Filtro de Mahony
- Propuesto por
- Robert Mahony
- Año
- 2008
- Tipo
- Observer algorithm
- Familia
- Complementary Filtering
Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés
¿Qué hace?
El Filtro de Mahony es un observador complementario basado en la fusión de mediciones de giroscopio, acelerómetro y magnetómetro para estimar la orientación en cuaterniones.
Desarrollado por Robert Mahony y colegas en 2008, el filtro combina la integración de la tasa giroscópica con retroalimentación correctiva de mediciones vectoriales (acelerómetro, brújula) utilizando principios de control proporcional-integral. El Filtro de Mahony proporciona un rendimiento similar a los Filtros de Kalman pero con una implementación más simple y un menor costo computacional, lo que lo hace ideal para sistemas con recursos limitados y control en tiempo real.
La intuición detrás del método
Piense en el Filtro de Mahony como un controlador de bucle cerrado donde el giroscopio proporciona la estimación 'en bucle abierto' (rápida pero con deriva) y el acelerómetro/brújula proporcionan señales de error (lentas pero estables). Un controlador proporcional-integral (PI) calcula las correcciones y las retroalimenta al bucle de integración del giroscopio. Ganancias giroscópicas altas dan una respuesta rápida; ganancias de acelerómetro altas proporcionan estabilidad. Los dos se equilibran para lograr tanto capacidad de respuesta como una actitud sin deriva.
Historia
Robert Mahony y colegas de la Universidad Nacional Australiana desarrollaron el enfoque de observador complementario alrededor de 2008 mientras trabajaban en el control de cuadricópteros. El método se formalizó en varios artículos influyentes sobre la estimación de actitud de multirrotores. La formulación de Mahony unificó el filtrado complementario clásico (utilizado en aeronáutica durante décadas) con el álgebra moderna de cuaterniones y la teoría de control. El filtro se convirtió en un estándar en la comunidad de autopilotos de código abierto (ArduPilot, PX4) y se utiliza ampliamente en sistemas de investigación y comerciales.
Cuándo usarlo
Utilice el Filtro de Mahony para la estimación de actitud en sistemas embebidos cuando el Filtro de Kalman sea demasiado complejo o costoso. Ideal para cuadricópteros, multirrotores y autopilotos de aeronaves. Despliegue cuando desee una alternativa físicamente motivada y fácil de ajustar a Madgwick (que utiliza descenso de gradiente). Adecuado para bucles de control en tiempo real que requieren baja latencia y estimaciones estables. Úselo cuando comprenda el control proporcional-integral y pueda ajustar K_p, K_i.
Limitaciones y consideraciones
- El ajuste de K_p y K_i requiere comprensión de la teoría de control y experimentación empírica.
- El rendimiento es sensible al ajuste; una mala elección de ganancias puede causar oscilaciones o respuestas lentas.
- El término integral puede causar 'wind-up' (saturación); errores grandes y sostenidos se acumulan y causan sobreimpulso; se necesita mitigación.
- Al igual que Madgwick, la perturbación del magnetómetro afecta la precisión del rumbo; requiere calibración y posiblemente detección de perturbaciones.
Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.
Fortalezas
- Físicamente intuitivo; basado en teoría de control (retroalimentación PI); más fácil de entender y depurar que el descenso de gradiente.
- Estimación explícita del sesgo del giroscopio; el término integral aprende y corrige el sesgo del sensor con el tiempo.
- Dos parámetros de ajuste (K_p, K_i) tienen un significado físico claro (ganancia proporcional e integral) a diferencia de beta en Madgwick.
- Costo computacional similar a Madgwick; ligero y adecuado para sistemas embebidos.
Aplicaciones
- Control de vuelo de cuadricópteros y multirrotores: estimador de actitud principal en la mayoría de los autopilotos de código abierto (ArduPilot, PX4).
- Autopiloto de aeronaves de ala fija: referencia de actitud en controladores de vuelo de UAV de bajo costo.
- Investigación de vehículos aéreos no tripulados (UAV): filtro estándar en estudios académicos de control de movimiento.
