Skip to content
Retour aux résultats

Filtre de Mahony

Introduite par
Robert Mahony
Année
2008
Type
Observer algorithm
Famille
Complementary Filtering

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

Le filtre de Mahony est un observateur complémentaire basé sur un observateur qui fusionne les mesures de gyroscope, d'accéléromètre et de magnétomètre pour estimer l'orientation en quaternion.

Développé par Robert Mahony et ses collègues en 2008, le filtre combine l'intégration du taux de gyroscope avec une rétroaction corrective des mesures vectorielles (accéléromètre, boussole) en utilisant les principes de contrôle proportionnel-intégral. Le filtre de Mahony offre des performances similaires aux filtres de Kalman mais avec une implémentation plus simple et un coût de calcul inférieur, ce qui le rend idéal pour les systèmes aux ressources limitées et le contrôle en temps réel.

L’intuition derrière la méthode

Considérez le filtre de Mahony comme un contrôleur en boucle fermée où le gyroscope fournit l'estimation en 'boucle ouverte' (rapide mais dérivante) et l'accéléromètre/la boussole fournissent des signaux d'erreur (lents mais stables). Un contrôleur proportionnel-intégral (PI) calcule les corrections et les renvoie à la boucle d'intégration du gyroscope. Des gains de gyroscope élevés donnent une réponse rapide ; des gains d'accéléromètre élevés assurent la stabilité. Les deux sont équilibrés pour obtenir à la fois la réactivité et une attitude sans dérive.

Histoire

Robert Mahony et ses collègues de l'Australian National University ont développé l'approche d'observateur complémentaire vers 2008 alors qu'ils travaillaient sur le contrôle de quadricoptères. La méthode a été formalisée dans plusieurs articles influents sur l'estimation d'attitude des multirotors. La formulation de Mahony a unifié le filtrage complémentaire classique (utilisé en aérospatiale depuis des décennies) avec l'algèbre des quaternions moderne et la théorie du contrôle. Le filtre est devenu standard dans la communauté des autopilotes open-source (ArduPilot, PX4) et est largement utilisé dans les systèmes de recherche et commerciaux.

Quand l’utiliser

Utiliser le filtre de Mahony pour l'estimation d'attitude sur les systèmes embarqués lorsque le filtre de Kalman est trop complexe ou coûteux. Idéal pour les quadricoptères, les multirotors et les autopilotes d'avions. Déployer lorsque vous souhaitez une alternative physiquement motivée et facilement réglable à Madgwick (qui utilise la descente de gradient). Convient aux boucles de contrôle en temps réel nécessitant une faible latence et des estimations stables. Utiliser lorsque vous comprenez le contrôle proportionnel-intégral et pouvez régler K_p, K_i.

Limites et points d’attention

  • Le réglage de K_p et K_i nécessite une compréhension de la théorie du contrôle et une expérimentation empirique.
  • Les performances sont sensibles au réglage ; un mauvais choix des gains peut provoquer des oscillations ou une réponse lente.
  • Le terme intégral peut provoquer un emballement ; des erreurs importantes et soutenues s'accumulent et provoquent un dépassement ; une atténuation est nécessaire.
  • Comme Madgwick, la perturbation du magnétomètre affecte la précision du cap ; nécessite une calibration et éventuellement une détection de perturbation.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Intuitive sur le plan physique ; basée sur la théorie du contrôle (rétroaction PI) ; plus facile à comprendre et à déboguer que la descente de gradient.
  • Estimation explicite du biais du gyroscope ; le terme intégral apprend et corrige le biais du capteur au fil du temps.
  • Deux paramètres de réglage (K_p, K_i) ont une signification physique claire (gain proportionnel et intégral) contrairement à beta dans Madgwick.
  • Coût de calcul similaire à Madgwick ; léger et adapté aux systèmes embarqués.

Applications

  • Contrôle de vol de quadricoptères et multirotors : estimateur d'attitude principal dans la plupart des autopilotes open-source (ArduPilot, PX4).
  • Autopilot d'avion à voilure fixe : référence d'attitude dans les contrôleurs de vol de drones à faible coût.
  • Recherche sur les véhicules aériens sans pilote (UAV) : filtre standard dans les études académiques de contrôle de mouvement.
  • Cap et stabilisation de navires : référence d'attitude pour les pilotes automatiques de navires et la stabilisation au roulis.
  • Suivi de l'orientation des robots mobiles : estimation de l'orientation pour les robots à roues et à pattes.

