Simulationskonzept Positionssensoren

Die vollständig automatisierte Steuerung von Position und Höhe von Fahrzeug und Werkzeug bei Baumaschinen ist aktuell nur bei langsam fahrenden Maschinen wie Asphalt- und Randsteinfertigern realisiert. Der Aufbau solcher Systeme ist individuell und aufwendig, da das Zusammenspiel von Sensoren, Filtern (z.B. Kalman-Filter) und Regelalgorithmen (z.B. PID-Regler) für jeden Maschinentyp neu abgestimmt werden muss. Bisherige Simulationen zur Softwareimplementierung erfolgen meist nur softwareseitig, ein Zwischenschritt zum Test einzelner Sensorkomponenten oder Filter im Labor, ohne äußere Einflüsse, fehlt. Diese Arbeit adressiert diese Lücke durch die Entwicklung eines Hardware-in-the-loop Simulators, der den Test unter kontrollierten Bedingungen erlaubt und somit die Optimierung von Sensoren und Algorithmen im Labor ermöglicht. Die Notwendigkeit einer solchen Lösung wird durch den steigenden Bedarf an automatisierten Baumaschinen und der damit verbundenen Komplexität der Steuerungssysteme verdeutlicht. Die manuelle Abstimmung der Komponenten ist zeitaufwendig und teuer, der Simulator soll hier Abhilfe schaffen.

Das in dieser Arbeit entwickelte dreistufige Simulationskonzept beinhaltet die Entwicklung eines zusätzlichen Hardware-in-the-loop Simulators. Dieser nutzt ferngesteuerte Fahrzeugmodelle im Maßstab 1:14, die die kinematischen Fahreigenschaften realitätsnah abbilden. Durch die Kombination von Sensoren, Software und den Modellen können Simulationen durchgeführt werden, um neue Sensoren und Algorithmen zu optimieren. Die Verwendung von Modellfahrzeugen ermöglicht eine kontrollierte Umgebung im Labor, frei von äußeren Einflüssen wie Bodenbeschaffenheit und Wetterbedingungen, was die systematische Untersuchung und Optimierung der Steuerungskomponenten vereinfacht. Die Integration verschiedener Sensoren, darunter Tachymeter und potenziell GNSS, ist ein zentraler Aspekt. Die Simulation erlaubt es, verschiedene Szenarien zu testen und die Performance der Steuerungsalgorithmen zu bewerten, bevor diese in reale Baumaschinen implementiert werden. Dies minimiert Risiken und Kosten, die mit einer direkten Implementierung in realen Maschinen verbunden wären.

Für die Simulation werden kinematische und dynamische Fahrzeugmodelle verwendet, die die Bewegung der Baumaschinen beschreiben. Ein vereinfachtes Zweiradmodell wird zur Modellierung auch komplexerer Fahrzeuge genutzt. Die Berechnung von Lenkwinkeln und die Beschreibung der Bewegung im Kalman-Filter benötigen diese Modelle. Die Arbeit beschreibt die Modellierung von Asphaltfertigern und Planierraupen, wobei die geometrische Beschreibung der Werkzeuge (Schild, Einbaubohle) detailliert dargestellt wird. Die Berücksichtigung von Parametern wie Mast- und Querneigung des Werkzeuges ist essentiell für die Genauigkeit der Simulation. Die Integration der Modelle in das Kalman-Filter ermöglicht die Schätzung von Systemzuständen, auch bei Sensorausfällen. Die Auswahl und Parametrisierung der Regler, insbesondere PID-Regler, ist ein weiterer wichtiger Aspekt der Modellierung. Unterschiedliche Varianten des Kalman-Filters, mit und ohne Berücksichtigung des Schwimmwinkels, werden untersucht, um die optimale Konfiguration zu bestimmen.

Die Arbeit untersucht die Genauigkeit verschiedener Sensoren, insbesondere Tachymeter von Leica und Trimble, für die kinematische Positionsbestimmung. Der Einfluss von 360°-Prismen und deren systematischen Fehlern wird analysiert. Ein Leica Laser-Tracker AT901 dient als Referenzsystem zur Bestimmung der Genauigkeit der Tachymeter-Messungen. Es werden verschiedene Reflektoren (GRZ101, GRZ122, MT1000, MT900, MPR 121) und deren Eigenschaften bezüglich Genauigkeit und Robustheit bewertet. Die Sensitivitätsanalyse untersucht den Einfluss der Sensorgenauigkeit auf die Gesamtgenauigkeit der Positionierung des Werkzeugs. Die Untersuchung der Synchronisationsfehler bei Tachymetermessungen und deren Auswirkungen auf die Positionsgenauigkeit sind wesentliche Aspekte. Die Verwendung von verschiedenen Schnittstellen (Leica GeoCOM, MGUIDE) wird ebenfalls betrachtet. Die Ergebnisse zeigen die erreichten Genauigkeiten der verschiedenen Sensor- und Reflektor-Kombinationen, und helfen bei der Auswahl geeigneter Komponenten für den Simulator.

