Dozent:	Prof. Dr.-Ing. Schneider
Lehrveranstaltung:	Moderne Tracking Systeme
Modul	Business and Systems Engineering, Systemintegration
Modulbezeichnung:	BSE-M-2-2.01
Modulverantwortung:	Prof. UlrichSchneider
Prüfungsform:	Hausarbeit
Abgabetermin:	19.07.2026

Hausarbeit: Sensorfusion zur 2D-Navigation eines mobilen Roboters mit KF, EKF und UKF

Der Autonome Mobile Roboter (AMR, AlphaBot) soll wie im Video gezeigt möglichst exakt die Ränder eines Quadrats abfahren.

Video: Mobile Robot Localisation

Im Rahmen dieser Hausarbeit soll eine Sensorfusionslösung zur Navigation eines mobilen Roboters entwickelt und untersucht werden.

Als Versuchsplattform dient ein Waveshare AlphaBot, der mit einer MPU9250-Inertialsensoreinheit ausgestattet ist. Die Sensordaten werden erfasst, verarbeitet und zur Schätzung der Roboterpose verwendet.

Ziel ist die Entwicklung und Bewertung verschiedener Bayes-basierter Schätzverfahren:

Kalman-Filter (KF)
Extended Kalman-Filter (EKF)
Unscented Kalman-Filter (UKF)
Partikelfilter (PF)

Die Verfahren sollen hinsichtlich Genauigkeit, Robustheit und Rechenaufwand verglichen werden.

Notwendige Hardware

AlphaBot mit
Arduino R4 Wifi und
MPU 9250 IMU
USB-C Kabel

Notwendige Software

Arduino IDE 2.3.10
MATLAB^® (z. B. R2025b) mit Arduino Support Package

Vorbereitung

Arbeiten Sie sich anhand dieses Artikels in den AlphaBot ein. Sie benötigen lediglich die Ansteuerung der Motoren, das Auslesen der Inkrementalgeber und die Daten der IMU MPU 9250.
Leihen Sie sich die Hardware für die Hausarbeit bei Prof. Schneider oder Marc Ebmeyer aus.
machen Sie bei Fragen frühzeitig einen termin mit Prof Schneider.
Binden Sie den Arduino Uno R4 Wifi in Ihre Wifi-Umgebung ein. Sie dürfen hierfür gern unser Labor verwenden.
Tragen Sie die WLAN-Zugangsdaten und die IP-Adresse des MATLAB-Rechners in die entsprechende Zeile ein.
Übertragen Sie das Programm DemoUnoR4Wifi.ino auf den Arduino uno R4 Wifi.
Versorgen Sie den Arduino Uno R4 mit Spannung (6 V-24 V). Die Daten werden nun gesendet. Die TX-LED blinkt kontinuierlich.
Starten Sie DemoUnoR4Wifi.m auf dem PC. Die Daten Zeit in s;Zähler müssten nun empfangen und im Command Window dargestellt werden.
Sie sind nun startbereit!

Demos

DemoUnoR4Wifi.m

// Notw. Hardware HC-05 Bluetooth Modul
// Vorbereitung:
//                 1) Binden Sie den Uno R4 in Ihr Netzwerk ein (Z. 25, 26).
//                 2) Tragen Sie die IP Ihres MATLAB Rechners ein (Z. 32).
//                 3) Übertragen Sie das Skript an den Uno R4. 
//                 4) Wählen Sie einen frein UDP-Port (Z. 38).
//*****************************************************************************

#include <WiFiS3.h>
#include <WiFiUdp.h>

// WLAN Zugangsdaten
char ssid[] = "Ihr_WLAN_Name";     // Anpassen
char pass[] = "Ihr_WLAN_Passwort"; // Anpassen

WiFiUDP udp;

// IP-Adresse des MATLAB-Rechners
IPAddress matlabIP(192, 168, 1, 1);  // Anpassen

// MATLAB UDP-Port
unsigned int matlabPort = 7000;

void setup()
{
  Serial.begin(115200);
  while (!Serial);
  Serial.println("Verbinde WLAN...");

  while (WiFi.begin(ssid, pass) != WL_CONNECTED)
  {
    delay(5000);
    Serial.print(".");
  }

  Serial.println();
  Serial.println("WLAN verbunden");
  Serial.print("Arduino IP: ");
  Serial.println(WiFi.localIP());
  udp.begin(7001);
}


void loop()
{
  static int Zaehler_s16 = 0;             // Beispiel für Messwert
  float Zeit_f32 = float(millis())/1000;  // Zeit in s

  char Daten_s8[50];

  // Format: Float;Integer
  sprintf(Daten_s8, "%.3f;%d", Zeit_f32, Zaehler_s16);

  Serial.println(Daten_s8);

  // UDP senden
  udp.beginPacket(matlabIP, matlabPort);
  udp.write(Daten_s8);
  udp.endPacket();

  Zaehler_s16++; // Zähler inkrementieren

  delay(100);
}

DemoUnoR4Wifi.ino

clear all; clc;

port = 7000; % UDP Port, auf dem MATLAB lauscht

u = udpport("IPV4", "LocalPort", port);

disp("Warte auf UDP-Daten vom Arduino ...")

while true
    nBytes = u.NumBytesAvailable;
    if nBytes  > 0 % Prüfen, ob Daten vorhanden sind
        data = read(u, nBytes, "string");
        disp(data)
    end
end

Aufgabe 1: Systemaufbau und Datenerfassung

Der AlphaBot wird über eine ebene Fläche bewegt. Während der Fahrt werden Sensordaten aufgezeichnet.

