فیلتر ماهونی
- معرفیشده توسط
- Robert Mahony
- سال
- 2008
- نوع
- Observer algorithm
- خانواده
- Complementary Filtering
این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید
چه کاری انجام میدهد؟
فیلتر ماهونی یک فیلتر نگرش مبتنی بر ناظر مکمل است که اندازهگیریهای ژیروسکوپ، شتابسنج و مغناطیسسنج را برای تخمین جهتگیری کواترنیون ترکیب میکند. این فیلتر که توسط رابرت ماهونی و همکارانش در سال ۲۰۰۸ توسعه یافته است، ادغام نرخ ژیروسکوپ را با بازخورد اصلاحی از اندازهگیریهای برداری (شتابسنج، قطبنما) با استفاده از اصول کنترل تناسبی-انتگرالی ترکیب میکند. فیلتر ماهونی عملکردی مشابه فیلترهای کالمن اما با پیادهسازی سادهتر و هزینه محاسباتی کمتر ارائه میدهد که آن را برای سیستمهای با منابع محدود و کنترل بلادرنگ ایدهآل میسازد.
شهود پشت روش
فیلتر ماهونی را به عنوان یک کنترلکننده حلقه بسته در نظر بگیرید که در آن ژیروسکوپ تخمین 'حلقه باز' (سریع اما با انحراف) را فراهم میکند و شتابسنج/قطبنما سیگنالهای خطا (کند اما پایدار) را ارائه میدهند. یک کنترلکننده تناسبی-انتگرالی (PI) اصلاحاتی را محاسبه کرده و آنها را به حلقه ادغام ژیروسکوپ بازمیگرداند. بهرههای بالای ژیروسکوپ پاسخ سریع را میدهند؛ بهرههای بالای شتابسنج پایداری را فراهم میکنند. این دو برای دستیابی به پاسخگویی و نگرش بدون انحراف متعادل میشوند.
تاریخ
رابرت ماهونی و همکارانش در دانشگاه ملی استرالیا، رویکرد ناظر مکمل را در حدود سال ۲۰۰۸ در حین کار بر روی کنترل کوادکوپتر توسعه دادند. این روش در چندین مقاله تأثیرگذار در مورد تخمین نگرش مولتیروتورها فرموله شد. فرمولبندی ماهونی، فیلتر مکمل کلاسیک (که دههها در هوافضا استفاده میشد) را با جبر کواترنیون مدرن و نظریه کنترل یکپارچه کرد. این فیلتر در جامعه متنباز خلبان خودکار (ArduPilot، PX4) استاندارد شد و به طور گسترده در سیستمهای تحقیقاتی و تجاری استفاده میشود.
چه زمانی استفاده شود
از فیلتر ماهونی برای تخمین نگرش در سیستمهای تعبیهشده استفاده کنید زمانی که فیلتر کالمن بیش از حد پیچیده یا پرهزینه است. ایدهآل برای کوادکوپترها، مولتیروتورها و خلبانان خودکار هواپیما. زمانی که جایگزینی فیزیکی و قابل تنظیم آسان برای مدگویک (که از نزول گرادیان استفاده میکند) میخواهید، آن را مستقر کنید. مناسب برای حلقههای کنترل بلادرنگ که به تأخیر کم و تخمینهای پایدار نیاز دارند. زمانی که کنترل تناسبی-انتگرالی را درک میکنید و میتوانید K_p و K_i را تنظیم کنید، از آن استفاده کنید.
محدودیتها و ملاحظات
- تنظیم K_p و K_i نیازمند درک نظریه کنترل و آزمایش تجربی است.
- عملکرد به تنظیم حساس است؛ انتخاب نامناسب بهرهها میتواند باعث نوسان یا پاسخ کند شود.
- ترم انتگرالی میتواند باعث پیچش شود؛ خطاهای بزرگ و پایدار انباشته شده و باعث بیشبرایندگی میشوند؛ نیاز به کاهش اثرات.
- مانند مدگویک، اختلال مغناطیسسنج بر دقت جهتیابی تأثیر میگذارد؛ نیاز به کالیبراسیون و احتمالاً تشخیص اختلال دارد.
شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.
نقاط قوت
- از نظر فیزیکی شهودی؛ مبتنی بر نظریه کنترل (بازخورد PI)؛ درک و اشکالزدایی آن آسانتر از نزول گرادیان است.
- تخمین صریح بایاس ژیروسکوپ؛ ترم انتگرالی بایاس سنسور را در طول زمان یاد میگیرد و اصلاح میکند.
- دو پارامتر تنظیم (K_p، K_i) معنای فیزیکی واضحی دارند (بهره تناسبی و انتگرالی) برخلاف بتا در مدگویک.
- هزینه محاسباتی مشابه مدگویک؛ سبک و مناسب برای سیستمهای تعبیهشده.
کاربردها
- کنترل پرواز کوادکوپتر و مولتیروتور: تخمینگر اصلی نگرش در اکثر خلبانان خودکار متنباز (ArduPilot، PX4).
- خلبان خودکار هواپیمای بال ثابت: مرجع نگرش در کنترلکنندههای پرواز UAV کمهزینه.
- تحقیقات وسیله نقلیه هوایی بدون سرنشین (UAV): فیلتر استاندارد در مطالعات کنترل حرکت دانشگاهی.
