Einführung in die Regelungstechnik: Zustandsbeobachter und der lineare Kalman-Filter

Contents — find the section you need

Ein Roboter liest den benötigten Zustand selten direkt aus. Ein Encoder liefert zwar Positionsdaten, aber keine Geschwindigkeitsdaten; eine IMU meldet Beschleunigung und Winkelgeschwindigkeit mit systematischen Fehlern; die Kameralokalisierung ist verzögert oder geht ganz verloren. Ein Zustandsbeobachter nutzt ein Anlagenmodell und die Differenz zwischen vorhergesagtem und gemessenem Output, um den verborgenen Zustand zu schätzen. Der lineare Kalman-Filter (KF) ist der Standardbeobachter. Er berücksichtigt die Fehlerkovarianz und verwendet angenommenes Prozess- und Messrauschen, um zu entscheiden, wie viel Vertrauen in Vorhersage und Messung gesetzt werden soll.

Der Kerngedanke ist nicht die „Mittelwertbildung der Sensoren“. Es geht vielmehr darum, festzulegen, welche physikalische Zeit ein Datum repräsentiert, welches Fehlermodell angenommen wird und was passiert, wenn Sensoren unterschiedliche Werte liefern. Ein Schätzer, der mit Sicherheit falsch liegt, führt PID-, LQR- und MPC-Regler in die falsche Richtung. Informationen zu Timing und Ausführungsgrenzen von ROS 2 finden Sie in ROS 2 Primer; Informationen zur umfassenderen Sensorintegration finden Sie in Sensor Fusion Primer.

Praktische Schlussfolgerung

Ein Beobachter aktualisiert $\hat{x}$ anhand von Modellvorhersagen und Innovationen. Ein nicht beobachtbarer Zustand kann nicht eindeutig durch die Wahl eines intelligenteren Filters rekonstruiert werden.
Der Kalman-Filter (KF) trägt die Zustandsfehlerkovarianz $P$ und verwendet die Prozesskovarianz $Q$ und die Messkovarianz $R$ zur Berechnung der Kalman-Verstärkung $K$ .
$Q,R$ sind Annahmen über Modell- und Sensorfehler, keine willkürlichen „Genauigkeitseinstellungen“. Validieren Sie diese anhand von Innovationen, Kovarianz, Zeitstempeln und Fehlerdaten.
Wenn eine Schätzung veraltet ist, die Kovarianz zu hoch, die Innovation anomal oder Transformationen fehlschlagen, geben Sie einen beeinträchtigten Zustand ein, um die Bewegung entsprechend der Gefahrenlage zu steuern und zu reduzieren oder zu stoppen.

Zustandsraumbeobachter und Beobachtbarkeit

Für ein diskretes lineares System gilt:

x_{k+1}=A_dx_k+B_du_k+w_k,\qquad z_k=Cx_k+v_k

$x$ ist der wahre Zustand, $u$ der bekannte Eingang, $z$ die Messung, $w$ die Prozessstörung und $v$ das Messrauschen. Ein Luenberger-Beobachter hat die Form:

\hat{x}_{k+1}=A_d\hat{x}_k+B_du_k+L(z_k-C\hat{x}_k)

Der letzte Term ist die Innovation. Eine hohe Beobachterverstärkung $L$ folgt der Messung schnell, überträgt aber mehr Rauschen; eine niedrige $L$ vertraut dem Modell länger, korrigiert Störungen aber langsamer.

Diagramm: Duskcoil, konzeptionell statt gemessen. Schätzung und Kovarianz sind interne Modellgrößen, keine direkten Sensorbeobachtungen.

Die Beobachtbarkeitsmatrix $\mathcal O=[C^T,(CA)^T,\ldots]^T$ muss vollen Rang haben, um jeden Zustand im idealen linearen Fall zu rekonstruieren. Positionsmessungen von Ein Doppelintegrator kann die Geschwindigkeit über den Zeitverlauf beobachtbar machen, aber Abtastrate, Quantisierung, Verzögerung und Dropout bestimmen, ob die resultierende Schätzung brauchbar ist. „Beobachtbar“ ist kein Ersatz für maximale Latenz- und Genauigkeitsanforderungen.

Kalman-Vorhersage und -Aktualisierung

Unter der Annahme von mittelwertfreien weißen Gaußverteilungen $w\sim\mathcal N(0,Q)$ und $v\sim\mathcal N(0,R)$ ist die Priorverteilung:

\hat{x}_k^-=A_d\hat{x}_{k-1}^++B_du_{k-1},\qquad P_k^-=A_dP_{k-1}^+A_d^T+Q

$P$ ist die Unsicherheit des Schätzfehlers, nicht einfach die Varianz des Zustands. Während eines Messausfalls lässt die Modellpropagation $P^-$ normalerweise über $Q$ anwachsen.