Folgende Sensoren stehen zur Verfügung:

Sensor	Messgröße	Verwendung
MPU9250 Gyroskop	Gierrate $ω_{z}$	Orientierung
MPU9250 Beschleunigungssensor	$a_{x}, a_{y}$	Bewegungsdynamik
MPU9250 Magnetometer	Magnetfeldrichtung	absolute Orientierung
Radencoder	Raddrehzahlen	Geschwindigkeit und Weg

Die Messdaten werden über eine WLAN-Verbindung vom Arduino Uno R4 WiFi an MATLAB übertragen.

Das Datenformat soll mindestens enthalten:

Zeitstempel in s;Messnummer;Sensordaten

Beispiel:

1.25;2300;0.012;-0.034;9.812;0.01;0.02;-0.01

Implementieren Sie eine Messdatenübertragung zwischen Arduino Uno R4 WiFi und MATLAB^®.
Erfassen und speichern Sie die Sensordaten des AlphaBots.
Dokumentieren Sie die Abtastrate, Datenqualität und mögliche Messfehler.

2. Analyse der Sensorsignale

Untersuchen Sie die Eigenschaften der verfügbaren Sensordaten.

Führen Sie folgende Analysen durch:

Bestimmung der Abtastrate
Darstellung der Sensorsignale im Zeitbereich
Frequenzanalyse mittels FFT
Untersuchung von Offset und Drift
Bestimmung der Messunsicherheit

Bewerten Sie insbesondere:

Gyro-Bias und Drift
Rauschen des Beschleunigungssensors
Störungen des Magnetometers
Schlupf der Räder

3. Bewegungsmodell des Roboters

Entwickeln Sie ein geeignetes Bewegungsmodell für den AlphaBot.

Der Roboter kann als Differentialantrieb modelliert werden.

Beispiel:

$x_{k + 1} = x_{k} + v_{k} \cos (ψ_{k}) Δ t$

$y_{k + 1} = y_{k} + v_{k} \sin (ψ_{k}) Δ t$

$ψ_{k + 1} = ψ_{k} + ω_{k} Δ t$

Diskutieren Sie:

Wahl der Zustandsgrößen
Modellannahmen
Modellfehler

4. Navigation ohne Filter

Implementieren Sie zunächst eine reine Zustandsschätzung ohne Sensorfusion.

Beispiele:

Integration der Gierrate
Berechnung der Position aus Encoderinformationen

Untersuchen Sie:

Drift
Positionsfehler
Einfluss von Sensorausfällen

5. Kalman-Filter (KF)

Entwickeln Sie ein lineares Zustandsmodell.

Die Zustandsschätzung soll mit einem klassischen Kalman-Filter erfolgen.

Bestimmen Sie:

Zustandsvektor
Systemmatrix
Messmatrix
Prozessrauschen $Q$
Messrauschen $R$

Untersuchen Sie den Einfluss der Filterparameter auf das Ergebnis.

6. Extended Kalman-Filter (EKF)

Erweitern Sie das System auf das nichtlineare Robotermodell.

Implementieren Sie:

Prediction-Schritt
Berechnung der Jacobi-Matrix
Update-Schritt
Innovation und Innovationskovarianz

Bewerten Sie:

Genauigkeit
Stabilität
Verhalten bei Kurvenfahrt

7. Unscented Kalman-Filter (UKF)

Implementieren Sie einen Unscented Kalman-Filter.

Verwenden Sie Sigma-Punkte zur Approximation der nichtlinearen Zustandsfortpflanzung.

Untersuchen Sie den Einfluss von:

$α$
$β$
$κ$

Vergleichen Sie UKF und EKF hinsichtlich:

Positionsfehler
Winkelfehler
Rechenaufwand

8. Partikelfilter (PF)

Erweitern Sie das Navigationsproblem um nicht-Gaußsche Messfehler.

