Visuelle Inertial-Navigationssysteme (VINS) kombinieren kamerabasierte Wahrnehmung mit Inertialsensorik, um eine genaue Positionierung, Orientierung und Bewegungsabschätzung für autonome Plattformen zu ermöglichen, die in Umgebungen ohne GNSS arbeiten. Diese Systeme nutzen die visuelle Inertial-Odometrie (VIO) und die visuell-inertiale simultane Lokalisierung und Kartierung (VI-SLAM) und kombinieren Kamera- und IMU-Daten, um den Zustand des Fahrzeugs abzuschätzen, die Bewegung zu verfolgen und die Umgebung in Echtzeit zu erfassen.
Auf dieser Seite stellen wir Ihnen führende VINS-Hersteller vor, die für den Einsatz in UAVs, UGVs, AUVs und Roboterplattformen für Kartierung, Inspektion, ISR und autonome Mobilität entwickelt wurden.
Lesen Sie den Technologieübersicht
Trägheitsnavigationssensoren: MEMS-IMU, Beschleunigungsmesser, Gyroskope, AHRS, GPS-INS und Punktwolken-Generierung
Wenn Sie entwerfen, bauen oder liefern Visuelle Trägheitsnavigationssysteme (VINS), Erstellen Sie ein Profil, um Ihre Kompetenzen zu präsentieren und mit Besuchern in Kontakt zu treten, die einen konkreten Bedarf an Ihren Lösungen haben.
Visuelle Inertialnavigations-Systeme (VINS) kombinieren kamerabasierte Wahrnehmung mit Inertialsensorik, um eine genaue Positionierung, Orientierung und Bewegungsabschätzung für autonome Plattformen zu ermöglichen. Durch die Kombination von Daten einer oder mehrerer optischer Kameras mit Messungen einer Inertialmesseinheit (IMU) können unbemannte Fahrzeuge ihren kinematischen Zustand in Echtzeit berechnen, ohne auf externe Positionssignale angewiesen zu sein. Diese Fähigkeit ist im gesamten Bereich der unbemannten Systeme unverzichtbar geworden, da die Betreiber versuchen, Land-, Luft- und Seeplattformen vor den Schwachstellen der herkömmlichen satellitengestützten Positionierung zu schützen.
Das globale Satellitennavigationssystem (GNSS) ist zwar nach wie vor ein wertvolles Hilfsmittel für globale Koordinaten, aber seine Anfälligkeit für Signaldämpfung, Mehrwegreflexionen in Straßenschluchten und absichtliches elektronisches Jamming oder Spoofing stellt eine kritische Schwachstelle dar. VINS löst dieses Problem, indem es als hochfrequente, eigenständige Dead-Reckoning-Maschine fungiert, die auch in umkämpften oder physisch verdeckten Umgebungen einsatzbereit bleibt. Die Technologie wird heute in großem Umfang in taktische unbemannte Luftfahrzeuge (UAVs), robuste unbemannte Bodenfahrzeuge (UGVs), autonome Unterwasserfahrzeuge (AUVs) und lokalisierte Industrieroboter integriert, um Langstreckenkartierungen, Anlageninspektionen und taktische Militäroperationen zu unterstützen.
Das visuell-inertiale Navigationssystem Vision Navigator von Xsens
Um einen effektiven Rahmen für die autonome Lokalisierung zu entwerfen, müssen Entwickler die Kernfunktionen, Sensorinteraktionen und Software-Methoden verstehen, die die moderne visuelle Trägheitsnavigation definieren. Diese Elemente arbeiten zusammen, um rohe Umgebungsdaten in verwertbare Positionsdaten umzuwandeln.
Das visuelle Element einer VINS-Lösung kann je nach Plattform und Missionsanforderungen verschiedene Formen annehmen. Monokulare Kamerasysteme sind für kleinere unbemannte Plattformen aufgrund ihrer geringen Größe, ihres geringen Gewichts und ihres geringen Energiebedarfs nach wie vor sehr beliebt, während Stereosichtsysteme eine direkte Tiefenwahrnehmung ermöglichen, die die Hinderniserkennung und Lokalisierungsgenauigkeit verbessern kann.
