Random Walk bezeichnet ein Fehlermodell, das häufig in Trägheitsnavigationssystemen (INS) . Dabei akkumulieren sich mit der Zeit zufällige Fehler in Position, Geschwindigkeit oder anderen Systemzuständen allmählichen Zunahme der Unsicherheit . Dieses Phänomen ist oft auf Sensorauschen , insbesondere bei Beschleunigungsmessern und Gyroskopen, die in INS verwendet werden. Es äußert sich als zufällige Drift der Systemmessungen und erschwert die präzise Vorhersage des Systemzustands über längere Zeiträume.
Wie beeinflusst Random Walk INS?
Positionsdrift – Random Walk führt zu einer allmählichen Zunahme des Positionsfehlers , da sich kleine zufällige Fehler im Laufe der Zeit anhäufen.
Geschwindigkeitsdrift verursachen die zufälligen Fehler bei den Beschleunigungsmessungen Drift bei den Geschwindigkeitsschätzungen , die, wenn sie über die Zeit integriert wird, zu einem Positionsfehler führt.
Zunehmende Unsicherheit – Der Fehler wächst mit der Quadratwurzel der Zeit , was bedeutet, dass die Unsicherheit in Bezug auf Position oder Geschwindigkeit über einen längeren Zeitraum deutlich zunimmt .
Wie lassen sich Random Walks in INS modellieren und abschwächen?
Modellierung von Random Walks – In der neuronalen Netzmodellierung (INS) der Random Walk häufig als Zufallsprozess mit spezifischen Rauscheigenschaften wie Bias-Instabilität und weißem Rauschen . Er wird typischerweise im Kalman-Filter oder Bayes-Filter zur Fehlerkorrektur abgebildet.
Sensorkalibrierung – Die regelmäßige Kalibrierung der Sensoren trägt dazu bei, zufällige Abweichungen , indem genaue Anfangsmessungen sichergestellt werden.
Sensorfusion – Die Kombination von Daten anderer Sensoren (z. B. GNSS, LiDAR ) mit INS-Daten ermöglicht eine bessere Fehlerkorrektur und kompensiert die durch Random Walk verursachte Drift .
Erweiterte Filtertechniken – Techniken wie der Kalman-Filter und der erweiterte Kalman-Filter (EKF) werden eingesetzt, um den Einfluss des Random Walk auf die gesamte Navigationslösung zu reduzieren.
Anwendungen von Random Walks in INS
✔ Navigation über lange Zeiträume – Zufallswegfehler werden in Systemen, die über lange Zeiträume ohne externe Korrekturen arbeiten (z. B. U-Boote, Raumfahrzeuge ), bedeutsamer
✔ Autonome Fahrzeuge – INS in autonomen Systemen können Random-Walk-Fehler aufweisen, insbesondere in GNSS-freien Umgebungen , wo regelmäßige Aktualisierungen erforderlich sind, um diese Fehler zu korrigieren.
✔ Luftbildvermessung – Bei der Drohnennavigation die Positionierung über große Entfernungen beeinträchtigen, wenn sie nicht regelmäßig korrigiert wird.
Vorteile der Minderung von Random Walk in INS
✔ Verbesserte Genauigkeit – Durch die Reduzierung von Zufallswegfehlern werden genauere Positions- und Geschwindigkeitsschätzungen .
✔ Stabilität in der Navigation – Sensorfusion und fortschrittliche Filtertechniken gewährleisten, dass das System auch über lange Betriebszeiten stabil und zuverlässig
✔ Bessere Leistung in GNSS-freien Umgebungen – Die Sensorfusion ermöglicht es dem INS, weiterhin eine genaue Navigation ohne sich ausschließlich auf GNSS-Signale zu verlassen.
