Kurzfassung
Die integrierte Positionsbestimmung spielt heutzutage im Bereich der Navigation eine immer größere Rolle. Um die Trajektorie eines sich bewegenden Objektes zu bestimmen, werden verschiedenste Sensoren gekoppelt. Die Sensoren werden so gewählt, dass die Nachteile des einen Sensors durch die Vorzüge des anderen Sensors ausgeglichen werden. Im Fall von mobilen Plattformen ist es sehr gebräuchlich, satellitengestützte Positionierungsverfahren in Kombination mit inertialen Messsystemen (IMS) zu verwenden. Die Vorteile dieser Sensorfusion liegen darin, dass einerseits mit Hilfe von IMS Signalabschattungen von GNSS (Global Navigation Satellite System) überbrückt werden können und andererseits GNSS das für IMS typische Driftverhalten kompensiert. Das Institut für Navigation der TU Graz untersuchte im Rahmen des Projektes VarIoNav einerseits verschiedenste Sensorkombinationen und andererseits unterschiedliche Integrationsmethoden. Die Analysen basieren auf terrestrischen Testmessungen, bei denen unterschiedliche Bedingungen (teilweise bis komplette GNSS Signalabschattung) untersucht wurden. Um eine einheitliche Basis für die Analysen zu schaffen, wurde eine Messplattform für ein Auto entwickelt, auf der vier GNSS Antennen und drei IMS Sensoren montiert werden können. Mit Hilfe dieser Plattform ist es möglich, das Verhalten der Sensoren und die verschiedenen Sensorkombinationen während einer Messfahrt miteider zu vergleichen. Im Rahmen dieser Untersuchungen wurden zunächst detaillierte Analysen hinsichtlich der drei unterschiedlichen Kopplungsmethoden – ungekoppelte, lose gekoppelte und eng gekoppelte Integration – durchgeführt. Die eng gekoppelte Integration basiert im Unterschied zu den zwei anderen Kopplungsmethoden auf rohen Messdaten, welche mit Hilfe des Kalman-Filters miteider kombiniert werden. Der Vorteil der eng gekoppelten Integration besteht darin, dass bei weniger als vier sichtbaren Satelliten die GNSS Messungen nicht verworfen werden müssen, sondern als Stützung der IMU-Messungen (Inertial Measurement Unit) einen Beitrag zur Trajektorienbestimmung liefern. Für die ungekoppelte als auch lose gekoppelte Integration ist eine Vorprozessierung der Messdaten erforderlich, da die Integration auf prozessierten Trajektorien basiert. In einem weiteren Schritt wurden die Integrationsmethoden vor dem Hintergrund der Qualitäts- und Preisklassen der Sensoren untersucht. Für diese Analysen wurden drei verschiedene GNSS-Empfänger (Xsens MTiG, Nova-tel ProPak V3 und Javad Sigma) und drei verschiedene IMS Produkte (XSens MTiG, iMAR FSAS und iMAR RQH) verwendet, die jeweils niedrig-, mittel- und hochpreisige Sensoren repräsentieren. Das Hauptaugenmerk sämtlicher Analysen liegt hierbei auf den erreichbaren Genauigkeiten der Positions- und Attitudelösung. Als Ergebnis liegt eine Klassifizierung der untersuchten Integrationsmethoden als auch Sensorsysteme vor und die Qualitätsparameter wie Einsatzfähigkeit, Genauigkeit und Zuverlässigkeit werden anhand der Integrationsergebnisse hinterfragt. Die Analysen zeigen, dass die Wahl der Sensoren sehr stark von den Messbedingungen entlang der Trajektorie abhängen. Wenn die Anzahl der verfügbaren Satelliten unter vier sinkt, kann man sehr große Unterschiede in den _x000C_9090Vermessung & Geoinformation 2/2011 Ergebnissen der unterschiedlichen Integrationen erkennen. Die eng gekoppelte Integration liefert hierbei die besten Ergebnisse. Kommt es zu einem vollständigen GNSS-Signalausfall basiert die Lösung nur mehr auf der Qualität des inertialen Sensors. Nach einem GNSS-Ausfall von 50 s weicht die Sigma/iNAV-RQH Lösung nur 20 cm von der Referenztrajektorie ab, hingegen treten bereits bei der ProPak/FSAS Kombination viel größere Differenzen auf (5,3 m).

Abstract
In the field of navigation, integrated navigation is an upcoming technique. This means that trajectory determination of a moving object is performed via sensor fusion. Complementary multi-sensor systems are used to compensate the disadvantages of the one sensor by the advantages of the other and vice versa. In case of the project VarIoNav, different integration methods based on satellite-based positioning and inertial measurement systems (IMS) are investigated and compared under varying circumstances. The goal of the project is the comparison of three distinct categories of sensors in terms of accuracy and quality on the one hand and the comparison of three different coupling methods (uncoupled, loosely coupled and tightly coupled) on the other hand. For these investigations, a platform was developed to enable terrestrial field tests with a car. This measurement platform can be mounted on the roof rack of a car and carries four GNSS (Global Navigation Satellite System) antennas and three types of IMS. This construction allows an optimal comparison of the measurement data of the different onboard sensor systems and their integration. The comparison of the integration results demonstrates that the surrounding of the trajectory strongly influences the choice of the used sensors and the type of integration. The worse the measurement conditions the higher are the requirements concerning the sensor quality and their integration.

Kurzfassung
Massenbewegungen treten insbesondere in gebirgigen Regionen verstärkt auf und stellen häufig eine Gefahr für Mensch und Infrastruktur dar. Für die Untersuchung solcher geodynamischen Prozesse werden heute oftmals numerische Modelle verwendet, die das Verhalten des Untergrundes simulieren. Die Anpassung solcher Modelle an in situ-Messdaten geschieht jedoch häufig durch unsicheres "trial and error". Einen Genauigkeitsgewinn und die statistische Beurteilung der Modellanpassung verspricht hier die adaptive Kalman-Filtertechnik. Diese erlaubt die optimale Schätzung des Zustands des Systems "Rutschhang" und kann auch zur Prädiktion des künftigen Hangverhaltens eingesetzt werden. Nachfolgend soll die Entwicklung eines adaptiven Kalman-Filters anhand einer noch simulierten Testböschung erläutert werden. Die Methode der Modellkalibrierung soll später auf das Modell eines realen Untersuchungsobjekts angewendet werden, und zusammen mit den erfassten Monitoringdaten die Grundlage für ein wissensbasiertes Alarmsystem für Massenbewegungen schaffen.

Abstract
Mass movements especially appear in mountainous regions and often cause dangerous situations for men and infrastructure. Today, the analysis of such geodynamic processes is commonly done by numerical modelling to simulate the behaviour of bedrock. The adjustment of such models with measured data is usually done by statistically non assured "trial and error" methods. Adaptive Kalman-filtering can be used to increase accuracy and enable the statistical evaluation of the adaptation results. The optimal estimation of relevant system quantities and the prediction of the future slope behaviour are possible. The application of an adaptive Kalman filter to a still simulated test slope is described below. The calibration method will be applied to a model of a real slope being the basis for a knowledge-based alarm system for mass movements.