Fortschrittlichere Architekturen können mehrere Kameras einbeziehen, um das Sichtfeld zu vergrößern, die Redundanz zu verbessern und die Sichtbarkeit von Merkmalen bei komplexen Manövern aufrechtzuerhalten. Auch ereignisbasierte Kameras stoßen im Bereich der Autonomie auf wachsendes Interesse. Anstatt herkömmliche Bilder zu erfassen, erkennen diese Sensoren Helligkeitsänderungen und ermöglichen so eine Hochgeschwindigkeitsnavigation mit geringerer Latenz und reduzierter Bewegungsunschärfe.
Die Hauptstärke von VINS liegt in der Fähigkeit, die sich ergänzenden Stärken von visuellen und Inertialsensoren zu kombinieren. Kameras liefern reichhaltige Umgebungsinformationen, haben aber bei schlechten Lichtverhältnissen oder in Umgebungen mit wenigen Merkmalen Probleme. IMUs liefern kontinuierliche Bewegungsmessungen unabhängig von der Sichtweite, akkumulieren aber mit der Zeit Fehler.
Durch die Synchronisierung und Verschmelzung dieser Datenströme erstellt VINS eine stabile Schätzung von Position, Geschwindigkeit und Lage. Moderne Systeme beruhen auf hochentwickelten Architekturen zur Sensorfusion, die in der Lage sind, große Datenmengen in Echtzeit zu verarbeiten und dabei die für die autonome Navigation erforderliche geringe Latenzzeit einzuhalten.
Beim Einsatz eines visuellen Navigationssystems wählen die Ingenieure in der Regel zwischen lokaler Odometrie und globalen Kartierungstechniken, je nach Nutzlastbeschränkungen und Missionsparametern:
Diese Fähigkeiten sind besonders wertvoll für autonome Systeme, die in unbekannten oder sich verändernden Umgebungen operieren, in denen keine bereits vorhandenen Karten verfügbar sind.
Die Implementierung einer zuverlässigen visuellen Inertialarchitektur erfordert eine sorgfältige Auswahl von physischen Hardware- und Softwareschichten, die mit anspruchsvollen Umweltfaktoren umgehen können. Jede Komponente muss einen Ausgleich zwischen dem Rechendurchsatz und den strengen Anforderungen an Größe, Gewicht, Leistung und Kosten schaffen.
Die Auswahl der Kamera hat einen erheblichen Einfluss auf die Navigationsleistung. Global-Shutter-Kameras werden oft bevorzugt, weil sie ein ganzes Bild gleichzeitig aufnehmen und so Verzerrungen durch schnelle Bewegungen vermeiden. Rolling-Shutter-Kameras sind zwar kostengünstiger und verbrauchen weniger Strom, können aber Bildartefakte erzeugen, die die Verfolgung von Merkmalen beeinträchtigen.
Kameras im sichtbaren Spektralbereich sind nach wie vor die gängigste Option, obwohl zunehmend Sensoren für schwaches Licht und HDR-Bildgebungstechnologien eingesetzt werden, um die Leistung bei schwierigen Lichtverhältnissen zu verbessern. Wärmebildkameras werden auch in fortschrittliche Navigationssysteme integriert, die den Betrieb bei Dunkelheit, Rauch, Nebel und anderen visuell beeinträchtigten Umgebungen ermöglichen.
Die Trägheitsmesseinheit (Inertial Measurement Unit, IMU) dient als Bewegungssensorkomponente einer VINS-Architektur und misst Beschleunigung und Rotationsbewegung über mehrere Achsen. IMUs auf MEMS-Basis (Micro-Electro-Mechanical Systems) dominieren den Markt für kommerzielle unbemannte Systeme aufgrund ihrer kompakten Größe und Erschwinglichkeit, während Sensoren für taktische und Navigationszwecke eine größere Stabilität und geringere Drift für höherwertige Anwendungen bieten.
Bei der Bewertung von IMUs für ein visuelles Trägheitssystem sind die wichtigsten technischen Überlegungen typischerweise folgende:
Diese Faktoren haben einen direkten Einfluss auf die Qualität der Navigationslösung und die Fähigkeit des Systems, die genaue Positionierung auch bei längeren Einsätzen ohne GNSS aufrechtzuerhalten.