Für die automatische Steuerung von Baumaschinen und die präzise Positionsbestimmung im Kalman-Filter werden kinematische und dynamische Fahrzeugmodelle benötigt. Während die Steuerung bei Geradeausfahrt relativ einfach ist, wird sie in Kurvenfahrten deutlich komplexer. Die exakte Nachfahrt einer Kurve erfordert die Kenntnis des einzuschlagenden Lenkwinkels. Für die Modellierung des Fahrzeugverhaltens, insbesondere in Kurven, werden sowohl kinematische als auch dynamische Modelle verwendet. Diese können sehr komplex werden, vereinfachen sich aber, wenn Nick- und Rollbewegungen vernachlässigt werden können, was bei Fahrten auf ebener Fläche oft zulässig ist. Oftmals genügt ein einfaches Zweiradmodell (Einspurmodell, Single Track Model), um auch Fahrzeuge mit mehr als zwei Rädern hinreichend genau zu modellieren. Die Modellierung beinhaltet die Berücksichtigung von Parametern wie Kurswinkel, Schwimmwinkel und Tangentenabschnitt des Kreisbogens. Die Kenntnis dieser Parameter ermöglicht die Vorausberechnung der Fahrzeugbewegung in der Ebene, basierend auf Startposition, Orientierung, Geschwindigkeit, Zeitintervall und Fahrradius. Die Betrachtung des Radius als Stellgröße erlaubt eine Trennung von Fahrzeugmodell und Prädiktion, so dass ein allgemeingültiges Kalman-Filter für verschiedene Fahrzeugmodelle verwendet werden kann.

Der Kalman-Filter ist ein weit verbreiteter Algorithmus zur Schätzung von Zuständen dynamischer Systeme. In diesem Simulator dient er der Messwertfilterung. Die Arbeit greift auf bestehende Ansätze zurück und verzichtet auf eine Herleitung des Algorithmus, verweist aber auf einschlägige Literatur (Eichhorn 2005, Ramm 2008, Gelb 1974, Welsch et al. 2000, Lunze 2010b). Das Kalman-Filter ermöglicht neben der optimalen Verschmelzung unterschiedlicher Sensordaten auch die Überbrückung von Sensorausfällen durch die Prädiktion zukünftiger Systemzustände, vorausgesetzt, das System ist mathematisch und physikalisch beschreibbar. Im Kontext des Simulators wird der Kalman-Filter zur Filterung der Messwerte von verschiedenen Sensoren eingesetzt und verbessert somit die Genauigkeit der Positionsbestimmung. Die Arbeit beschreibt die Implementierung und Anpassung des Kalman-Filters für den Simulator und vergleicht verschiedene Varianten, unter anderem bezüglich der Berücksichtigung des Schwimmwinkels. Der Schwimmwinkel ist insbesondere bei Kurvenfahrten relevant und beeinflusst die Genauigkeit der Positionsvorhersage.

Zwei Varianten des Kalman-Filters werden im Simulator implementiert und verglichen. Variante 1 verwendet ein vereinfachtes Modell ohne Berücksichtigung des Schwimmwinkels. Variante 2 hingegen integriert den Schwimmwinkel in die Prädiktion des nicht-linearen Modells innerhalb von Kreisbögen. Die Berücksichtigung des Schwimmwinkels ist notwendig, da das Prisma zur Positionsbestimmung im geometrischen Fahrzeugzentrum und nicht in der Mitte der Hinterachse angebracht ist. Der Schwimmwinkel beeinflusst die Fahrzeugorientierung und damit die Genauigkeit der Positionsbestimmung. Die Wahl des Kalman-Filter-Ansatzes beeinflusst die Präzision der Positionsvorhersage, besonders bei Kurvenfahrten. Die Arbeit evaluiert den Einfluss des Schwimmwinkels auf die Prädiktionsgenauigkeit, insbesondere bei unterschiedlichen Geschwindigkeiten und Kurvenradien. Eine Vernachlässigung des Schwimmwinkels führt zu einem Positionsfehler, der mit zunehmendem Prädiktionszeitraum und Geschwindigkeit ansteigt. Die Ergebnisse zeigen die Notwendigkeit der Berücksichtigung des Schwimmwinkels für eine präzise Positionsbestimmung im Simulator.

