Filtre de Madgwick
- Introduite par
- Sebastian Madgwick
- Année
- 2010
- Type
- Filter algorithm
- Famille
- Gradient Descent Filtering
Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais
À quoi sert-elle ?
Le Filtre de Madgwick est un algorithme d'estimation d'attitude, léger sur le plan calculatoire, qui fusionne des mesures inertielles (accéléromètre, gyroscope) avec des mesures magnétiques (magnétomètre) pour calculer une orientation sous forme de quaternion.
Introduit par Sebastian Madgwick en 2010, l'algorithme utilise l'optimisation par descente de gradient pour minimiser l'erreur entre les sorties mesurées et attendues des capteurs, fournissant des estimations d'attitude précises et sans dérive sur des systèmes embarqués avec un coût de calcul minimal. Le Filtre de Madgwick est désormais omniprésent dans l'électronique grand public, la robotique et les systèmes aérospatiaux.
L’intuition derrière la méthode
L'idée est de trouver le quaternion (orientation) qui explique le mieux les mesures des capteurs observées. L'accéléromètre et la boussole nous indiquent où se trouvent la gravité et le nord magnétique ; le gyroscope nous indique à quelle vitesse nous tournons. L'algorithme calcule une direction (gradient) d'ajustement d'attitude qui rapproche les vecteurs estimés et mesurés, puis effectue un petit pas dans cette direction. Répétée plusieurs fois par seconde, cette opération produit une estimation d'attitude fluide et en temps réel qui ne dérive pas.
Histoire
Sebastian Madgwick a développé l'algorithme vers 2010 lors de ses recherches sur la capture de mouvement et l'analyse du mouvement humain. L'algorithme a été publié dans l'IEEE International Conference on Rehabilitation Robotics en 2011 et publié sous forme de code open-source. Il a rapidement été adopté par les communautés de robotique DIY et de makers en raison de sa simplicité et de son efficacité. Les grandes entreprises d'électronique grand public (smartphones, casques VR, trackers d'activité) ont adopté des variantes. Le Filtre de Madgwick reste populaire dans les systèmes embarqués et l'éducation, servant souvent d'introduction à la fusion de capteurs pour les étudiants.
Quand l’utiliser
Utiliser le Filtre de Madgwick lorsque vous avez besoin d'une estimation d'attitude légère et en temps réel sur des appareils aux ressources limitées (microcontrôleurs, téléphones portables, appareils portables). Idéal pour les applications où la complexité du Filtre de Kalman est excessive. Efficace à l'intérieur et à l'extérieur, dans les véhicules, les drones et les appareils portables. Déployer lorsque vous disposez d'une IMU 9-DOF et que vous souhaitez éviter de régler plusieurs paramètres du Filtre de Kalman. À utiliser pour l'électronique grand public, la robotique amateur et les systèmes de contrôle en temps réel.
Limites et points d’attention
- Heuristique, non optimal ; ne minimise aucune fonction de coût formelle (contrairement au Filtre de Kalman).
- Les performances dépendent de manière critique de beta (taille du pas) ; pas d'adaptation automatique si la qualité des capteurs ou le mouvement changent.
- Les perturbations du magnétomètre peuvent corrompre le cap ; nécessite une calibration manuelle ; ne détecte ni ne rejette automatiquement les mauvaises mesures.
- Les fortes accélérations (dans la variante MARG) provoquent des erreurs temporaires car l'accéléromètre n'est plus aligné avec la gravité ; la récupération du filtre est heuristique, non basée sur des principes.
Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.
Points forts
- Coût de calcul minimal ; implémenté en moins de 100 lignes de code ; fonctionne sur des microcontrôleurs et des processeurs mobiles.
- Aucune matrice ni algèbre linéaire complexe requise ; uniquement l'algèbre des quaternions et les produits scalaires.
- Fournit des variantes IMU seule (6-DOF) et MARG (9-DOF) ; adaptable aux capteurs disponibles.
- Un seul paramètre de réglage (beta) le rend facile à personnaliser ; pas de matrices de covariance ni d'inversions de matrices.
Applications
- Suivi de mouvement pour smartphones et appareils portables : permet la reconnaissance de gestes de mouvement et la réalité augmentée sans calcul intensif.
- Stabilisation de quadricoptères et de drones : fournit des estimations de roulis, tangage et lacet pour le contrôle de vol sur des autopilotes aux ressources limitées.
- Suivi de mouvement pour casques de réalité virtuelle (VR) : orientation de la tête en temps réel pour des affichages immersifs.
