Identifikation von Systemmodellen zur dreidimensionalen Zustandsschätzung eines Peilschiffs mit Propellerantrieb unter Verwendung eines Multi-Sensorsystems

Um die Verkehrssicherheit auf deutschen Binnenwasserstraßen zu gewährleisten, wird in regelmäßigen Intervallen die Gewässersohle messtechnisch erfasst. Hierzu werden Peilschiffe eingesetzt, die mit Echoloten ausgerüstet sind. Je nach Bauform des Echolots liefert eine Messepoche entweder einen einzelnen Messpunkt am Gewässergrund oder ein zweidimensionales Profil. Um diese Messdaten georeferenzieren zu können, muss das Peilschiff mit geeigneter Sensorik zur Positionsbestimmung ausgerüstet werden. Gegenwärtig werden hierzu meist GNSS-Empfänger eingesetzt, die unter Einbeziehung von Referenzdaten eine RTK-Lösung bestimmen. Es zeigt sich jedoch, dass es immer wieder zu Lücken in der so erfassten Trajektorie des Schiffs kommt. Um auch im Falle von Abschattungen oder bei unterbrochenem Referenzdatenempfang eine präzise Positionslösung bereitstellen zu können, wird in dieser Arbeit ein auf dem Projekt HydrOs basierendes Auswertemodell weiterentwickelt, mit dem die Position und die räumliche Orientierung des System Schiff zu jedem Zeitpunkt bestimmt werden können. Die Erfassung der benötigten Daten erfolgt mithilfe eines Multi-Sensorsystems. Dieses ist für den Einsatz von ein oder mehreren GNSS-Empfängern, einer inertialen Messeinheit (IMU) und eines Kompasses ausgelegt. Als zusätzliche Sensoren werden ein Doppler Velocity Log (DVL) als Geschwindigkeitssensor und Erfassungseinheiten für Größen der Schiffssteuerung installiert.

Die Messdaten dieser Sensoren gehen als Beobachtungsgrößen in einen Filteralgorithmus (erweitertes Kalman Filter) ein, mit dessen Hilfe der wahre Zustand des Systems geschätzt wird. Dazu werden verschiedene Modellansätze gebildet, durch die sich der Systemzustand mathematisch approximieren bzw. prädizieren lässt. Um eine qualitätsgesicherte Position und Orientierung ausgeben zu können, benötigt ein solcher Algorithmus dazu ein geeignetes System- und ein Beobachtungsmodell. Für die Bildung eines geeigneten Systemmodells wiederum werden zunächst die bereits erfassten Messdaten (Zeitreihen) einzelner Beobachtungsgrößen analysiert. Dabei kommen u. a. Methoden der Korrelationsanalyse, der Wavelet-Transformation und die (schnelle) Fouriertransformation zum Einsatz. Auftretende systematische Effekte können so detektiert und bei der mathematischen Beschreibung des Bewegungsverhaltens berücksichtigt werden. Basierend auf den Ergebnissen dieser Analyse werden unterschiedliche Ansätze für die Modellierung der auftretenden Geschwindigkeits- und Drehratenänderungen im Systemmodell entwickelt. Neben der direkten Verwendung von messtechnisch bestimmten Beschleunigungen und Drehratenänderungen wird ein alternativer dynamischer Ansatz formuliert. Durch ihn werden die auftretenden Beschleunigungen und Drehratenänderungen modelliert. Hierbei wird zum einen der Einfluss von Schiffssteuerung und -antrieb aber auch der Einfluss der Strömungsgeschwindigkeit berücksichtigt. Ein weiterer Einflussfaktor, der Wind, wird theoretisch betrachtet. Sonstige Einflussfaktoren, wie beispielsweise Wellen, werden in einem zusätzlichen Erweiterungsmodul zusammengefasst.

Bei der Evaluierung der unterschiedlichen Systemmodelle im erweiterten Kalman Filter zeigt sich, dass eine Berücksichtigung der aus Messdaten bestimmten, dreidimensionalen Geschwindigkeits- und Drehratenänderungen deutlich die Prädiktionsgenauigkeit steigert. Eine dynamische Modellierung dieser Anteile ist ebenfalls möglich, wobei hier bei der Prädiktion der Zustandsgrößen größere Innovationen auftreten. Bei dieser Art der Systemmodellierung müssen zwingend alle dominierenden Einflüsse im Modell berücksichtigt werden. Neben dem Einfluss des Schiffsantriebs und der kumulierten externen Einflüsse sollte ebenfalls der Einfluss der Strömungsverhältnisse berücksichtigt werden. Durch die hier gewählten Methode zur Erfassung der Stellgrößen, mit deren Hilfe die dynamischen Aspekte modelliert werden können, kommt es aufgrund der vergleichsweise geringen Sensorgenauigkeit jedoch zu einer geringeren Verbesserung des Filterergebnisses als bei Integration eines kinematischen Systemmodells. Trotzdem kann bei der Integration aller hier betrachteten Systemmodelle am Ende einer maximal 20 s andauernden GNSS-Lücke eine Innovation von ca. 4 cm in der Höhenkomponente erreicht werden