Für die kinematische Positionsbestimmung im Simulator werden Tachymeter eingesetzt, die eine automatisierte Zielverfolgung ermöglichen. Diese wird durch Motoren in den Tachymetern und Reflektoren (mindestens Tripel-Prisma) realisiert. Überwiegend werden 360°-Prismen, bestehend aus mehreren Tripel-Prismen, oder Reflektorfolien auf Zylindern verwendet. Diese Reflektoren ermöglichen die Messung aus allen Richtungen. Die Messung erfolgt mittels Laserdioden und die Berechnung der Strecke, Horizontalrichtung und Zenitwinkel erfolgt über entsprechende Verfahren (Deumlich/Staiger 2001, Kahmen 2005). Für die absolute Koordinatenbestimmung muss der Standpunkt und die Orientierung des Tachymeters bekannt sein. Bei kinematischen Messungen im Gegensatz zu statischen Messungen spielen insbesondere die Abtastrate und der Synchronisationsfehler eine Rolle. Der Synchronisationsfehler, also die zeitliche Differenz zwischen Messung und Ausgabe der Sensorwerte, kann zu erheblichen Positionsabweichungen führen und ist geschwindigkeitsabhängig. Moderne Tachymeter minimieren diesen Fehler durch Algorithmen (Stemphuber/Ingensand 2008). Die Arbeit untersucht verschiedene Tachymeter und Reflektoren verschiedener Hersteller (Leica, Trimble) auf ihre Genauigkeit und systematische Fehler.

Im Rahmen der Arbeit werden verschiedene Tachymeter (Leica TS30 mit MGUIDE und Leica GeoCOM, Trimble SPS930) und 360°-Prismen (Leica GRZ101, GRZ122, Trimble MT1000, MT900) hinsichtlich ihrer Genauigkeit und systematischer Fehler bei kinematischen Messungen verglichen. Es zeigt sich, dass die Genauigkeit von verschiedenen Faktoren beeinflusst wird, unter anderem die verwendete Schnittstelle (MGUIDE zeigt bessere Ergebnisse als GeoCOM). Der Synchronisationsfehler kann zu systematischen Abweichungen führen, die insbesondere bei der Verwendung der Leica GeoCOM und höheren Geschwindigkeiten auftreten. Die Arbeit untersucht systematische Effekte durch Rotation der 360°-Prismen mit einem Versuchsaufbau (Favre/Hennes 2000), bei dem das Prisma um seine vertikale Achse gedreht und kontinuierlich gemessen wird. Die Messgenauigkeit wird mit dem RMS-Wert (Root Mean Square) und der Anzahl der Differenzen im Intervall -2 bis +2 mm bewertet. Die Ergebnisse zeigen unterschiedliche Genauigkeiten der getesteten Tachymeter und Reflektoren, die von der Zielweite und den systematischen Effekten abhängig sind. Die Untersuchung hilft bei der Auswahl geeigneter Sensoren für den Simulator.

Ein wichtiger Aspekt ist die Bestimmung der Messgenauigkeit der verwendeten Tachymeter und der Einfluss des Synchronisationsfehlers. Dieser Fehler resultiert aus der zeitlichen Differenz zwischen der Messung und der Ausgabe der Sensorwerte. Bei Nichtberücksichtigung kann dieser Fehler zu Positionsabweichungen von mehr als einem Dezimeter führen, besonders bei höheren Geschwindigkeiten. Die Arbeit simuliert diesen Effekt und zeigt, wie die Fehler bei verschiedenen Fahrtrichtungen entgegengesetzt wirken. Es werden Korrekturformeln zur Minimierung des Problems (Stemphuber 2004) und die stark reduzierte Auswirkung des Synchronisationsfehlers in neueren Geräten erwähnt. Die Genauigkeit der Tachymeter wird in verschiedenen Szenarien und mit verschiedenen 360°-Prismen untersucht. Der Vergleich der Ergebnisse zeigt, dass der Synchronisationsfehler bei Verwendung der Leica MGUIDE Schnittstelle weitgehend eliminiert wird, während bei der Leica GeoCOM leichte systematische Effekte auftreten. Dies unterstreicht die Wichtigkeit der Software und Schnittstellen für die Genauigkeit der kinematischen Positionsbestimmung.

