Betreuung: Günther Retscher, Jelena Gabela Majic

Positionierung in GNSS-gestörten Umgebungen is aktuell ein Thema, zu dem sehr umfangreich geforscht wird. Um diese Problematik zu addressieren, werden Bemühungen zum Großteil in Sensor-Integrationsalgorithmen investiert. Diese Algorithmen umfassen unter anderem die Methode der kleinsten Quadrate und diverse Arten von Kalman Filtern. In dieser Diplomarbeit wurde eine solcher Ansatz in Form eines Standard Extended Kalman Filters realisiert, um smartphone MEMS IMU Messungen mit UWB Distanzmessungen und GNSS Koordinaten zu fusionieren. Außerdem wurde die Implementierung durch zero velocity updates (ZVU), zero angular rate updates (ZARU) und einem auf einem χ2-Test basieren-den Ausreißerfilter erweitert. Dieser Ausreißerfilter wurde mithilfe der Mahalanobisdistanz des Innovationsvektors umgesetzt. Die UWB Distanzmessungen wurden in den Filter in Form einer tightly-coupled Strutkur integriert, hingegen die GNSS Koordinatenmessungen in einer loosely-coupled Form eingeführt. Der Datensatz, der in dieser Arbeit verwendet wurde, setzt sich aus Sensormessungen zusammen, die während der zweiten Session der Cooperative Pedestrian Positioning in Indoor/Outdoor environment (CoPPIO) Messkampagne im stop-and-go Format aufgenommen wurden. Das Ergebnis des entwickelten Multi-Sensor Algorithmuses wurde mit einem weiteren Extended Kalman Filter verglichen, welcher ausschließlich UWB Distanzmessungen, den Ausreißerfilter und die zero updates zur Positionierung ver-wendete. Die Analyse der Algorithmen wurde in Form von Genauigkeitsvergleichen vonacht Auswertungsszenarien durchgeführt. Diese acht Szenarien wurden in zwei Gruppeneingeteilt, wovon jeweils vier Untergruppen den beiden Implementierungen zugewiesenwurde. Jede dieser vier Gruppen unterscheidet sich darin, dass entweder nur der Ausreißerfilter, nur die zero updates, beide der Filtererweiterungen oder keine von beiden für die Berechnung der Trajektorien verwendet wurden. Anhand der globalen RMSE-Werte jedes Szenarios und unter Beachtung der Glätte der Trajektorie und der Genauigkeit der stop-and-go Punkte, erzielte die Trajektorie des Multi-Sensor EKF das beste Ergebnis, wenn sowohl der Ausreißerfilter als auch die zero updates in der Auswertung inkludiert wurden. Speziell die Genauigkeit der einzelnen stop-and-go Punkte von Szenario 1 verbesserte sich um 23.16% im Vergleich mit Szenario 5, dessen Trajektorienberechnung anhand des EKF mit auschließlich UWB Distanzmessungen durchgeführt wurde. Die Punktgenauigkeiten des ersten Szenarios lieferte allgemein Werte < 50 cm, während die Abweichungen der stop-and-go Punkte von den Referenzkoordinaten über 50 cm aber noch unter 1 m lagen, wenn sowohl Ausreißerfilter als auch zero updates inkludiert wurden.