Sensorsimulator für Kalibrierung und Fusion

Steuerung

Wähle ein glattes oder gestuftes Wahrheitssignal und stelle dann Abtastrate, Quantisierung, Zufallsrauschen, Drift, Bias, Ausfälle und Filterspeicher ein. Vergleiche Rohdaten mit Gleitmittel-, Tiefpass-, Median- und Komplementärschätzung. Voreinstellungen machen verrauschtes, verzerrtes und unzuverlässiges Sensorverhalten wiederholbar.

Theorie

Jeder Sensor hat Messbereich, Auflösung, Genauigkeit, Bandbreite, Latenz und Fehlverhalten. Datenblattgenauigkeit beschreibt nur einen Teil des Systems; Montage, Temperatur, Versorgungsrauschen, elektromagnetische Störung und Flächeneigenschaften dominieren echte Ergebnisse oft.

Fusion funktioniert, wenn Sensoren komplementäre Info beitragen und ihre Unsicherheit ehrlich abgebildet ist. Zwei verzerrte Messungen zu kombinieren schafft nicht automatisch Wahrheit. Beginne mit Kalibrierung, Zeitstempeln, Koordinatenrahmen und Datenqualitätsprüfungen.

Algorithmus

1. Jede Abtastung an der Erfassungsgrenze zeitstempeln und auf Bereich prüfen.
2. Roheinheiten per Kalibrierskala, Offset und Achsenausrichtung umrechnen.
3. Unmögliche Sprünge verwerfen oder als ungültig markieren statt Daten zu erfinden.
4. Das leichteste Filter anwenden, das die Nachlauf-Rauschanforderung erfüllt.
5. Messungen in gemeinsamen Rahmen transformieren und mit bekannter Unsicherheit fusionieren.
6. Roh- und Prozesswerte loggen, damit Fehler reproduzierbar bleiben.

Quellcode

Ein exponentieller Tiefpass nützt, wenn seine Zeitkonstante bewusst gewählt ist:

class LowPass:
    def __init__(self, alpha):
        self.alpha = alpha
        self.value = None

    def update(self, sample):
        if self.value is None:
            self.value = sample
        else:
            self.value += self.alpha * (sample - self.value)
        return self.value

Zeichne den Rohwert neben dem Filterergebnis auf. Sonst kann ein hübsches Diagramm Clipping, Ausfälle und Kalibrierfehler verstecken.

Annahmen und Unterschiede zur Hardware

Dieses Labor ist ein didaktisches Signalmodell, kein konkretes Sensordatenblatt. Rauschen ist gauß- oder gleichverteilt per Saat mit Drehregler; ein echter IMU- oder ToF-Sensor fügt temperaturabhängigen Bias, nichtgaußsche Spitzen und Bustiming-Jitter hinzu, die dieses Modell vereinfacht. Abtastung ist hier perfekt periodisch, doch auf dem Mikrocontroller machen Schleifentiming und Interruptlatenz Zeitstempel essenziell — darum vergleicht jeder Verarbeitungsmodus in der Steuerung Wahrheit, Rohwerte und Schätzung gemeinsam. Filterung sieht im Diagramm attraktiv aus, doch jeder Glätter fügt Verzug hinzu, der später auf Hardware als Regelverzug erscheint; derselbe Zielkonflikt steht im Sensorrausch-Tutorial.

Schaltplan

Prüfe Busspannung, Pull-up-Bedarf, Adressen und maximale Kabellänge, bevor du mehrere Sensoren verbindest.

Geführte Experimente

Die Regler in diesem Labor existieren, damit du jeden Sensorfehler gezielt erzeugen kannst und dann siehst, welches Werkzeug ihn behebt. Das einmal zu tun ist viel Lesen wert.

1. Beweisen, dass Filterung keinen Bias fixt

Setze Rauschen auf null und Bias auf klaren Offset. Probiere nun jedes Filter — gleitender Mittelwert, Tiefpass, Median. Keines bewegt die Schätzung Richtung Wahrheit, denn alle drei dämpfen Schwankung, und ein Bias schwankt nicht.

Setze dann Bias auf null und Rauschen hoch und sieh dieselben Filter gut arbeiten. Das ist die nützlichste Unterscheidung der Sensorarbeit: Rauschen, Bias und Drift sehen im Diagramm ähnlich aus und brauchen drei verschiedene Lösungen — mehr Filterung heilt nie Bias.

2. Zusehen, wie ein Mittel eine Spitze verschmiert, die ein Median verwirft

Schalte Ausfälle oder Spitzen ein und vergleiche gleitenden Mittelwert gegen Median gleichen Fensters.

Ultraschall- und Time-of-Flight-Rauschen ist nicht gaußförmig — es sind gelegentliche wilde Werte gegen sonst ruhiges Signal. Genau den Fall behandelt ein Mittel am schlechtesten.

3. Messen, was der Verzug kostet

Schalte auf gestuftes Wahrheitssignal und senke alpha des Filters (oder verlängere das Fenster). Die Schätzung wird glatter und kommt später. Lies den Verzug je Einstellung aus dem Diagramm:

Die letzte Zeile erzeugt eine wunderschön glatte Spur und lenkt einen Roboter dorthin, wo das Hindernis vor 15 cm war. Prüfe den Verzug immer in den Einheiten, die den Roboter interessieren, nicht in Abtastungen — so macht ein gut gemeintes Filter einen Roboter am häufigsten schlechter.

4. Sehen, was Fusion kann und nicht kann

Setze eine Quelle verrauscht-aber-unverzerrt und die andere glatt-aber-driftend und beobachte, wie die Komplementärschätzung von jeder die gute Hälfte nimmt. Gib dann beiden Quellen denselben Bias und beobachte, wie die fusionierte Schätzung ihn exakt erbt.

Fusion nutzt unabhängige Fehler aus. Ein Gleichtaktfehler überlebt unberührt — darum kommt Kalibrierung vor Fusion statt danach.

Was du beobachten solltest

Umsetzung auf Hardware

Die praktische Vorgehensweise für einen echten Sensor ist kurz: Halte ihn still gegen bekannte Eingabe, logge wenige tausend zeitgestempelte Abtastungen und trace Zeitverlauf und Histogramm. Das Histogramm ist der Teil, den Leute überspringen, und der informativste — Gaußrauschen macht eine Glocke, Ausreißer eine Glocke mit wenigen Punkten weit draußen in den Flanken, und beide brauchen verschiedene Filter. Die volle Methode steht in Sensorrauschen, Bias und Filterung.