Implementieren Sie einen Partikelfilter mit:

Initialisierung der Partikel
Zustandsfortpflanzung
Gewichtungsberechnung
Resampling
Zustandsschätzung

Untersuchen Sie:

Einfluss der Partikelanzahl
Robustheit gegenüber Ausreißern
Verhalten bei Mehrdeutigkeiten

9. Experimentelle Untersuchung

Führen Sie verschiedene Fahrversuche durch:

Gerade Fahrt
Kreisfahrt
Kurvenfahrt
Stop-and-Go-Fahrt

Bewerten Sie die Filter anhand von:

Kriterium	KF	EKF	UKF	PF
Positionsfehler
Winkelfehler
Robustheit
Rechenzeit

10. Diskussion und Bewertung

Beantworten Sie folgende Fragen:

Welche Annahmen treffen KF, EKF, UKF und PF?
Wann versagen lineare Filter?
Welche Vorteile bietet der UKF gegenüber dem EKF?
Wann ist ein Partikelfilter sinnvoll?
Welche zusätzlichen Sensoren würden die Navigation verbessern?

Diskutieren Sie abschließend, welches Verfahren für die Navigation des AlphaBots am besten geeignet ist und begründen Sie Ihre Entscheidung.

Abgabe

Die Dokumentation soll enthalten:

Beschreibung des Systemaufbaus
MATLAB-Programme
Arduino-Programm
Messdatenanalyse
Herleitung der verwendeten Modelle
Vergleich der Filterverfahren
Diskussion der Ergebnisse

Die Bewertung erfolgt nach:

technischem Verständnis
Qualität der Modellbildung
Implementierung
experimenteller Untersuchung
kritischer Bewertung der Ergebnisse

1.

Der AlphaBot wird über eine ebene Fläche bewegt. Während der Fahrt werden Sensordaten aufgezeichnet.

Folgende Sensoren stehen zur Verfügung:

Sensor	Messgröße	Verwendung
MPU9250 Gyroskop	Gierrate $ω_{z}$	Orientierung
MPU9250 Beschleunigungssensor	$a_{x}, a_{y}$	Bewegungsdynamik
MPU9250 Magnetometer	Magnetfeldrichtung	absolute Orientierung
Radencoder	Raddrehzahlen	Geschwindigkeit und Weg

Die Messdaten werden über eine WLAN-Verbindung vom Arduino Uno R4 WiFi an MATLAB übertragen.

Das Datenformat soll mindestens enthalten:

Zeitstempel;Messnummer;Sensordaten

Beispiel:

12500000;2300;0.012;-0.034;9.812;0.01;0.02;-0.01

Abgabeordner

Nachdem Sie zur Prüfung angemeldet sind, lege ich für Sie einen Sciebo-Arbeitsordner an. Bitte legen Sie darin Ihre Ergebnisse ab (MATLAB^®-Dateien und Hausarbeit als .pdf) und organisieren Sie sich ggf. in Unterordnern.

Bewertung

Die Bewertung der Hausarbeit erfolgt anhand der Kriterien in Tabelle 1. Diese Bewertung wird in Ihrem Abgabeordner publiziert. Dieses gilt als Klausureinsicht. Melden Sie sich bitte bei Rückfragen frühzeitig.

Tabelle 1: Bewertungskriterien
Kriterium	Punkte
Dokumentation und Qualität der Recherche	5
Qualität und Quantität der Auswahlkriterien	5
Systematik bei der Auswahl des Ansatzes	5
Darstellung des Lösungsansatzes	5
Umsetzung des Lösungsansatzes	5
Anwendung und Optimierung des Partikelfilters zur Spurverfolgung	5
Qualität des Ergebnisses	5
Qualität der Ergebnisdiskussion	5
Summe:	40

BSE Moderne Tracking Systeme (SoSe 2026)

Inhaltsverzeichnis

Hausarbeit: Sensorfusion zur 2D-Navigation eines mobilen Roboters mit KF, EKF und UKF

Notwendige Hardware

Notwendige Software

Vorbereitung

Demos

Aufgabe 1: Systemaufbau und Datenerfassung

2. Analyse der Sensorsignale

3. Bewegungsmodell des Roboters

4. Navigation ohne Filter

5. Kalman-Filter (KF)

6. Extended Kalman-Filter (EKF)

7. Unscented Kalman-Filter (UKF)

8. Partikelfilter (PF)

9. Experimentelle Untersuchung

10. Diskussion und Bewertung

Abgabe

1.

Abgabeordner

Bewertung

Navigationsmenü

BSE Moderne Tracking Systeme (SoSe 2026)

Hausarbeit: Sensorfusion zur 2D-Navigation eines mobilen Roboters mit KF, EKF und UKF

Notwendige Hardware

Notwendige Software

Vorbereitung

Demos

Aufgabe 1: Systemaufbau und Datenerfassung

2. Analyse der Sensorsignale

3. Bewegungsmodell des Roboters

4. Navigation ohne Filter

5. Kalman-Filter (KF)

6. Extended Kalman-Filter (EKF)

7. Unscented Kalman-Filter (UKF)

8. Partikelfilter (PF)

9. Experimentelle Untersuchung

10. Diskussion und Bewertung

Abgabe

1.

Abgabeordner

Bewertung

Navigationsmenü

Suche