Kalman-filter: Einführung In Die Zustandsschätzung Und Ihre Anwendung Für Eingebettete Systeme (german Edition)

Dieses Lehrbuch befasst sich leicht verständlich mit der Theorie der Kalman-Filterung. Die Autoren geben damit eine Einführung in Kalman-Filter und deren Anwendung für eingebettete Systeme. Zusätzlich wird anhand konkreter Praxisbeispiele der Kalman-Filterentwurf demonstriert - Teilschritte werden im Buch ausführlich erläutert. Kalman-Filter sind die erste Wahl, um Störsignale auf den Sensorsignalen zu eliminieren. Dies ist von besonderer Bedeutung, da viele technische Systeme ihre prozessrelevanten Informationen über Sensoren gewinnen. Jeder Messwert eines Sensors weißt jedoch aufgrund verschiedener Ursachen einen Messfehler auf. Würde ein System nur auf Basis dieser ungenauen Sensorinformationen arbeiten, so wären viele Anwendungen, wie zum Beispiel ein Navigationssystem oder autonome arbeitende Systeme, nicht möglich. Das Buch ist geeignet für interessierte Bachelor- und Master-Studierende der Fachrichtungen Informatik, Maschinenbau, Elektrotechnik und Mechatronik. Ebenso ist das Buch eine Hilfe für Ingenieure und Wissenschaftler, die ein Kalman-Filter z. B. für die Datenfusion oder die Schätzung unbekannter Größen in Echtzeitanwendungen einsetzen möchten. Der Inhalt Einführung und Grundlagen Zustandsraumbeschreibung Wahrscheinlichkeitstheorie und Signaltheorie Klassisches Kalman-Filter und adaptive Kalman-Filter, Systemrauschen Anwendungsbeispiele Die Zielgruppen Master-Studierende der Fachrichtungen Informatik, Maschinenbau, Elektrotechnik und Mechatronik Interessierte Bachelor-Studierende Ingenieure und Wissenschaftler o. g. Fachrichtungen Die Autoren Prof. Dr. Reiner Marchthaler hat eine Professur für das Lehrgebiet "Embedded Systems" in der Fakultät Informationstechnik an der Hochschule Esslingen mit dem Spezialgebiet autonom fahrende Fahrzeuge. Sebastian Dingler studierte an der Hochschule Esslingen Technische Informatik und Informatik am Karlsruher Institut für Technologie (KIT). Er beschäftigt sich mit stochastischer Signalverarbeitung Front Matter....Pages i-xiii Front Matter....Pages 1-1 Einführendes Beispiel....Pages 3-20 Front Matter....Pages 21-21 Zustandsraumbeschreibung....Pages 23-47 Wahrscheinlichkeitstheorie....Pages 49-69 Signaltheorie....Pages 71-79 Front Matter....Pages 81-81 Klassischer Kalman-Filter....Pages 83-91 Adaptiver Kalman-Filter (Rose-Filter)....Pages 93-98 Systemrauschen....Pages 99-112 Front Matter....Pages 113-113 Prinzipielles Vorgehen....Pages 115-118 Beispiel: Bias-Schätzung....Pages 119-135 Beispiel: Messrauschen Mit Offset....Pages 137-147 Beispiel: Alternatives Bewegungsmodell Der Mondfähre....Pages 149-158 Beispiel: Umfeldsensor Mit Rose-Filter....Pages 159-171 Beispiel: Fahrstreifenerkennung....Pages 173-185 Back Matter....Pages 187-206