Zum Inhalt springen
Zurück zu den Suchergebnissen

Mahony-Filter

Eingeführt von
Robert Mahony
Jahr
2008
Typ
Observer algorithm
Familie
Complementary Filtering

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Der Mahony-Filter ist ein komplementärer beobachterbasierter Lageregelungsfilter, der Gyroskop-, Beschleunigungsmesser- und Magnetometer-Messungen fusioniert, um die Quaternion-Orientierung zu schätzen.

Der Filter wurde 2008 von Robert Mahony und Kollegen entwickelt und kombiniert die Gyroskop-Ratenintegration mit korrigierendem Feedback von Vektormessungen (Beschleunigungsmesser, Kompass) unter Verwendung von Proportional-Integral-Regelungsprinzipien. Der Mahony-Filter bietet eine ähnliche Leistung wie Kalman-Filter, jedoch mit einfacherer Implementierung und geringerem Rechenaufwand, was ihn ideal für ressourcenbeschränkte Systeme und Echtzeitsteuerungen macht.

Die Intuition hinter der Methode

Stellen Sie sich den Mahony-Filter als einen geschlossenen Regelkreis vor, bei dem das Gyroskop die „Open-Loop“-Schätzung liefert (schnell, aber driftend) und Beschleunigungsmesser/Kompass Fehlersignale liefern (langsam, aber stabil). Ein Proportional-Integral-Regler (PI-Regler) berechnet Korrekturen und speist diese in die Gyroskop-Integrationsschleife zurück. Hohe Gyroskop-Verstärkungen führen zu einer schnellen Reaktion; hohe Beschleunigungsmesser-Verstärkungen sorgen für Stabilität. Beide werden ausbalanciert, um sowohl Reaktionsfähigkeit als auch eine driftfreie Lage zu erreichen.

Geschichte

Robert Mahony und Kollegen an der Australian National University entwickelten den komplementären Beobachteransatz um 2008, während sie an der Quadrocopter-Steuerung arbeiteten. Die Methode wurde in mehreren einflussreichen Arbeiten zur Multirotor-Lagenschätzung formalisiert. Mahonys Formulierung vereinte die klassische komplementäre Filterung (seit Jahrzehnten in der Luft- und Raumfahrt verwendet) mit moderner Quaternion-Algebra und Regelungstheorie. Der Filter wurde zum Standard in der Open-Source-Autopilot-Community (ArduPilot, PX4) und wird in Forschung und kommerziellen Systemen weit verbreitet eingesetzt.

Wann wird sie eingesetzt?

Verwenden Sie den Mahony-Filter zur Lagenschätzung auf eingebetteten Systemen, wenn der Kalman-Filter zu komplex oder zu kostspielig ist. Ideal für Quadrocopter, Multirotoren und Flugzeug-Autopiloten. Setzen Sie ihn ein, wenn Sie eine physikalisch motivierte, leicht abstimmbare Alternative zu Madgwick (die Gradientenabstieg verwendet) wünschen. Geeignet für Echtzeit-Regelkreise, die geringe Latenz und stabile Schätzungen erfordern. Verwenden Sie ihn, wenn Sie die Proportional-Integral-Regelung verstehen und K_p, K_i einstellen können.

Grenzen und Hinweise

  • Die Abstimmung von K_p und K_i erfordert Verständnis der Regelungstheorie und empirische Experimente.
  • Leistung empfindlich gegenüber Abstimmung; schlechte Wahl der Verstärkungen kann Oszillation oder träge Reaktion verursachen.
  • Integralterm kann Wind-up verursachen; große, anhaltende Fehler akkumulieren und Überschwingen verursachen; Minderung erforderlich.
  • Wie bei Madgwick beeinflusst Magnetometerstörung die Kursgenauigkeit; erfordert Kalibrierung und möglicherweise Störungserkennung.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Physikalisch intuitiv; basiert auf Regelungstheorie (PI-Feedback); einfacher zu verstehen und zu debuggen als Gradientenabstieg.
  • Explizite Gyroskop-Bias-Schätzung; der Integralterm lernt und korrigiert Sensor-Bias im Laufe der Zeit.
  • Zwei Abstimmungsparameter (K_p, K_i) haben eine klare physikalische Bedeutung (proportionale und integrale Verstärkung) im Gegensatz zu Beta bei Madgwick.
  • Ähnlicher Rechenaufwand wie Madgwick; leichtgewichtig und für eingebettete Systeme geeignet.

Anwendungen

  • Flugsteuerung von Quadrocoptern und Multirotoren: primärer Lagenschätzer in den meisten Open-Source-Autopiloten (ArduPilot, PX4).
  • Autopilot für Starrflügelflugzeuge: Lage-Referenz in kostengünstigen UAV-Flugsteuerungen.
  • Forschung an unbemannten Luftfahrzeugen (UAV): Standardfilter in akademischen Studien zur Bewegungssteuerung.
  • Kurs und Stabilisierung von Wasserfahrzeugen: Lage-Referenz für Schiffsautopiloten und Rollstabilisierung.
  • Orientierungsverfolgung mobiler Roboter: Orientierungsschätzung für Rad- und Beinroboter.

So funktioniert es

So funktioniert es

1

Schritt 1 — Messungen von einer 9-DOF-IMU erfassen: 3-Achsen-Beschleunigungsmesser, 3-Achsen-Gyroskop und 3-Achsen-Magnetometer mit 50+ Hz.

