Logo des Repositoriums

Auflistung nach Schlagwort "Sensor Fusion"

1 - 2 von 2
  • Konferenzbeitrag
    Sensor Fusion – Evaluierung der Eignung von geoelektrischer und Gammasensorik für die indirekte Bestimmung von Phosphor im Boden
    (Informatik in der Land-, Forst- und Ernährungswirtschaft 2017, 2017) Mizgirev, Alexander; Chudy, Thomas; Marz, Michael; Wagner, Peter; Rühlmann, 
Jörg
    Im Rahmen von Precision Farming wird gegenwärtig daran gearbeitet z.B. Bodencharakteristika und Makronährstoffgehalte kleinräumig sensorbasiert möglichst bereits während der Überfahrt im Feld zu erfassen. Die gewonnenen Informationen bilden eine Grundlage für die Düngemittelgabe. Der pflanzenverfügbare Phosphorgehalt (Pf) ist bisher nur im Labor bestimmbar. Vorangegangene Arbeiten konnten aufzeigen, dass eine indirekte Ermittlung von Pf im Boden mittels sensorbasierter Parameter möglich ist. Hierbei wird der Zusammenhang zwischen der Zielgröße (Pf) und den erklärenden Variablen (pH, EC, Ertrag, etc.) durch einen selbstlernenden Algorithmus, wie z.B. eines künstlichen Neuronalen Netzes erlernt und das daraus resultierende Modell für die Abschätzung von Pf für die weitere Jahre verwendet. In diesem Werkstattbericht wird die Eignung von geoelektrischer und Gammasensorik in einem Sensor Fusion Ansatz untersucht. Primär wird geprüft, ob der Einsatz dieser Sensorik die Approximation von Phosphor verbessert. Sekundär wird evaluiert, ob die Sensorik die bisher laboranalytische Bestimmung der Bodentextur ersetzen kann oder ob der Sensoroutput eine Ergänzung ist. Die vorliegende Untersuchung zeigte, dass der Geophilusoutput bei der Abschätzung von Pf im Boden die kostenund zeitintensiven Labordaten für die Textur vollständig substituieren kann.
  • Textdokument
    VCIT - Visually Corrected inertial Tracking
    (INFORMATIK 2017, 2017) Andrés López, Daniel; Diensberg, Benedikt; Schömer, Elmar; Schwanecke, Ulrich
    Many smart systems depend on exact models of their environment. These are gained by tracking objects in their surroundings. When a highly precise system is only available for a small part of the environment, it can be enhanced with a second system to recover the unknown parts. This paper presents a method to recover loss of a precise (optical) tracking system by a less precise (inertial) tracking system. First the rotation from the inertial measurement unit (IMU) and the optical system are aligned. A second step integrates the IMU acceleration two times and removes both times the drift by known initial and end values (first integration: velocity, second integration: position) from optical tracking. The error is backpropagated continuously.