- Rumbo y estabilización de embarcaciones marinas: referencia de actitud para piloto automático de barcos y estabilización de balanceo.
- Seguimiento de orientación de robots móviles: estimación de orientación para robots con ruedas y con patas.
Cómo funciona
Cómo funciona
Recopilar mediciones de una IMU de 9 DOF: acelerómetro de 3 ejes, giroscopio de 3 ejes y magnetómetro de 3 ejes a 50+ Hz.
Normalizar los vectores del acelerómetro y magnetómetro; obtener la tasa giroscópica; aplicar calibración si está disponible.
Calcular la dirección esperada de la gravedad (abajo) y del norte magnético (a partir de la estimación de actitud actual); comparar con las direcciones medidas; calcular el error como producto cruzado (error geométrico).
Fórmula
\dot{\vec{q}} = \frac{1}{2}\vec{q} \otimes \vec{\omega} + k_p \vec{e} + k_i \int \vec{e} dtAplicar corrección proporcional (K_p * error) y corrección integral (K_i * integral(error)) para estimar el sesgo del giroscopio; actualizar el cuaternión utilizando la velocidad angular corregida.
Salida del cuaternión; convertir a ángulos de Euler si es necesario; evaluar la confianza basada en la magnitud del error y el acuerdo de los sensores.
Errores comunes
- Elegir K_p y K_i demasiado altos causa oscilaciones e inestabilidad; valores típicos son K_p ~ 1.0, K_i ~ 0.1, ajustados empíricamente.
- Olvidar limitar el término integral; la integración sin control puede acumular errores; introducir límites de saturación integral.
- Asumir que el modelo de error del acelerómetro es Gaussiano; perturbaciones no Gaussianas (vibración, impacto) pueden corromper el filtro; pueden ser necesarios estimadores robustos.
- Desplegar sin probar bajo perfiles de movimiento previstos; el ajuste del filtro depende de la tasa de maniobra esperada y la calidad del sensor.
Preguntas frecuentes
¿Cómo ajusto K_p y K_i?
K_p es la ganancia proporcional (típicamente 0.5–2.0); una K_p más alta significa una corrección más rápida pero riesgo de oscilación. K_i es la ganancia integral (típicamente 0.01–0.1); controla la tasa de corrección de sesgo. Comience con K_p=1.0, K_i=0.1. Aumente K_p si el filtro se retrasa en las maniobras; disminuya si oscila. Aumente K_i si la deriva del sesgo es significativa; disminuya si ocurre saturación integral.
¿Qué es la saturación integral y cómo la prevengo?
La saturación integral ocurre cuando el término integral crece sin límites durante un error sostenido (por ejemplo, perturbación del magnetómetro). Cuando el error finalmente se despeja, el filtro sobrepasa. Prevenga saturando el término integral (limitándolo entre valores) o mediante integración condicional (integre solo cuando el error sea pequeño).
¿Cuál es la diferencia entre los filtros Mahony y Madgwick?
Mahony utiliza retroalimentación PI con estimación explícita de sesgo; Madgwick utiliza descenso de gradiente. Mahony se basa en la teoría de control; Madgwick en la optimización. Ambos tienen un costo computacional similar. Mahony típicamente tiene una convergencia de sesgo más rápida; Madgwick es más simple de implementar. Para solo actitud (sin sesgo), se desempeñan de manera similar.
¿Puede Mahony manejar grandes aceleraciones?
Durante grandes aceleraciones, el acelerómetro mide la aceleración inercial + gravedad, causando error de cabeceo/balanceo. El Filtro de Mahony asume que el acelerómetro apunta hacia abajo; grandes aceleraciones violan esto. Algunas implementaciones utilizan umbrales de magnitud de aceleración para reducir el peso del acelerómetro durante las maniobras, mejorando la robustez.
Métodos relacionados
Fuentes
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.
Abrir referencia de la publicaciónCopiado.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.
Abrir referencia DOICopiado.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.
Abrir referencia DOICopiado.