Autonome Systeme, die ohne GPS-Empfang zuverlässig navigieren müssen, stehen vor einem konkreten Ingenieursproblem: Wie lässt sich die aktuelle Position bestimmen, wenn kein Satellitensignal verfügbar ist? Ob in Gebäuden, Tunneln, unterirdischen Anlagen oder in Umgebungen mit starker Signalabschirmung – GPS-lose Navigation ist keine akademische Übung, sondern eine reale Anforderung in zahlreichen Embedded- und IoT-Projekten. Dead Reckoning ist eine der etabliertesten Methoden dafür, bringt jedoch spezifische Fehlercharakteristiken und Hardwareanforderungen mit sich, die bei der Systemauslegung von Anfang an berücksichtigt werden müssen.
Dieser Artikel richtet sich an Engineering-Teams, die Dead Reckoning in eingebetteten Systemen implementieren oder evaluieren – mit Fokus auf Fehlerverhalten, Sensorfusion, Hardwareauswahl und den Vergleich mit alternativen Navigationstechnologien.
Wie Dead Reckoning ohne GPS-Signal funktioniert
Dead Reckoning berechnet die aktuelle Position aus einer bekannten Ausgangsposition, indem Geschwindigkeit, Richtung und Zeitintervall kontinuierlich integriert werden. Die Eingangsdaten stammen typischerweise aus einem IMU-Verbund, bestehend aus Beschleunigungssensor, Gyroskop und optional Magnetometer. Das System schätzt Bewegungsänderungen zwischen zwei Messpunkten und akkumuliert diese zur Positionsfortschreibung.
Der entscheidende Unterschied zu GPS liegt in der Referenzierung: GPS liefert absolute Koordinaten mit externem Korrektursignal. Dead Reckoning operiert rein auf Basis interner Messdaten ohne externen Anker. Das funktioniert, solange zuverlässig, wie die Sensormessungen präzise, die Abtastraten hoch genug und die Bewegungsmodelle zur tatsächlichen Dynamik des Systems passend sind. Fehlt eine dieser Bedingungen, akkumuliert sich der Positionsfehler über die Zeit – ein strukturelles Merkmal der Methode, kein Implementierungsfehler.
Typische Anwendungsfelder in IoT und Embedded-Systemen
Dead Reckoning findet überall dort Einsatz, wo GPS-Empfang unterbrochen oder nicht verfügbar ist, aber Positionskontinuität erforderlich bleibt. Typische Szenarien umfassen Indoor-Tracking in Lagerhallen und Krankenhäusern, Fahrzeugnavigation in Tunneln, autonome mobile Roboter in GPS-abgeschirmten Industrieumgebungen sowie Asset-Tracking in Containerterminals.
Ein nicht-kanonisches Anwendungsbeispiel aus dem industriellen Bereich: automatisierte Flurförderzeuge (AGVs) in Produktionshallen, die zwischen GPS-losen Zonen wechseln und eine Positionsgenauigkeit von unter 10 cm benötigen, um Kollisionen mit anderen Fahrzeugen zu vermeiden. Hier ist Dead Reckoning kein Fallback, sondern das primäre Navigationssystem mit GPS als gelegentlichem Korrekturanker. Im IoT-Kontext ergänzt Dead Reckoning häufig Firmware-Lösungen für vernetzte Geräte, die Positionsdaten lokal vorhalten und nur periodisch synchronisieren.
Wearables in der Medizintechnik – etwa Ganganalyse-Systeme für Rehabilitationspatienten – nutzen Dead Reckoning ebenfalls, um Bewegungssequenzen in Echtzeit zu rekonstruieren. Der Unterschied zur Consumer-Anwendung liegt in der Zertifizierungsanforderung: Medizinprodukte nach MDR benötigen validierte Algorithmen mit nachweisbarer Messgenauigkeit, was die Sensorauswahl und Kalibrierungsstrategie direkt beeinflusst.
Fehlerakkumulation und ihre Auswirkungen auf die Genauigkeit
Dead Reckoning leidet strukturell unter Drift. Jeder Messfehler eines Sensors – Bias, Rauschen, Temperaturabhängigkeit – wird bei der Integration über die Zeit verstärkt. Ein Gyroskop mit einem Bias von 0,1°/s erzeugt nach 60 Sekunden einen Richtungsfehler von 6°, was bei einer Fahrstrecke von 10 m einen lateralen Positionsfehler von über 1 m bedeutet. Bei einem AGV mit 10-cm-Genauigkeitsanforderung ist das ein kritischer Systemausfall.
