Madgwick-Filter
- Eingeführt von
- Sebastian Madgwick
- Jahr
- 2010
- Typ
- Filter algorithm
- Familie
- Gradient Descent Filtering
Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen
Was leistet sie?
Der Madgwick-Filter ist ein recheneffizienter Algorithmus zur Lageschätzung, der Trägheitsmessungen (Beschleunigungsmesser, Gyroskop) mit magnetischen Messungen (Magnetometer) fusioniert, um eine Quaternionenorientierung zu berechnen.
Der Algorithmus wurde 2010 von Sebastian Madgwick eingeführt und verwendet eine Gradientenabstiegsoptimierung, um den Fehler zwischen gemessenen und erwarteten Sensorausgaben zu minimieren, was zu genauen, driftfreien Lageschätzungen auf eingebetteten Systemen bei minimalem Rechenaufwand führt. Der Madgwick-Filter ist heute in Unterhaltungselektronik, Robotik und Luft- und Raumfahrtsystemen allgegenwärtig.
Die Intuition hinter der Methode
Die Idee ist, die Quaternion (Orientierung) zu finden, die die beobachteten Sensormessungen am besten erklärt. Beschleunigungsmesser und Kompass sagen uns, wo die Schwerkraft und der magnetische Norden sind; das Gyroskop sagt uns, wie schnell wir uns drehen. Der Algorithmus berechnet eine Richtung (Gradienten) der Lageanpassung, die die geschätzten und gemessenen Vektoren näher zusammenbringt, und macht dann einen kleinen Schritt in diese Richtung. Dies wird viele Male pro Sekunde wiederholt und liefert eine glatte Echtzeit-Lageschätzung, die nicht driftet.
Geschichte
Sebastian Madgwick entwickelte den Algorithmus um 2010 während seiner Forschung zur Bewegungsaufnahme und Analyse menschlicher Bewegungen. Der Algorithmus wurde 2011 auf der IEEE International Conference on Rehabilitation Robotics veröffentlicht und als Open-Source-Code freigegeben. Aufgrund seiner Einfachheit und Effektivität fand er schnell Verbreitung in der DIY-Robotik- und Maker-Community. Große Unterhaltungselektronikunternehmen (Smartphones, VR-Headsets, Fitness-Tracker) übernahmen Varianten. Der Madgwick-Filter ist in eingebetteten Systemen und der Lehre weiterhin beliebt und dient oft als Einführung in die Sensorfusion für Studenten.
Wann wird sie eingesetzt?
Verwenden Sie den Madgwick-Filter, wenn Sie eine leichtgewichtige Echtzeit-Lageschätzung auf ressourcenbeschränkten Geräten (Mikrocontroller, Mobiltelefone, Wearables) benötigen. Ideal für Anwendungen, bei denen die Komplexität eines Kalman-Filters übertrieben ist. Effektiv im Innen- und Außenbereich, in Fahrzeugen, Drohnen und Wearables. Setzen Sie ihn ein, wenn Sie ein 9-DOF-IMU haben und die Abstimmung mehrerer Kalman-Filter-Parameter vermeiden möchten. Verwenden Sie ihn für Unterhaltungselektronik, Hobby-Robotik und Echtzeit-Steuerungssysteme.
Grenzen und Hinweise
- Heuristisch, nicht optimal; minimiert keine formale Kostenfunktion (im Gegensatz zum Kalman-Filter).
- Die Leistung hängt entscheidend von beta (Schrittgröße) ab; keine automatische Anpassung bei Änderungen der Sensorqualität oder Bewegung.
- Magnetometer-Störungen können die Ausrichtung beeinträchtigen; erfordert manuelle Kalibrierung; erkennt oder verwirft keine schlechten Messungen automatisch.
- Große Beschleunigungen (in der MARG-Variante) verursachen vorübergehende Fehler, da sich der Beschleunigungsmesser von der Schwerkraft abrichtet; die Filtererholung ist heuristisch, nicht prinzipiell.
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Minimaler Rechenaufwand; implementiert in < 100 Codezeilen; läuft auf Mikrocontrollern und mobilen Prozessoren.
- Keine Matrizen oder komplexe lineare Algebra erforderlich; nur Quaternionen-Algebra und Skalarprodukte.
- Bietet IMU-only (6-DOF) und MARG (9-DOF) Varianten; an die verfügbaren Sensoren anpassbar.
- Ein einziger Abstimmungsparameter (beta) erleichtert die Anpassung; keine Kovarianzmatrizen oder Matrixinversionen.
Anwendungen
- Smartphone- und Wearable-Bewegungsverfolgung: Ermöglicht die Erkennung von Bewegungsgesten und Augmented Reality ohne schwere Berechnungen.
- Quadrocopter- und Drohnenstabilisierung: Liefert Roll-, Nick- und Gierwinkel-Schätzungen für die Flugsteuerung auf ressourcenbeschränkten Autopiloten.
- Bewegungsverfolgung von Virtual-Reality-(VR)-Headsets: Echtzeit-Kopf-Orientierung für immersive Displays.
- Bewegungsaufnahme und menschliche Animation: Verfolgt die Ausrichtung von Körpersegmenten für Ganganalysen und Animation.
- Robotik und Hobby-Drohnen: Leichtgewichtige Alternative zu Kalman-Filtern für die Lageschätzung auf Arduino, Raspberry Pi.
