Saltar al contenido
Volver a los resultados

Filtro de Madgwick

Propuesto por
Sebastian Madgwick
Año
2010
Tipo
Filter algorithm
Familia
Gradient Descent Filtering

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

El Filtro de Madgwick es un algoritmo de estimación de actitud computacionalmente ligero que fusiona mediciones inerciales (acelerómetro, giroscopio) con mediciones magnéticas (magnetómetro) para calcular una orientación cuaterniónica.

Introducido por Sebastian Madgwick en 2010, el algoritmo utiliza optimización por descenso de gradiente para minimizar el error entre las salidas de los sensores medidas y esperadas, produciendo estimaciones de actitud precisas y sin deriva en sistemas embebidos con un costo computacional mínimo. El Filtro de Madgwick es ahora ubicuo en electrónica de consumo, robótica y sistemas aeroespaciales.

La intuición detrás del método

La idea es encontrar el cuaternión (orientación) que mejor explica las mediciones de los sensores observadas. El acelerómetro y la brújula nos dicen dónde están la gravedad y el norte magnético; el giroscopio nos dice a qué velocidad estamos rotando. El algoritmo calcula una dirección (gradiente) de ajuste de actitud que acerca los vectores estimados y medidos, y luego da un pequeño paso en esa dirección. Repetido muchas veces por segundo, esto produce una estimación de actitud suave y en tiempo real que no deriva.

Historia

Sebastian Madgwick desarrolló el algoritmo alrededor de 2010 mientras investigaba la captura de movimiento y el análisis del movimiento humano. El algoritmo se publicó en la Conferencia Internacional IEEE sobre Robótica de Rehabilitación en 2011 y se lanzó como código de código abierto. Ganó una rápida adopción en las comunidades de robótica DIY y maker debido a su simplicidad y efectividad. Las principales empresas de electrónica de consumo (teléfonos inteligentes, auriculares VR, rastreadores de actividad física) adoptaron variantes. El Filtro de Madgwick sigue siendo popular en sistemas embebidos y educación, sirviendo a menudo como introducción a la fusión de sensores para estudiantes.

Cuándo usarlo

Utilice el Filtro de Madgwick cuando necesite una estimación de actitud ligera y en tiempo real en dispositivos con recursos limitados (microcontroladores, teléfonos móviles, wearables). Ideal para aplicaciones donde la complejidad del Filtro de Kalman es excesiva. Efectivo en interiores y exteriores, en vehículos, drones y wearables. Despliegue cuando tenga una IMU de 9 DOF y desee evitar ajustar múltiples parámetros del Filtro de Kalman. Úselo para electrónica de consumo, robótica amateur y sistemas de control en tiempo real.

Limitaciones y consideraciones

  • Heurístico, no óptimo; no minimiza ninguna función de costo formal (a diferencia del Filtro de Kalman).
  • El rendimiento depende críticamente de beta (tamaño del paso); no hay adaptación automática si la calidad del sensor o el movimiento cambian.
  • La perturbación del magnetómetro puede corromper la orientación; requiere calibración manual; no detecta ni rechaza automáticamente mediciones erróneas.
  • Las grandes aceleraciones (en la variante MARG) causan errores temporales a medida que el acelerómetro se desalinea con la gravedad; la recuperación del filtro es heurística, no basada en principios.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Costo computacional mínimo; implementado en < 100 líneas de código; se ejecuta en microcontroladores y procesadores móviles.
  • No se requieren matrices ni álgebra lineal compleja; solo álgebra de cuaterniones y productos escalares.
  • Proporciona variantes solo IMU (6 DOF) y MARG (9 DOF); adaptable a los sensores disponibles.
  • Un único parámetro de ajuste (beta) facilita la personalización; sin matrices de covarianza ni inversiones de matrices.

Aplicaciones

  • Seguimiento de movimiento de teléfonos inteligentes y wearables: permite el reconocimiento de gestos de movimiento y la realidad aumentada sin una computación pesada.
  • Estabilización de cuadricópteros y drones: proporciona estimaciones de balanceo, cabeceo y guiñada para el control de vuelo en autopilotos con recursos limitados.
  • Seguimiento de movimiento de auriculares de realidad virtual (VR): orientación de la cabeza en tiempo real para pantallas inmersivas.
  • Captura de movimiento y animación humana: rastrea la orientación de los segmentos corporales para el análisis de la marcha y la animación.
  • Robótica y drones amateur: alternativa ligera a los Filtros de Kalman para la estimación de actitud en Arduino, Raspberry Pi.