Die visuell-inertiale Navigation ist rechenintensiv und erfordert erhebliche Verarbeitungsressourcen, um Bilder zu analysieren, Sensoren zu fusionieren und Navigationsalgorithmen in Echtzeit auszuführen.
Moderne VINS-Lösungen nutzen je nach Plattformbeschränkungen verschiedene Verarbeitungsarchitekturen:
Die Softwareumgebung spielt eine entscheidende Rolle bei der Bestimmung der Flexibilität, Skalierbarkeit und einfachen Integration des Systems. ROS und ROS 2 haben sich in der Robotik und bei autonomen Systemen durchgesetzt und bieten einen gemeinsamen Rahmen für die Sensorintegration und Softwareentwicklung.
Viele VINS-Implementierungen nutzen auch DDS-basierte Kommunikationsarchitekturen und Echtzeitbetriebssysteme, um eine deterministische Leistung zu unterstützen. Je nach Anwendung können Betreiber zwischen Open-Source-Frameworks, die Flexibilität bieten, und proprietären Lösungen wählen, die für spezifische Missionsanforderungen optimiert sind.
Die Verarbeitungsalgorithmen, die in einem Bordcomputer laufen, bestimmen, wie effektiv die Plattform sensorische Dateneingaben in eine genaue Flugbahnschätzung umwandelt. Verschiedene mathematische Modelle bieten einzigartige Kompromisse in Bezug auf die Art der Verfolgung, die Filtergeschwindigkeit und das Management der Fehlerabweichung.
Die merkmalsbasierte visuelle Inertial-Odometrie ist nach wie vor einer der am weitesten verbreiteten Ansätze für VINS. Diese Systeme identifizieren und verfolgen markante visuelle Orientierungspunkte in aufeinanderfolgenden Bildern und kombinieren diese Informationen mit Trägheitsmessungen, um die Bewegung in der Umgebung zu schätzen. Fortgeschrittene Implementierungen verwenden Techniken wie Landmarkenmanagement und Bündelanpassung, um die Schätzungen zu verfeinern und den kumulierten Fehler zu reduzieren, was die Navigationsgenauigkeit über längere Missionsdauern verbessert.
Anstatt diskrete visuelle Merkmale zu verfolgen, nutzen direkte visuelle Odometriemethoden Bildintensitätsinformationen über größere Teile der Szene. Dieser Ansatz kann in Umgebungen, in denen die herkömmliche Merkmalsextraktion eine Herausforderung darstellt, robuster sein und ermöglicht es, dass mehr der verfügbaren visuellen Informationen zur Navigationsleistung beitragen.
Eine genaue Zustandsabschätzung ist für jede VINS-Architektur von grundlegender Bedeutung. Moderne Systeme verwenden eine Vielzahl von Ansätzen, darunter Extended Kalman Filter (EKF), Unscented Kalman Filter (UKF), Factor Graph Optimization und Sliding-Window-Schätzverfahren.
Die Wahl der Schätzungsmethode hängt oft von der gewünschten Balance zwischen Recheneffizienz, Navigationsgenauigkeit und Plattformbeschränkungen ab. Multi-State Constraint Kalman Filter (MSCKF) propagieren den Fahrzeugzustand unter Verwendung von hochratigen IMU-Daten und aktualisieren ihn, wenn visuelle Merkmale über mehrere Kameraansichten hinweg verfolgt werden, wodurch der Rechenaufwand vorhersehbar bleibt. Bei komplexen Pfaden führen optimierungsbasierte Faktorgraphen eine lokalisierte nichtlineare Bündelanpassung über ein gleitendes Fenster der letzten Zustände durch, um eine höhere Genauigkeit zu erreichen.
Der Kernzustandsvektor schätzt typischerweise die 3D-Quaternionen für Position, Geschwindigkeit und Ausrichtung sowie die dynamischen Beschleunigungsmesser- und Gyroskopverzerrungen. Die kontinuierliche Schätzung dieser Verzerrungen in Echtzeit verhindert, dass die Dead-Reckoning-Lösung schnell abdriftet. Fortschritte bei der Rechenleistung haben es ermöglicht, dass immer ausgefeiltere Schätzungsalgorithmen auf kompakten unbemannten Plattformen eingesetzt werden können.