Der Simulator verwendet ferngesteuerte Fahrzeugmodelle im Maßstab 1:14, um das Platzangebot im Labor zu optimieren und dennoch realitätsnahes Fahrverhalten zu simulieren. Die Steuer- und Regelalgorithmen werden auf einem externen Rechner ausgeführt, der die Steuersignale über eine Fernsteuerung an das Fahrzeug sendet. Dies ermöglicht die direkte Beeinflussung des Fahrzeugs während der Testfahrt durch Änderung von Systemparametern ohne Mitfahrt auf dem Fahrzeug. Die Steuerung erfolgt über Potentiometer in der Fernsteuerung, die Servomotoren und Fahrtenregler beeinflussen. Die Datenübertragung zwischen Fernsteuerung und Fahrzeugmodell erfolgt drahtlos (z.B. 2,4 GHz). Die Verbindung zwischen Steuerrechner und Fernsteuerung erfolgt über eine Analog-Digital-Wandlerkarte. Der Steuerrechner verarbeitet die Sensorinformationen und berechnet die Steuersignale für die Potentiometer. Der Simulator wurde im Laufe der Arbeit erweitert: Ein schnellerer Laptop (Fujitsu Siemens) ersetzte den vorherigen Steuerrechner, die Analog-Digital-Wandlerkarte bietet nun acht statt vier Ausgänge, und eine neue 2,4 GHz-Fernsteuerung (Futaba T7C) erhöht die Stabilität und reduziert Störungen im Vergleich zur Vorgängerversion. Die Integration eines Raupenfahrwerks, zur Simulation von Raupenfahrzeugen, wurde angestrebt, jedoch war ein geeignetes Modell bis zum Abschluss der Arbeit nicht verfügbar. Deshalb wurde ein kostengünstiges Raupenfahrwerk eines Roboters als provisorische Lösung integriert.

Die Softwarearchitektur des Simulators ist modular aufgebaut und umfasst einen Trajektoriengenerator, eine automatische Lenkkalibrierung, ein erweitertes Steuermodul und einen Softwaresimulator. Der Trajektoriengenerator zeichnet Soll-Trajektorien auf (Teach-In-Prozesse). Die automatische Lenkkalibrierung bestimmt die Kalibrierfunktionen zwischen angelegter Spannung und resultierendem Radius des Fahrzeugs. Das erweiterte Steuermodul steuert das Modellfahrzeug in der Hardware-in-the-loop-Simulation. Der Softwaresimulator generiert Sensordaten und erlaubt Tests von Kalman-Filtern und Reglern, bevor diese im erweiterten Steuermodul implementiert werden. Das System ist unterteilt in Hardware- und Softwaresimulation. Die Datenverwaltung wurde von einer Datenbank auf ein Verzeichnis- und Dateisystem umgestellt, um die Echtzeitfähigkeit zu gewährleisten und die Totzeit im Regelprozess zu reduzieren. Die neue Datenstruktur unterscheidet zwischen Modul- und Sensordaten, wobei Sensordaten Festpunkte und Rohdaten umfassen. Die Moduldaten beinhalten Dokumentationen von Messfahrten, Soll-Trajektorienkoordinaten und Kalibrierparameter. Die Sensorebene beinhaltet Programme zum Auslesen, Speichern und Verarbeiten der Sensordaten, inklusive Echtzeit- und virtuellen Sensoren für Testzwecke.

Die Datenübertragung zwischen Modulen und Datenbestand erfolgt über Schnittstellen (A-E in Abbildung 69). Die Sensorebene kommuniziert mit den Modulen auf der Modulebene über eine neue Software-Schnittstelle. Es werden verschiedene Möglichkeiten in LabView™ zur Datenübertragung innerhalb laufender Prozesse genutzt. Ursprünglich wurden Queue-Operatoren (FIFO) verwendet, aber aufgrund verlängerter Rechenzeiten durch den Kalman-Filter (Schweiger/Beetz 2007) wurden diese durch Melder-Operatoren (Notifier) ersetzt. Melder-Operatoren gewährleisten die Verwendung aktuellster Daten und erlauben das gleichzeitige Auslesen an mehreren Stellen im Programm. Dies ermöglicht den parallelen Ablauf mehrerer Prozesse mit denselben Daten (Georgi/Metin 2009). Die MGUIDE-Schnittstelle wurde integriert und verbessert die Datenverarbeitung. Der Vorteil der neuen Schnittstelle liegt in der Optimierung der Messwerte, wodurch systematische Effekte weitgehend eliminiert werden können. Die Arbeit verdeutlicht den wichtigen Einfluss der Software-Architektur und der gewählten Datenübertragung auf die Echtzeitfähigkeit und die Genauigkeit des Simulatorsystems.