- جهتیابی و تثبیت شناور دریایی: مرجع نگرش برای خلبان خودکار کشتی و تثبیت غلتش.
- ردیابی جهتگیری ربات متحرک: تخمین جهتگیری برای رباتهای چرخدار و پا دار.
چگونه کار میکند
چگونه کار میکند
جمعآوری اندازهگیریها از یک IMU ۹-DOF: شتابسنج ۳ محوره، ژیروسکوپ ۳ محوره و مغناطیسسنج ۳ محوره با فرکانس ۵۰+ هرتز.
بردار شتابسنج و مغناطیسسنج را نرمالسازی کنید؛ نرخ ژیروسکوپ را دریافت کنید؛ در صورت موجود بودن، کالیبراسیون را اعمال کنید.
جهت مورد انتظار گرانش (پایین) و شمال مغناطیسی (از تخمین نگرش فعلی) را محاسبه کنید؛ با جهتهای اندازهگیری شده مقایسه کنید؛ خطا را به عنوان حاصلضرب خارجی (خطای هندسی) محاسبه کنید.
فرمول
\dot{\vec{q}} = \frac{1}{2}\vec{q} \otimes \vec{\omega} + k_p \vec{e} + k_i \int \vec{e} dtاصلاح تناسبی (K_p * خطا) و اصلاح انتگرالی (K_i * انتگرال(خطا)) را برای تخمین بایاس ژیروسکوپ اعمال کنید؛ کواترنیون را با استفاده از سرعت زاویهای اصلاح شده بهروز کنید.
کواترنیون را خروجی دهید؛ در صورت نیاز به زوایای اویلر تبدیل کنید؛ اطمینان را بر اساس بزرگی خطا و توافق سنسور ارزیابی کنید.
دامهای رایج
- انتخاب K_p و K_i بیش از حد بالا باعث نوسان و ناپایداری میشود؛ مقادیر معمول K_p ~ ۱.۰، K_i ~ ۰.۱ هستند که به صورت تجربی تنظیم میشوند.
- فراموش کردن محدود کردن ترم انتگرالی؛ ادغام کنترل نشده میتواند خطاها را انباشته کند؛ محدودیتهای پیچش انتگرالی را معرفی کنید.
- فرض اینکه مدل خطای شتابسنج گوسی است؛ اختلالات غیر گوسی (لرزش، ضربه) میتوانند فیلتر را خراب کنند؛ ممکن است به تخمینگرهای مقاوم نیاز باشد.
- استقرار بدون آزمایش تحت پروفایلهای حرکتی مورد نظر؛ تنظیم فیلتر به نرخ مانور مورد انتظار و کیفیت سنسور بستگی دارد.
پرسشهای متداول
چگونه K_p و K_i را تنظیم کنم؟
K_p بهره تناسبی است (معمولاً ۰.۵–۲.۰)؛ K_p بالاتر به معنای اصلاح سریعتر اما خطر نوسان است. K_i بهره انتگرالی است (معمولاً ۰.۰۱–۰.۱)؛ نرخ اصلاح بایاس را کنترل میکند. با K_p=۱.۰، K_i=۰.۱ شروع کنید. اگر فیلتر از مانورها عقب میماند، K_p را افزایش دهید؛ اگر نوسان میکند، آن را کاهش دهید. اگر انحراف بایاس قابل توجه است، K_i را افزایش دهید؛ اگر پیچش انتگرالی رخ میدهد، آن را کاهش دهید.
پیچش انتگرالی چیست و چگونه از آن جلوگیری کنم؟
پیچش انتگرالی زمانی رخ میدهد که ترم انتگرالی در طول خطای پایدار (مثلاً اختلال مغناطیسسنج) بدون محدودیت رشد میکند. هنگامی که خطا در نهایت پاک میشود، فیلتر بیشبرایندگی میکند. با اشباع ترم انتگرالی (محدود کردن آن بین حدها) یا با ادغام شرطی (فقط زمانی که خطا کوچک است ادغام کنید) از آن جلوگیری کنید.
تفاوت بین فیلترهای ماهونی و مدگویک چیست؟
ماهونی از بازخورد PI با تخمین بایاس صریح استفاده میکند؛ مدگویک از نزول گرادیان استفاده میکند. ماهونی مبتنی بر نظریه کنترل است؛ مدگویک مبتنی بر بهینهسازی. هر دو هزینه محاسباتی مشابهی دارند. ماهونی معمولاً همگرایی بایاس سریعتری دارد؛ پیادهسازی مدگویک سادهتر است. برای فقط نگرش (بدون بایاس)، عملکرد مشابهی دارند.
آیا ماهونی میتواند شتابهای بزرگ را مدیریت کند؟
در طول شتابهای بزرگ، شتابسنج شتاب اینرسیایی + گرانش را اندازهگیری میکند و باعث خطای گام/غلتش میشود. فیلتر ماهونی فرض میکند شتابسنج به سمت پایین اشاره میکند؛ شتابهای بزرگ این فرض را نقض میکنند. برخی پیادهسازیها از آستانهگذاری بزرگی شتاب برای کاهش وزن شتابسنج در طول مانورها استفاده میکنند و استحکام را بهبود میبخشند.
روشهای مرتبط
منابع
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.
باز کردن مرجع انتشارکپی شد.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.
باز کردن مرجع DOIکپی شد.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.
باز کردن مرجع DOIکپی شد.