Eine der größten Herausforderungen bei der visuell-inertialen Navigation ist die allmähliche Ansammlung von Fehlern im Laufe der Zeit. Techniken zum Schließen von Schleifen lösen dieses Problem, indem sie zuvor besuchte Orte erkennen und diese Informationen zur Korrektur der Drift innerhalb der Navigationslösung verwenden. Diese Fähigkeiten sind besonders wichtig für Langzeitmissionen, bei denen die Aufrechterhaltung der globalen Konsistenz für eine genaue Kartierung und Lokalisierung unerlässlich ist.
Künstliche Intelligenz nimmt zunehmend Einfluss auf die Entwicklung visuell-inertialer Navigationstechnologien. Algorithmen des maschinellen Lernens können die Extraktion von Merkmalen verbessern, das Verständnis der Szene erhöhen und die semantische Lokalisierung unterstützen, indem sie es den Systemen ermöglichen, sinnvolle Objekte und Strukturen in ihrer Umgebung zu erkennen. Da die Verarbeitungsfähigkeiten an Bord weiter zunehmen, wird erwartet, dass KI-gestützte VINS-Lösungen eine größere Anpassungsfähigkeit und verbesserte Leistung unter einer größeren Bandbreite von Einsatzbedingungen bieten.
VINS kann zwar als eigenständige Dead-Reckoning-Maschine dienen, entfaltet aber seinen vollen operativen Nutzen, wenn es mit anderen Sensoren im primären Avionikschacht eines Fahrzeugs kombiniert wird. Durch die Kombination der Systeme entsteht ein mehrschichtiges Redundanzsystem, das vor unerwarteten Sensorblockaden oder lokal begrenzten Ausfällen schützt.
Obwohl VINS unabhängig arbeiten kann, wird es meist als Teil einer umfassenderen Navigationsarchitektur eingesetzt. Durch die Integration von visuell-inertialer Navigation mit GNSS können Plattformen sowohl von globalen Positionsdaten als auch von lokal abgeleiteten Navigationsdaten profitieren.
Dieser Ansatz bietet wertvolle Redundanz und unterstützt einen stabilen Betrieb in Umgebungen, die von Signalverschlechterung, Störsendern oder Spoofing betroffen sind. Da die Besorgnis über Navigationskriege weiter zunimmt, wird VINS zu einer immer wichtigeren Komponente von gesicherten Positions-, Navigations- und Zeitbestimmungsstrategien (PNT).
VINS wird häufig mit zusätzlichen Sensortechnologien kombiniert, um die Widerstandsfähigkeit der Navigation und das Umweltbewusstsein zu verbessern. Je nach Missionsprofil gehören zu diesen ergänzenden Technologien:
Zusammen bilden diese Technologien einen Multisensor-Navigationsstapel, der in einer Vielzahl von Einsatzumgebungen zuverlässig funktioniert.
Moderne autonome Plattformen verlassen sich zunehmend auf mehrschichtige Navigationsarchitekturen und nicht mehr auf eine einzige Quelle für Positionsdaten. Innerhalb dieser Systeme leistet VINS einen entscheidenden Beitrag zu robusten PNT-Systemen und trägt dazu bei, die operative Effektivität aufrechtzuerhalten, wenn andere Navigationsquellen nicht mehr verfügbar oder gefährdet sind.
Die Technologie der visuellen Trägheitssensoren hat sich von der spekulativen Laborforschung zu einer Standardausrüstung für im Feld eingesetzte Maschinen entwickelt. Dank ihrer Vielseitigkeit können verschiedene Fahrzeugplattformen in der Luft, zu Lande und zu Wasser kritische Aufgaben erfüllen, ohne auf die Infrastruktur angewiesen zu sein.
Das rasante Wachstum der autonomen UAV-Operationen hat die Einführung von VINS maßgeblich vorangetrieben. Die Technologie unterstützt die Präzisionsnavigation für kleine Drohnen, autonome Starts und Landungen, Flüge in Innenräumen und Operationen jenseits der Sichtlinie (Beyond Visual Line of Sight – BVLOS). Sie spielt auch eine immer wichtigere Rolle bei kollaborativen Navigationsstrategien für Drohnenschwärme und Multi-UAV-Einsätze.