Für eine eintreffende Messung werden die Innovation $\nu_k=z_k-C\hat{x}_k^-$ und ihre Kovarianz berechnet:

S_k=CP_k^-C^T+R

und anschließend aktualisiert mit:

K_k=P_k^-C^TS_k^{-1},\qquad \hat{x}_k^+=\hat{x}_k^-+K_k\nu_k,

P_k^+=(I-K_kC)P_k^-

Endliche Genauigkeit kann die Symmetrie oder positive Semidefinitheit von $P$ beeinträchtigen. Die Joseph-Form, $P^+=(I-KC)P^-(I-KC)^T+KRK^T$ , wird oft bevorzugt; das Lösen faktorisierter linearer Gleichungssysteme ist oft sicherer als die explizite Bildung einer Inversen. Die Kovarianzmatrix $P$ sollte nach jeder Aktualisierung überprüft werden.

Wahl von Q und R

$R$ sollte den gemessenen Fehler unter realen Bedingungen hinsichtlich Vibration, Temperatur, Beleuchtung, Entfernung, Paketwiederholung und Quantisierung widerspiegeln – nicht nur einen Kataloggenauigkeitswert. $Q$ gibt an, wie stark das Modell in einer Periode abweichen kann: unbekannte Beschleunigung, Bias-Random-Walk, Nutzlaständerung oder nicht modellierte Dynamik. Ein zu kleiner Wert von $Q$ deutet auf übermäßiges Vertrauen in das Modell hin; ein zu hoher Wert von $Q$ folgt auf verrauschte Messungen.

Numerisches Beispiel: Schätzung der Geschwindigkeit aus Positionsmessungen

Für ein Eindimensionaler Zustand mit konstanter Geschwindigkeit $x=[p\ v]^T$ mit Abtastperiode $T$ ,

A_d=\begin{bmatrix}1&T\\0&1\end{bmatrix},\quad B_d=\begin{bmatrix}T^2/2\\T\end{bmatrix},\quad C=\begin{bmatrix}1&0\end{bmatrix}

Es wird nur die Position gemessen. Als konkrete dimensionslose Aktualisierung seien $T=1$ , $\hat{x}^-=[0\ 0]^T$ , $P^-=[[2,1],[1,1]]$ , $z=1$ , $R=1$ , und $C=[1\ 0]$ . Dann sind $S=3$ , $K=[2/3\ 1/3]^T$ , und $\hat{x}^+=[2/3\ 1/3]^T$ ; die a posteriori-Kovarianz ist $P^+=(I-KC)P^-=[[2/3,1/3],[1/3,2/3]]$ . Dies veranschaulicht eine Aktualisierung und ist keine Aussage zur Sensorgenauigkeit. Ein großer anfänglicher Wert von $P_{vv}$ drückt Unsicherheit bezüglich der Geschwindigkeit aus. Wiederholte Positionsänderungen lassen auf die geschätzte Geschwindigkeit $\hat v$ schließen. Ein Ausfall hält die Vorhersage zwar aufrecht, erhöht aber deren Unsicherheit. Ein Regler, der die Geschwindigkeit benötigt, muss $P_{vv}$ , das Alter der Messung und den Reststatus überprüfen und die Geschwindigkeit reduzieren oder stoppen, sobald diese den definierten Bereich überschreiten.

Das Hinzufügen einer IMU hilft, kurzfristige Beschleunigungen zu erfassen, jedoch führt das Weglassen der Bias-Berechnung aus dem Zustand zu einer Akkumulation von Integrationsfehlern. Kamera- oder LiDAR-Beobachtungen können die absolute Position einschränken, wenn sie an eine bekannte Karte, Markierung oder andere Referenz gebunden sind; die relative Positionsbestimmung allein garantiert keine globale Position. GNSS ist zudem abhängig von der Satellitensichtbarkeit, Mehrwegeempfang, Aktualisierungsrate, Latenz und der Ausrichtung des Bildrahmens. Für nichtlineare Lage- oder Entfernungsmessungen können EKF oder UKF verwendet werden, die Probleme des linearen Kalman-Filters (KF) hinsichtlich $Q,R$ , der Messkovarianz $R$ , der Zeit, Ausreißern und der Beobachtbarkeit bleiben jedoch bestehen.

Das Quadrat der normalisierten Innovation $\nu^TS^{-1}\nu$ hilft, eine Messung zu erkennen, die nicht mit ihrer vorhergesagten Verteilung übereinstimmt. Ein hoher Wert kann auf einen Ausreißer oder eine falsche Messung hinweisen. Fehler im Frame, Zeitstempel, Sensor oder Modellabweichung. Die Datenabfrage dient nicht dazu, Fehler zu verbergen, sondern der Diagnose und einem sicheren Notbetrieb.