Beschleunigungssensoren unterliegen einem Doppelintegrationsfehler: Rauschen im Beschleunigungssignal akkumuliert sich zunächst zur Geschwindigkeit, dann zur Position. Selbst MEMS-IMUs mit geringem Rauschen (z. B. 100 µg/√Hz) erzeugen bei 10 Sekunden freier Integration Positionsfehler im Dezimeterbereich. Das ist für viele Anwendungen inakzeptabel und der Hauptgrund, warum Dead Reckoning ohne Korrektursignal nur für kurze Zeitfenster oder begrenzte Distanzen taugt.
Ein häufiger Fehler in frühen Prototypen: Teams unterschätzen den Einfluss der Montageposition der IMU auf das Rauschen. Vibrationen vom Motor oder Antrieb koppeln mechanisch ein und überlagern das Nutzsignal. Ohne geeignete Entkopplung oder digitale Filterung produziert selbst ein hochwertiger Sensor unbrauchbare Positionsdaten.
Methoden zur Fehlerkorrektur und Sensorfusion
Die etablierteste Methode zur Fehlerkorrektur ist der Kalman-Filter, der IMU-Daten mit Messungen aus anderen Quellen fusioniert – GPS, Barometer, Magnetometer, Odometrie oder UWB-Anker. Der Extended Kalman Filter (EKF) eignet sich für nichtlineare Systeme, der Unscented Kalman Filter (UKF) für stärker nichtlineare Dynamiken, ist jedoch rechenintensiver und erfordert auf Mikrocontrollern mit begrenzten Ressourcen sorgfältige Implementierung.
GPS/IMU-Fusion
Wenn GPS periodisch verfügbar ist – etwa beim Verlassen eines Tunnels – kann der akkumulierte Drift mit dem GPS-Fix korrigiert werden. Die Qualität dieser Korrektur hängt von der GPS-Fixqualität (HDOP, Satellitenanzahl), der Latenz zwischen Messung und Verarbeitung sowie der Systemuhr-Synchronisation ab. Ein Fix mit HDOP über 2,5 sollte nicht als Korrekturreferenz verwendet werden, da er den Fehler im Worst Case vergrößert, statt ihn zu reduzieren.
UWB-gestützte Korrektur
In GPS-losen Innenräumen bieten UWB-Anker (Ultra-Wideband) Positionskorrekturen mit unter 30 cm Genauigkeit bei Reichweiten bis 50 m. Die Infrastrukturkosten liegen je nach Anbieterlösung bei 150–400 EUR pro Anker, was bei großen Hallenflächen signifikante Investitionen bedeutet. UWB ist dann sinnvoll, wenn die Positionsanforderung unter 50 cm liegt und die Infrastruktur dauerhaft betrieben werden kann – für temporäre Deployments ist der ROI oft nicht gegeben.
Zero Velocity Update (ZUPT)
ZUPT ist eine kostengünstige Methode ohne externe Infrastruktur: Wenn das System erkennt, dass es stillsteht (Beschleunigung und Winkelrate nahe null), wird die geschätzte Geschwindigkeit auf null gesetzt und der Bias-Schätzer korrigiert. Das reduziert Drift erheblich, funktioniert jedoch nur bei Anwendungen mit regelmäßigen Stillstandsphasen – bei kontinuierlich bewegten Systemen wie Drohnen oder Fahrzeugen ist ZUPT nicht anwendbar.
Hardwareanforderungen für eine zuverlässige Implementierung
Die Sensorauswahl definiert die erreichbare Genauigkeit und den Energiebedarf. Für anspruchsvolle Dead-Reckoning-Anwendungen sind taktische MEMS-IMUs mit In-Run-Bias-Stabilität unter 1°/h (Gyroskop) und unter 50 µg (Beschleunigungssensor) erforderlich. Consumer-IMUs wie der MPU-6050 erreichen typisch 10–50°/h Gyroskop-Bias, was für Kurzstrecken-Tracking ausreicht, für industrielle Langzeitanwendungen aber zu instabil ist.