Comment ça marche

Comment ça marche

1

Collecter les mesures d'une IMU 9-DOF : accéléromètre 3 axes, gyroscope 3 axes et magnétomètre 3 axes à 50+ Hz.

2

Normaliser les vecteurs d'accéléromètre et de magnétomètre ; obtenir le taux de gyroscope ; appliquer la calibration si disponible.

3

Calculer la direction attendue de la gravité (vers le bas) et du nord magnétique (à partir de l'estimation actuelle de l'attitude) ; comparer avec les directions mesurées ; calculer l'erreur comme produit vectoriel (erreur géométrique).

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

Appliquer une correction proportionnelle (K_p * erreur) et une correction intégrale (K_i * integral(erreur)) pour estimer le biais du gyroscope ; mettre à jour le quaternion en utilisant la vitesse angulaire corrigée.

5

Sortir le quaternion ; convertir en angles d'Euler si nécessaire ; évaluer la confiance en fonction de l'amplitude de l'erreur et de l'accord des capteurs.

Pièges courants

  • Choisir K_p et K_i trop élevés provoque des oscillations et une instabilité ; les valeurs typiques sont K_p ~ 1.0, K_i ~ 0.1, réglées empiriquement.
  • Oublier de borner le terme intégral ; une intégration non contrôlée peut accumuler des erreurs ; introduire des limites d'emballement intégral.
  • Supposer que le modèle d'erreur de l'accéléromètre est gaussien ; des perturbations non gaussiennes (vibrations, impacts) peuvent corrompre le filtre ; des estimateurs robustes peuvent être nécessaires.
  • Déployer sans tester dans les profils de mouvement prévus ; le réglage du filtre dépend de la vitesse de manœuvre attendue et de la qualité des capteurs.

Questions fréquentes

Comment régler K_p et K_i ?

K_p est le gain proportionnel (typiquement 0.5–2.0) ; un K_p plus élevé signifie une correction plus rapide mais un risque d'oscillation. K_i est le gain intégral (typiquement 0.01–0.1) ; il contrôle la vitesse de correction du biais. Commencez avec K_p=1.0, K_i=0.1. Augmentez K_p si le filtre accuse un retard par rapport aux manœuvres ; diminuez s'il oscille. Augmentez K_i si la dérive du biais est significative ; diminuez si l'emballement intégral se produit.

Qu'est-ce que l'emballement intégral et comment puis-je l'éviter ?

L'emballement intégral se produit lorsque le terme intégral augmente sans limite pendant une erreur soutenue (par exemple, perturbation du magnétomètre). Lorsque l'erreur disparaît enfin, le filtre dépasse la cible. Évitez en saturant le terme intégral (en le bornant entre des limites) ou par intégration conditionnelle (n'intégrer que lorsque l'erreur est faible).

Quelle est la différence entre les filtres de Mahony et Madgwick ?

Mahony utilise une rétroaction PI avec une estimation explicite du biais ; Madgwick utilise la descente de gradient. Mahony est basé sur la théorie du contrôle ; Madgwick sur l'optimisation. Les deux ont un coût de calcul similaire. Mahony a généralement une convergence de biais plus rapide ; Madgwick est plus simple à implémenter. Pour l'attitude seule (sans biais), ils sont similaires.

Le filtre de Mahony peut-il gérer de fortes accélérations ?

Lors de fortes accélérations, l'accéléromètre mesure l'accélération inertielle + la gravité, provoquant une erreur de tangage/roulis. Le filtre de Mahony suppose que l'accéléromètre pointe vers le bas ; de fortes accélérations violent cette hypothèse. Certaines implémentations utilisent une seuillage de l'amplitude de l'accélération pour réduire le poids de l'accéléromètre pendant les manœuvres, améliorant ainsi la robustesse.

Méthodes associées

Sources

  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.

    Ouvrir la référence de la publication
    Copié.
  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.

    Ouvrir la référence DOI
    Copié.
  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.

    Ouvrir la référence DOI
    Copié.