Cómo funciona

Cómo funciona

1

Recopilar mediciones de una IMU de 9 DOF: acelerómetro de 3 ejes, giroscopio de 3 ejes y magnetómetro de 3 ejes a 50+ Hz.

2

Normalizar los vectores del acelerómetro y magnetómetro a longitud unitaria; almacenar el vector de velocidad angular bruta del giroscopio; aplicar cualquier calibración de sensor conocida (sesgo, factor de escala).

3

Calcular el gradiente del error de medición con respecto al cuaternión; dar un paso al cuaternión en la dirección que minimiza el error (descenso de gradiente); integrar la velocidad angular del giroscopio para predecir la evolución del cuaternión.

Fórmula
\nabla f = \frac{\partial f}{\partial \vec{q}}
4

Combinar la corrección por descenso de gradiente con la integración del giroscopio a través de un único parámetro (beta) que controla la fuerza de la corrección; emitir el cuaternión en cada actualización.

5

Convertir el cuaternión a ángulos de Euler (balanceo, cabeceo, guiñada) o usar el cuaternión directamente; reportar la actitud; evaluar la confianza basándose en la fiabilidad del sensor y el estado del movimiento.

Errores comunes

  • Elegir beta demasiado alto causa oscilación rápida y divergencia; demasiado bajo causa una respuesta lenta; el rango típico es 0.01–0.1, ajustado empíricamente.
  • Ignorar la calibración del magnetómetro; la distorsión de hierro blando y hierro duro puede causar errores de orientación; la calibración es crítica para una guiñada precisa.
  • Asumir que el acelerómetro es siempre válido; durante aceleraciones intensas, el acelerómetro no se puede utilizar para la estimación de balanceo/cabeceo; algunos algoritmos detectan e ignoran el acelerómetro durante las maniobras.
  • Despliegue sin inicialización; el algoritmo converge en segundos, pero es mejor inicializarlo con el vehículo en reposo (inicialización estática).

Preguntas frecuentes

¿Cómo elijo el parámetro beta?

Beta controla la tasa de corrección por descenso de gradiente. Comience con beta = 0.041 (el valor que usó Madgwick). Si el filtro es lento (responde lentamente al movimiento), aumente beta (hasta 0.1–0.5). Si el filtro oscila o deriva, disminuya beta (hasta 0.01). Ajuste empíricamente observando la respuesta de la actitud a movimientos conocidos.

¿Cuál es la diferencia entre las variantes IMU (6 DOF) y MARG (9 DOF)?

La variante IMU utiliza solo acelerómetro y giroscopio; proporciona balanceo y cabeceo, pero la guiñada deriva sin una referencia. La variante MARG añade un magnetómetro para una guiñada absoluta; proporciona una actitud estable de 3 DOF pero es sensible a la distorsión magnética. Use IMU para vuelos de corta duración; use MARG para navegación estacionaria o lenta.

¿Puedo ejecutar el Filtro de Madgwick en un microcontrolador de 32 bits?

Sí. El algoritmo es muy eficiente; ARM Cortex-M4 puede ejecutarlo a 200+ Hz. Incluso los microcontroladores de 8 bits (con bibliotecas de punto flotante) pueden gestionar 50+ Hz. El rendimiento depende de la frecuencia de reloj y el soporte de punto flotante. Con aritmética de punto fijo, se escala a procesadores mucho más lentos.

¿Cómo detecto la perturbación magnética?

Supervise la magnitud del magnetómetro; el campo de la Tierra es ~50 micro-Tesla; una desviación mayor indica distorsión. Compare la orientación de la brújula (del magnetómetro) con la orientación de la integración del giroscopio; un gran desacuerdo señala perturbación. Mitigación: ignore temporalmente las actualizaciones del magnetómetro durante la perturbación, o reduzca su peso (disminuya beta_m en algunas variantes).

Métodos relacionados

Fuentes

  1. 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.

    Abrir referencia de la publicación
    Copiado.
  2. Madgwick, S. O. H. (2010). An efficient orientation filter for inertial and inertial/magnetic sensor arrays. Report x-io Technologies, University of Bristol, UK.

    Abrir referencia de la publicación
    Copiado.
  3. 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.

    Abrir referencia DOI
    Copiado.