Die Regelgüte des Simulators wird anhand von Testfahrten mit einem Modell-LKW bestimmt, der mittels P- und PID-Reglern auf einer achteckigen Trajektorie geführt wird. Die Wahl der Achtform ermöglicht die Ausnutzung des gesamten Dynamikbereichs des LKWs. Die Regelgenauigkeit wird mit dem Root Mean Square (RMS) der berechneten Querabweichungen ermittelt. Um die Regelgenauigkeit von der Messgenauigkeit der Sensoren zu trennen, wurde zusätzlich ein Leica Laser-Tracker AT901 mit einer Genauigkeit von mindestens 50 µm eingesetzt. Dieser zeichnet die tatsächliche Trajektorie des LKWs auf. Der Aufbau der Messungen erfordert die zentrische Anordnung der Reflektoren von Tachymeter und Laser-Tracker. Da der Laser-Tracker keinen 360°-Reflektor unterstützt, wird dieser von oben auf das Fahrzeug gerichtet. Aufgrund des begrenzten Einfallswinkels des verwendeten Corner Cube Reflektors (CCR) (±30°) und des Gewichts des Reflektors, wurden die Messungen im Foyer des Gebäudes in der Keplerstraße 17 in Stuttgart durchgeführt, um eine geeignete Messgeometrie zu gewährleisten (ca. 5,40 m Höhe des Trackers über dem LKW).

Die Testfahrten umfassen verschiedene Szenarien mit unterschiedlichen Tachymetern (Leica TCRP 1201, Trimble SPS930) und Reglern (P- und PID-Regler) bei unterschiedlichen Geschwindigkeiten und Messdistanzen. Die erste Runde jeder Fahrt wird wegen Einschwingvorgängen des Regelsystems verworfen. Die Regelgüte wird über das RMS der Querabweichungen zur Soll-Trajektorie berechnet. Die Ergebnisse zeigen, dass bei den Leica Tachymetern systematische Abweichungen von bis zu 5 mm auftreten, die sich in den Runden wiederholen und durch die Systematik des 360°-Reflektors verursacht werden. Diese Abweichungen sind nur durch den Vergleich der Tachymeter-Koordinaten mit der hochgenauen Tracker-Trajektorie sichtbar. Die Ergebnisse werden im Detail für verschiedene Szenarien und Tachymeter-Konfigurationen mit und ohne Kalman-Filter dargestellt und analysiert. Die Messgenauigkeit des Leica TCRP 1201 mit GRZ101-Reflektor wird auf ca. 2 mm (bei 5-9 m Messdistanz, 5% Irrtumswahrscheinlichkeit) geschätzt, während der Trimble SPS930 mit MT1000-Reflektor eine Messgenauigkeit von ca. 4 mm (bei 15-19 m Messdistanz, 5% Irrtumswahrscheinlichkeit) aufweist. Die systematischen Effekte der Reflektoren beeinflussen die erzielten Genauigkeiten.

Ein wichtiges Ziel der Arbeit ist die Trennung der Regelgüte von der Messgenauigkeit der verwendeten Tachymeter. Bisherige Ansätze (Glättung der Messdaten mit einem Rechteckfilter) waren nur bedingt erfolgreich. Durch den Einsatz des Leica Laser-Trackers AT901 konnte dieses Problem gelöst werden, da dieser die tatsächlich gefahrene Trajektorie mit hoher Genauigkeit aufzeichnet. Der Vergleich der Tachymeter-Daten mit den Tracker-Daten ermöglicht die Bestimmung des reinen Messfehlers und somit die genaue Bestimmung der Regelgüte. Die Ergebnisse zeigen systematische Fehler bei den Leica Tachymetern, die durch die Rotation des 360°-Reflektors entstehen. Diese Fehler werden nur sichtbar, wenn die Querabweichungen der Tachymeterdaten auf die Tracker-Trajektorie berechnet werden. Bei der Berechnung bezüglich der Soll-Trajektorie verschwinden diese systematischen Effekte, da der Regler diese nicht kennt und nur die berechnete Querabweichung verwendet. Die Arbeit zeigt, bis zu welchem Wert die Regelgenauigkeit statistisch gesichert berechnet werden kann und demonstriert die Möglichkeit einer präzisen Trennung von Mess- und Regelgenauigkeit.

