Weg darstellt, um die Abhängigkeit von kostspieligen Kalibrierungsprozessen und die Komplexität von Sensorsystemen zu verringern