So funktioniert es
So funktioniert es
Erfassen von Messungen von einem 9-DOF-IMU: 3-Achsen-Beschleunigungsmesser, 3-Achsen-Gyroskop und 3-Achsen-Magnetometer mit 50+ Hz.
Normalisieren Sie die Beschleunigungs- und Magnetometervektoren auf Einheitslänge; speichern Sie den rohen Gyroskop-Ratenvektor; wenden Sie jegliche bekannte Sensor-Kalibrierung (Bias, Skalierungsfaktor) an.
Berechnen Sie den Gradienten des Messfehlers bezüglich der Quaternion; machen Sie einen Schritt mit der Quaternion in die Richtung, die den Fehler minimiert (Gradientenabstieg); integrieren Sie die Gyroskoprate, um die Quaternionenentwicklung vorherzusagen.
Formel
\nabla f = \frac{\partial f}{\partial \vec{q}}Mischen Sie die Gradientenabstiegs-Korrektur mit der Gyroskop-Integration über einen einzigen Parameter (beta), der die Stärke der Korrektur steuert; geben Sie die Quaternion bei jedem Update aus.
Konvertieren Sie die Quaternion in Euler-Winkel (Roll-, Nick-, Gierwinkel) oder verwenden Sie die Quaternion direkt; berichten Sie die Lage; bewerten Sie die Zuverlässigkeit basierend auf der Sensorzuverlässigkeit und dem Bewegungszustand.
Häufige Fallstricke
- Die Wahl eines zu hohen beta führt zu schneller Oszillation und Divergenz; ein zu niedriges beta führt zu träger Reaktion; der typische Bereich liegt bei 0,01–0,1 und wird empirisch abgestimmt.
- Ignorieren der Magnetometer-Kalibrierung; Weich- und Hart-Eisen-Verzerrungen können zu Fehlern bei der Ausrichtung führen; die Kalibrierung ist entscheidend für eine genaue Gierwinkelbestimmung.
- Annahme, dass der Beschleunigungsmesser immer gültig ist; bei starken Beschleunigungen kann der Beschleunigungsmesser nicht zur Roll- und Nickwinkel-Schätzung verwendet werden; einige Algorithmen erkennen und ignorieren den Beschleunigungsmesser während Manövern.
- Einsatz ohne Initialisierung; der Algorithmus konvergiert innerhalb von Sekunden, aber es ist am besten, ihn zu initialisieren, wenn das Fahrzeug in Ruhe ist (statische Initialisierung).
Häufig gestellte Fragen
Wie wähle ich den beta-Parameter?
Beta steuert die Rate der Gradientenabstiegs-Korrektur. Beginnen Sie mit beta = 0,041 (dem von Madgwick verwendeten Wert). Wenn der Filter träge ist (langsam auf Bewegungen reagiert), erhöhen Sie beta (bis zu 0,1–0,5). Wenn der Filter oszilliert oder driftet, verringern Sie beta (bis auf 0,01). Stimmen Sie ihn empirisch ab, indem Sie die Lagenreaktion auf bekannte Bewegungen beobachten.
Was ist der Unterschied zwischen den Varianten IMU (6-DOF) und MARG (9-DOF)?
Die IMU-Variante verwendet nur Beschleunigungsmesser und Gyroskop; sie liefert Roll- und Nickwinkel, aber der Gierwinkel driftet ohne Referenz. Die MARG-Variante fügt ein Magnetometer für den absoluten Gierwinkel hinzu; sie liefert eine stabile 3-DOF-Lage, ist aber empfindlich gegenüber magnetischen Störungen. Verwenden Sie IMU für kurzzeitige Flüge; verwenden Sie MARG für stationäre oder langsame Navigation.
Kann ich den Madgwick-Filter auf einem 32-Bit-Mikrocontroller ausführen?
Ja. Der Algorithmus ist sehr effizient; ARM Cortex-M4 kann ihn mit 200+ Hz ausführen. Selbst 8-Bit-Mikrocontroller (mit Gleitkomma-Bibliotheken) können 50+ Hz bewältigen. Die Leistung hängt von der Taktfrequenz und der Gleitkomma-Unterstützung ab. Mit Festkomma-Arithmetik skaliert er auf viel langsamere Prozessoren.
Wie erkenne ich magnetische Störungen?
Überwachen Sie die Magnetometer-Magnitude; das Erdmagnetfeld beträgt ca. 50 Mikro-Tesla; größere Abweichungen deuten auf Störungen hin. Vergleichen Sie die Kompassausrichtung (vom Magnetometer) mit der Ausrichtung aus der Gyroskop-Integration; große Abweichungen signalisieren Störungen. Abhilfe: Ignorieren Sie vorübergehend Magnetometer-Updates während Störungen oder reduzieren Sie deren Gewicht (niedrigeres beta_m in einigen Varianten).
Verwandte Methoden
Quellen
Madgwick, S. O. H., Harrison, A. J. L., & Vaidyanathan, R. (2011). Estimation of IMU and MARG orientation using a gradient descent algorithm. IEEE International Conference on Rehabilitation Robotics (ICORR), 1–7.
Publikationsreferenz öffnenKopiert.Madgwick, S. O. H. (2010). An efficient orientation filter for inertial and inertial/magnetic sensor arrays. Report x-io Technologies, University of Bristol, UK.
Publikationsreferenz öffnenKopiert.Sabatini, A. M. (2006). Quaternion-based extended Kalman filter for determining orientation by inertial and magnetic sensing. IEEE Transactions on Biomedical Engineering, 53(7), 1346–1356.
DOI-Referenz öffnenKopiert.