In der Robotik für eingebettete Systeme, bei Drohnen und in der fortschrittlichen industriellen Überwachung ist es grundsätzlich riskant, sich zur Bestimmung des Systemzustands auf einen einzigen Sensor zu verlassen. Jeder physische Sensor hat systembedingte Nachteile:
- Beschleunigungssensoren eignen sich hervorragend zur Messung der Schwerkraft, um die unmittelbare Neigung zu bestimmen, sind aber bekanntermaßen anfällig für hochfrequentes Schwingungsrauschen (z. B. von einem rotierenden Motor).
- Gyroskope sind unempfindlich gegenüber linearen Vibrationen und liefern ausgezeichnete kurzfristige Rotationsdaten, leiden aber über die Zeit unter „Drift“ – ein stationäres Gyroskop meldet langsam, dass es sich dreht.
- Magnetometer (Kompasse) liefern eine absolute Ausrichtung relativ zum magnetischen Nordpol der Erde, werden aber durch nahegelegene Eisenmetalle oder elektromagnetische Störungen von Stromleitungen leicht gestört.
Sensorfusion ist die mathematische Disziplin, die diese unterschiedlichen, fehlerbehafteten Datenströme zusammenführt und kombiniert, um ein stabiles, hochgenaues Ergebnis zu erzeugen (oft die Orientierung oder Position des Geräts).
Funktionsweise der Sensorfusion
Sensorfusion ist nicht einfach nur die Mittelung von Werten. Sie erfordert eine fortgeschrittene mathematische Modellierung, die am häufigsten über einen Kalman-Filter oder einen Mahony/Madgwick-Filter implementiert wird.
Diese Algorithmen laufen kontinuierlich in einer Rückkopplungsschleife ab:
- Vorhersage: Der Algorithmus verwendet die unmittelbaren, schnellen Daten des Gyroskops, um die neue Orientierung des Geräts vorherzusagen.
- Aktualisierung (Korrektur): Der Algorithmus verwendet die langsameren, aber driftfreien absoluten Daten des Beschleunigungssensors (Schwerkraftvektor) und des Magnetometers (magnetischer Norden), um die Vorhersage des Gyroskops zu korrigieren und die akkumulierte Drift mathematisch zu eliminieren.
Durch die optimale Mischung dieser Eingangssignale auf der Grundlage ihrer bekannten statistischen Rauschprofile ist das resultierende Ausgangssignal (oft als Quaternion ausgedrückt) sowohl sehr reaktionsschnell auf schnelle Bewegungen als auch über lange Zeiträume hinweg vollständig stabil.
Sensorfusion in moderner Hardware
In der Vergangenheit erforderten Sensorfusionsalgorithmen komplexe Gleitkommaberechnungen, die auf einem leistungsstarken Zentralprozessor ausgeführt wurden. Heute sind IMUs (Inertial Measurement Units) als „intelligente Sensoren“ verfügbar.
Chips wie der Bosch BNO085 oder der InvenSense ICM-20948 integrieren den MEMS-Beschleunigungssensor, das Gyroskop und das Magnetometer auf demselben Silizium-Die zusammen mit einem dedizierten, stromsparenden Cortex-M0+-Kern. Der interne Kern führt die proprietären Sensorfusionsalgorithmen aus und gibt gebrauchsfertige Quaternionen oder Euler-Winkel direkt über I2C/SPI aus. Dies entlastet die Host-MCU erheblich und spart kritische Akkulaufzeit und CPU-Zyklen für die übergeordnete Anwendungslogik.