2

Schritt 2 — Beschleunigungsmesser- und Magnetometer-Vektoren normalisieren; Gyroskop-Rate ermitteln; Kalibrierung anwenden, falls verfügbar.

3

Schritt 3 — Erwartete Richtung der Schwerkraft (unten) und des magnetischen Nordens (aus aktueller Lagenschätzung) berechnen; mit gemessenen Richtungen vergleichen; Fehler als Kreuzprodukt (geometrischer Fehler) berechnen.

Formel
\dot{\vec{q}} = \frac{1}{2}\vec{q} \otimes \vec{\omega} + k_p \vec{e} + k_i \int \vec{e} dt
4

Schritt 4 — Proportionale Korrektur (K_p * Fehler) und integrale Korrektur (K_i * Integral(Fehler)) anwenden, um die Gyroskop-Bias zu schätzen; Quaternion mit korrigierter Winkelgeschwindigkeit aktualisieren.

5

Schritt 5 — Quaternion ausgeben; bei Bedarf in Euler-Winkel umwandeln; Konfidenz basierend auf Fehlermagnitude und Sensorübereinstimmung bewerten.

Häufige Fallstricke

  • Eine zu hohe Wahl von K_p und K_i verursacht Oszillation und Instabilität; typische Werte sind K_p ~ 1.0, K_i ~ 0.1, empirisch abgestimmt.
  • Vergessen, den Integralterm zu begrenzen; unkontrollierte Integration kann Fehler akkumulieren; Integral-Wind-up-Grenzen einführen.
  • Annahme, dass das Beschleunigungsmesser-Fehlermodell Gaußsch ist; nicht-Gaußsche Störungen (Vibration, Aufprall) können den Filter korrumpieren; robuste Schätzer können erforderlich sein.
  • Einsatz ohne Tests unter den vorgesehenen Bewegungsprofilen; die Filterabstimmung hängt von der erwarteten Manövriergeschwindigkeit und der Sensorqualität ab.

Häufig gestellte Fragen

Wie stimme ich K_p und K_i ab?

K_p ist die Proportionalverstärkung (typischerweise 0,5–2,0); ein höheres K_p bedeutet schnellere Korrektur, birgt aber das Risiko von Oszillationen. K_i ist die Integralverstärkung (typischerweise 0,01–0,1); sie steuert die Geschwindigkeit der Bias-Korrektur. Beginnen Sie mit K_p=1,0, K_i=0,1. Erhöhen Sie K_p, wenn der Filter Manövern hinterherhinkt; verringern Sie ihn, wenn er oszilliert. Erhöhen Sie K_i, wenn die Bias-Drift signifikant ist; verringern Sie ihn, wenn Integral-Wind-up auftritt.

Was ist Integral-Wind-up und wie kann ich es verhindern?

Integral-Wind-up tritt auf, wenn der Integralterm bei anhaltendem Fehler (z. B. Magnetometerstörung) unbegrenzt anwächst. Wenn der Fehler schließlich behoben ist, überschießt der Filter. Verhindern Sie dies, indem Sie den Integralterm sättigen (ihn zwischen Grenzen halten) oder durch bedingte Integration (nur integrieren, wenn der Fehler klein ist).

Was ist der Unterschied zwischen Mahony- und Madgwick-Filtern?

Mahony verwendet PI-Feedback mit expliziter Bias-Schätzung; Madgwick verwendet Gradientenabstieg. Mahony basiert auf Regelungstheorie; Madgwick auf Optimierung. Beide haben einen ähnlichen Rechenaufwand. Mahony hat typischerweise eine schnellere Bias-Konvergenz; Madgwick ist einfacher zu implementieren. Für die reine Lageregelung (ohne Bias) verhalten sie sich ähnlich.

Kann Mahony große Beschleunigungen verarbeiten?

Bei großen Beschleunigungen misst der Beschleunigungsmesser Trägheitsbeschleunigung + Schwerkraft, was zu Nick-/Rollfehlern führt. Der Mahony-Filter geht davon aus, dass der Beschleunigungsmesser nach unten zeigt; große Beschleunigungen verletzen diese Annahme. Einige Implementierungen verwenden eine Schwellenwertbildung der Beschleunigungsmagnitude, um das Gewicht des Beschleunigungsmessers während Manövern zu reduzieren und die Robustheit zu verbessern.

Verwandte Methoden

Quellen

  1. Mahony, R., Hamel, T., & Pflimlin, J. M. (2008). Multirotor aerial vehicles: Modeling, estimation, and control of quadrotors. IEEE Robotics and Automation Magazine, 19(3), 20–32.

    Publikationsreferenz öffnen
    Kopiert.
  2. Mahony, R., Hamel, T., & Pflimlin, J. M. (2012). Multirotor aerial vehicles: Modeling, estimation, and control of quadrotors. IEEE Robotics & Automation Magazine, 19(3), 20–32.

    DOI-Referenz öffnen
    Kopiert.
  3. Valenti, R. G., Dryanovski, I., & Xiao, J. (2016). Keeping a good attitude: A quaternion-based orientation filter for IMUs and MARGs. Sensors, 15(8), 19302–19330.

    DOI-Referenz öffnen
    Kopiert.