Für bodengestützte autonome Systeme bietet VINS eine zuverlässige Lokalisierung in Umgebungen, in denen die GNSS-Abdeckung möglicherweise begrenzt oder nicht verfügbar ist. Zu den Anwendungen gehören die Navigation im Gelände, die industrielle Automatisierung, die Erkundung des Untergrunds und militärische Operationen in städtischen oder unterirdischen Umgebungen. Die Fähigkeit, unabhängig von externer Infrastruktur zu arbeiten, macht VINS besonders wertvoll für UGV-Einsätze in komplexem Terrain.
Auch autonome maritime Plattformen profitieren von den Fortschritten in der visuell-inertialen Navigation. Unbemannte Überwasserfahrzeuge (USVs) können VINS als Ergänzung zu herkömmlichen Navigationssystemen bei Einsätzen im Nahbereich von Häfen und Infrastruktur nutzen. Für AUVs, die unter der Oberfläche operieren, stellen visuell-inertiale Techniken ein wichtiges Mittel zur Lokalisierung dar, wenn eine Satellitennavigation nicht möglich ist.
Verteidigungsanwendungen stellen einen der am schnellsten wachsenden Märkte für VINS-Technologie dar. Militärische Betreiber benötigen zunehmend Navigationslösungen, die in umkämpften elektromagnetischen Umgebungen funktionieren, in denen die Verfügbarkeit von GNSS nicht garantiert werden kann.
Typische Einsatzgebiete sind:
Außerhalb des Verteidigungssektors ermöglicht VINS ein höheres Maß an Autonomie in der industriellen und kommerziellen Robotik. Die Technologie unterstützt die sichere Navigation und Positionierung ohne Abhängigkeit von einer externen Infrastruktur und ist damit sowohl für Anwendungen im Innen- als auch im Außenbereich attraktiv. Zu den gängigen Anwendungsfällen gehören Präzisionslandwirtschaft, Bergbau und Steinbrüche, Lager- und Logistikautomatisierung sowie die Inspektion von Energie- und Versorgungsinfrastrukturen.
Die nächste Generation der visuellen Inertialsysteme konzentriert sich stark auf lokalisierte Berechnungen und plattformübergreifende Kommunikationsnetzwerke. Da die Computerhardware immer kleiner wird, können Tracking-Architekturen schnellere und kooperativere Mapping-Aufgaben bewältigen.
Dank der Fortschritte bei der eingebetteten Verarbeitung können immer ausgefeiltere Navigations- und Wahrnehmungsalgorithmen direkt an Bord autonomer Plattformen ausgeführt werden. Diese Verlagerung hin zu Edge AI verringert die Abhängigkeit von externen Computerressourcen und ermöglicht gleichzeitig eine schnellere Entscheidungsfindung und größere operative Unabhängigkeit.
Ereignisbasierte Sensoren gewinnen aufgrund ihrer Fähigkeit, visuelle Informationen in hoher Geschwindigkeit und mit außergewöhnlich geringer Latenzzeit zu liefern, immer mehr an Aufmerksamkeit. Diese Eigenschaften machen sie besonders attraktiv für agile UAVs, Hochgeschwindigkeitsroboter und andere dynamische autonome Systeme.
Es wird erwartet, dass zukünftige autonome Systeme nicht mehr als einzelne Plattformen, sondern als zusammenhängende Netzwerke arbeiten werden. Die kollaborative Lokalisierung ermöglicht es mehreren Fahrzeugen, Beobachtungen und Navigationsdaten gemeinsam zu nutzen, was die Gesamtgenauigkeit, die Ausfallsicherheit und das Situationsbewusstsein der gesamten Flotte verbessert.
Suche nach Unternehmen & Produkten
Abonnieren Sie den wöchentlichen eBrief
Die neuesten technischen Entwicklungen direkt in deinen Posteingang - schließe dich Tausenden von Ingenieurinnen und Ingenieuren an, die diesen Newsletter erhalten.