Repräsentative IMU/INS

Repräsentative Tiefenkamera

Bilder: Xsens MTi-G (Kallap85, CC BY-SA 4.0) und Intel RealSense D435 (Marc Auledas, CC BY-SA 4.0), Wikimedia Commons. Es handelt sich um repräsentative Sensoren, nicht um Messdaten oder ein empfohlenes Gesamtsystem.

Bereitstellung von PID-, LQR- und MPC-Reglern

PID-Regler können rohe, gefilterte Rückkopplung verwenden, jedoch profitieren ihr Ableitungsglied und der innere Geschwindigkeitsregelkreis oft von einer Schätzung. LQR-Regler setzen Mehrzustands- $\hat{x}$ voraus; unter den Bedingungen des Trennungsprinzips bilden eine LQR-Verstärkung und ein Kalman-Schätzer eine LQG-Architektur. Sättigung, Verzögerung und Nichtlinearität können die Robustheit in der Praxis jedoch beeinträchtigen. Auch MPC-Regler benötigen eine zeitnahe Schätzung des Anfangszustands und der Störung; die Optimierung mit einer veralteten Schätzung oder einer fälschlicherweise kleinen Kovarianz führt zu einem ausgefeilten Plan für die falsche Realität.

Ziel	Typische Regelung	Benötigte Schätzausgabe	Fehlerverhalten
Einzelner Drehzahl-/Temperaturregelkreis	PID	gefilterte Messung / Geschwindigkeit Schätzung	Integral bei Sensorausfall stoppen

Lokale Mehrzustandsstabilisierung | LQR/LQG | Synchronisierte $\hat{x}$ und Gültigkeit | Wachsende Kovarianz nicht übermäßig berücksichtigen |

Eingeschränkter Pfad/Zuordnung | MPC | Zustand, Verzögerung, Störung, Konfidenz | Verlangsamen oder Stoppen bei veraltetem Zustand/Solverfehler |

Roboter-Timing und fehlersicherer Betrieb

In ROS 2 muss die Messzeit von der Ankunftszeit der Nachricht unterschieden werden. Die Aktualisierung des aktuellen Zustands mit einem verspäteten Kameradatum, als wäre es aktuell, zieht einen Roboter in Richtung seiner Vergangenheit. Wählen und dokumentieren Sie eine Strategie: Verlauf zurückspulen/neu propagieren, verspätete Daten verwerfen oder die Odometrie auf niedriger Ebene von langsameren Kartenkorrekturen trennen. Die in ROS 2 Primer und Sensor Fusion Primer beschriebenen ROS 2-Transport- und Koordinatentransformationen sind Vorbedingungen außerhalb der Filtergleichungen.

Überwachungs-Timeout Kovarianzobergrenzen, wiederholte Innovationsgate-Fehler, divergierende Bias-Werte, nicht verfügbare Transformationen und Deadline-Überschreitungen. Wenn alle Messwerte verschwinden, darf der Prozess nicht unbegrenzt allein auf Basis der Vorhersage laufen. Wählen Sie je nach Anwendung Geschwindigkeitsbegrenzung, Stopp, Redundanz oder Bedienerübergabe. Ein Estimator-Reset kann zu Zustandssprüngen führen; daher müssen Reglerreferenzen, Integralzustände und Ausgänge ruckfrei behandelt werden.

Checkliste für die Implementierung

Zustand, Messung, Eingang, Frame, Messzeit und Empfangszeit definieren.
Beobachtbarkeit, erforderliche Genauigkeit und maximale Latenz für jeden Zustand quantifizieren.
Nachweise für $Q,R,P_0$ aus Spezifikationen, Daten und Tests dokumentieren.
Symmetrie/Definitheit von $P$ , Innovation, Gates und Timeout überwachen.
Dropout-, Ausreißer-, Relokalisierungs- und Bias-Änderungsfälle einbauen.
Definieren, was PID/LQR/MPC bei sinkender Schätzqualität empfängt, und unabhängige Sicherheit überprüfen. Aktion.

Referenzen

Überprüfen Sie Ihr Verständnis

Was passiert, wenn einer Messung mehr Vertrauen geschenkt wird?

Bei gleicher Vorhersageunsicherheit verschiebt eine geringere Messkovarianz die Aktualisierung in Richtung der Messung. Unrealistisches Vertrauen kann dazu führen, dass Schätzungen dem Rauschen folgen.

Try it in the browser

Lab Change the conditions in a browser experimentKalman-Filter in Python ausführen: Rauschen, fehlende Daten und Ausreißer