Die Regelgenauigkeit im Simulatorsystem wird über den RMS-Wert (Root Mean Square) der berechneten Querabweichungen bestimmt. Da die Querabweichung sowohl von der Regelabweichung als auch von der Messgenauigkeit abhängt, ist eine Trennung beider Komponenten notwendig. Ein bisheriger Ansatz (Glättung der Messdaten mit einem Rechteckfilter in Gläser 2007) war nur bedingt erfolgreich. Für die genauere Bestimmung der Regelgüte und die Trennung von Mess- und Regelgenauigkeit wurde die Trajektorie des LKWs zusätzlich mit einem Leica Laser-Tracker AT901 aufgezeichnet, der eine Genauigkeit von mindestens 50 µm erreicht. Der Modell-LKW wurde für die Testfahrten verwendet, da er das stabilste Verhalten zeigte. Die Tests wurden aus logistischen Gründen an einem Tag durchgeführt, weitere Messungen waren nicht möglich. Die Ergebnisse zeigen die erreichten Regelgenauigkeiten bei verschiedenen Szenarien und Konfigurationen (P- und PID-Regler, Kalman-Filtervarianten). Das Hauptziel der Messungen ist der Nachweis der getrennten Bestimmung von Mess- und Regelgenauigkeit sowie die statistische Absicherung der erzielten Regelgüte.

Um eine vergleichbare Trajektorie für Tachymeter und Laser-Tracker zu erhalten, mussten die Reflektoren zentrisch übereinander angebracht werden. Aufgrund der fehlenden Verfügbarkeit eines 360°-Reflektors für den Laser-Tracker und der Notwendigkeit, die gesamte Trajektorie aufzuzeichnen, wurde der Laser-Tracker oberhalb des Fahrzeugs positioniert. Ein Leica Corner Cube Reflektor (CCR) wurde verwendet, der jedoch nur einen Einfallswinkel von ±30° besitzt. Die Messungen wurden im Foyer des Gebäudes Keplerstraße 17 in Stuttgart durchgeführt, um den notwendigen Raum und die Sichtlinie für den Laser-Tracker (ca. 5,40 m Höhe) sicherzustellen. Der Modell-LKW wurde mit P- und PID-Reglern auf einer achteckigen Trajektorie geführt. Alle drei Tachymeter wurden untersucht, um die erreichbare Messgenauigkeit und den statistisch gesicherten Wert der Regelgenauigkeit zu bestimmen. Die Ergebnisse zeigen systematische Abweichungen bei den Leica Tachymetern (bis zu 5 mm), die durch die Rotation des Reflektors verursacht werden. Diese Abweichungen werden nur sichtbar, wenn die Tachymeter-Daten mit den hochgenauen Trackerdaten verglichen werden. Die Ergebnisse belegen die Notwendigkeit einer präzisen Referenzmessung zur Trennung von Mess- und Regelgenauigkeit.

Die Regelgenauigkeit wird anhand des RMS-Wertes der Querabweichungen zur Soll-Trajektorie bestimmt. Es werden verschiedene Szenarien untersucht, inklusive verschiedener Tachymeter (Leica TCRP 1201 mit GRZ101 und GRZ122, Trimble SPS930 mit MT1000), Regler (P- und PID-Regler) und Kalman-Filter-Varianten. Die Ergebnisse zeigen Messgenauigkeiten von ca. 2 mm für das Leica TCRP 1201 mit GRZ101-Reflektor und ca. 4 mm für den Trimble SPS930 mit MT1000-Reflektor. Systematische Effekte durch die 360°-Reflektoren werden identifiziert. Die Arbeit zeigt, dass die Verwendung des Leica Laser-Trackers AT901 ermöglicht, Mess- und Regelgenauigkeit zu trennen. Die erreichten Regelgüten liegen im Millimeterbereich (z.B. 2 mm für die Raupe mit PID-Regler). Es wird festgestellt, dass bei Verwendung der Leica MGUIDE-Schnittstelle die interne Filterung der Messwerte so gut ist, dass eine zusätzliche Kalman-Filterung keinen nennenswerten Vorteil bietet. Zukünftig sollten die systematischen Effekte der 360°-Reflektoren beseitigt werden, um Regelgenauigkeiten im Sub-Millimeterbereich zu erreichen.