- Capture de mouvement et animation humaine : suit l'orientation des segments corporels pour l'analyse de la démarche et l'animation.
- Robotique et drones amateurs : alternative légère aux Filtres de Kalman pour l'estimation d'attitude sur Arduino, Raspberry Pi.
Comment ça marche
Comment ça marche
Collecter des mesures d'une centrale inertielle (IMU) 9-DOF : accéléromètre 3 axes, gyroscope 3 axes et magnétomètre 3 axes à une fréquence de 50+ Hz.
Normaliser les vecteurs de l'accéléromètre et du magnétomètre à la longueur unité ; stocker le vecteur de vitesse brute du gyroscope ; appliquer toute calibration de capteur connue (biais, facteur d'échelle).
Calculer le gradient de l'erreur de mesure par rapport au quaternion ; faire évoluer le quaternion dans la direction qui minimise l'erreur (descente de gradient) ; intégrer la vitesse du gyroscope pour prédire l'évolution du quaternion.
Formule
\nabla f = \frac{\partial f}{\partial \vec{q}}Combiner la correction par descente de gradient avec l'intégration du gyroscope via un seul paramètre (beta) qui contrôle la force de la correction ; sortir le quaternion à chaque mise à jour.
Convertir le quaternion en angles d'Euler (roulis, tangage, lacet) ou utiliser directement le quaternion ; rapporter l'attitude ; évaluer la confiance en fonction de la fiabilité des capteurs et de l'état du mouvement.
Pièges courants
- Choisir beta trop élevé provoque des oscillations rapides et une divergence ; trop bas provoque une réponse lente ; la plage typique est de 0.01–0.1, réglée empiriquement.
- Ignorer la calibration du magnétomètre ; la distorsion par fer doux et fer dur peut causer des erreurs de cap ; la calibration est essentielle pour un lacet précis.
- Supposer que l'accéléromètre est toujours valide ; lors d'une accélération intense, l'accéléromètre ne peut pas être utilisé pour l'estimation du roulis/tangage ; certains algorithmes détectent et ignorent l'accéléromètre pendant les manœuvres.
- Déployer sans initialisation ; l'algorithme converge en quelques secondes, mais il est préférable de l'initialiser lorsque le véhicule est au repos (initialisation statique).
Questions fréquentes
Comment choisir le paramètre beta ?
Beta contrôle la vitesse de correction par descente de gradient. Commencez avec beta = 0.041 (la valeur utilisée par Madgwick). Si le filtre est lent (répond lentement au mouvement), augmentez beta (jusqu'à 0.1–0.5). Si le filtre oscille ou dérive, diminuez beta (jusqu'à 0.01). Réglez empiriquement en observant la réponse de l'attitude à des mouvements connus.
Quelle est la différence entre les variantes IMU (6-DOF) et MARG (9-DOF) ?
La variante IMU utilise uniquement l'accéléromètre et le gyroscope ; elle fournit le roulis et le tangage, mais le lacet dérive sans référence. La variante MARG ajoute le magnétomètre pour un lacet absolu ; elle fournit une attitude 3-DOF stable mais est sensible aux perturbations magnétiques. Utilisez IMU pour les vols de courte durée ; utilisez MARG pour la navigation stationnaire ou lente.
Puis-je exécuter le Filtre de Madgwick sur un microcontrôleur 32 bits ?
Oui. L'algorithme est très efficace ; un ARM Cortex-M4 peut l'exécuter à plus de 200 Hz. Même les microcontrôleurs 8 bits (avec des bibliothèques de virgule flottante) peuvent gérer plus de 50 Hz. Les performances dépendent de la fréquence d'horloge et du support de la virgule flottante. Avec une arithmétique en virgule fixe, il s'adapte à des processeurs beaucoup plus lents.
Comment détecter les perturbations magnétiques ?
Surveillez la magnitude du magnétomètre ; le champ terrestre est d'environ 50 micro-Teslas ; une déviation plus importante indique une perturbation. Comparez le cap de la boussole (provenant du magnétomètre) avec le cap issu de l'intégration du gyroscope ; un grand désaccord signale une perturbation. Atténuation : ignorez temporairement les mises à jour du magnétomètre pendant la perturbation, ou réduisez son poids (diminuez beta_m dans certaines variantes).
Méthodes associées
Sources
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.
Ouvrir la référence de la publicationCopié.Madgwick, S. O. H. (2010). An efficient orientation filter for inertial and inertial/magnetic sensor arrays. Report x-io Technologies, University of Bristol, UK.
Ouvrir la référence de la publicationCopié.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.
Ouvrir la référence DOICopié.