Die Abtastrate muss zur Systemdynamik passen: Fußgänger-Tracking mit 50 Hz, Fahrzeuge mit 200 Hz, Drohnen mit 500 Hz oder mehr. Höhere Raten erhöhen den Rechenaufwand und Energieverbrauch. Ein STM32H7 mit FPU verarbeitet einen EKF bei 200 Hz mit etwa 30–40 % CPU-Auslastung – ausreichend für parallele Kommunikationsaufgaben, aber knapp bei gleichzeitiger Echtzeit-Bildverarbeitung.
Beim Hardware-Schaltplandesign ist die Platzierung der IMU auf dem PCB kritisch: Sie sollte mechanisch fest mit dem Gerätekörper verbunden sein, vibrationsarm montiert werden und möglichst nahe am Massenschwerpunkt des Systems liegen. Abweichungen von wenigen Zentimetern erzeugen Hebelarmeffekte, die bei rotatorischen Bewegungen als Scheinbeschleunigung im Signal erscheinen.
Dead Reckoning im Vergleich zu anderen Navigationstechnologien
Dead Reckoning konkurriert nicht direkt mit GPS, WLAN-Fingerprinting oder UWB – es ergänzt sie. Die Entscheidung, welche Technologie primär eingesetzt wird, hängt von Genauigkeitsanforderung, Infrastrukturverfügbarkeit, Energiebudget und Kosten ab.
WLAN-Fingerprinting erreicht in dichten Gebäuden 1–3 m Genauigkeit ohne zusätzliche Hardware, erfordert aber eine aufwändige Kartierung und regelmäßige Rekalibrierung bei Änderungen der Umgebung. Es ist ungeeignet für dynamische Umgebungen oder Outdoor-Szenarien ohne WLAN-Abdeckung. UWB liefert die höchste Genauigkeit unter 30 cm, erfordert jedoch dedizierte Infrastruktur. BLE-Beacon-Trilateration liegt bei 1–5 m Genauigkeit und ist kostengünstiger, leidet aber stark unter Multipath-Effekten in metallischen Umgebungen.
Dead Reckoning ist die einzige Methode, die ohne externe Infrastruktur und ohne Netzwerkverbindung funktioniert. Das macht sie zur einzigen Option in abgeschirmten oder netzwerklosen Umgebungen. Der Preis dafür ist die Drift – weshalb hybride Ansätze, die Dead Reckoning mit opportunistischen Korrektursignalen kombinieren, in der Praxis dominieren. Teams, die ausschließlich auf Dead Reckoning setzen, unterschätzen regelmäßig, wie schnell der Fehler in realen Umgebungen mit Vibrationen, Temperaturschwankungen und variablen Bewegungsprofilen anwächst.
Wie Oxeltech Dead Reckoning in Embedded-Systemen umsetzt
Wir bei Oxeltech entwickeln Dead-Reckoning-Systeme für IoT-, Wearable- und industrielle Embedded-Plattformen – von der Sensorauswahl über die Filterimplementierung bis zur Systemintegration auf Firmware-Ebene. Unsere Leistungen in diesem Bereich umfassen:
- IMU-Auswahl und PCB-Layoutoptimierung unter Berücksichtigung von Hebelarmeffekten, Vibrationsentkopplung und Energiebudget
- Implementierung von Kalman-Filter-Varianten (EKF, UKF) auf ressourcenbeschränkten Mikrocontrollern wie STM32 und NXP
- Sensorfusion mit GPS, UWB, Barometer und Magnetometer für hybride Navigationslösungen
- ZUPT- und Stillstandserkennung für Fußgänger- und Asset-Tracking-Anwendungen
- Validierung unter realen Betriebsbedingungen einschließlich Temperaturvariationen und mechanischen Störungen
- Unterstützung bei Zertifizierungsprozessen für medizinische und industrielle Produkte
Wenn euer Projekt präzise Positionsbestimmung ohne GPS-Abhängigkeit erfordert, sprecht uns an. Über unsere Kontaktseite könnt ihr direkt ein Erstgespräch anfragen – wir analysieren die Anforderungen und zeigen konkrete Lösungspfade auf.
