Skip to content
Kembali ke hasil pencarian

Filter Madgwick

Diperkenalkan oleh
Sebastian Madgwick
Tahun
2010
Jenis
Filter algorithm
Keluarga
Gradient Descent Filtering

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Filter Madgwick adalah algoritma estimasi sikap yang ringan secara komputasi yang menggabungkan pengukuran inersia (akselerometer, giroskop) dengan pengukuran magnetik (magnetometer) untuk menghitung orientasi kuaternion.

Diperkenalkan oleh Sebastian Madgwick pada tahun 2010, algoritma ini menggunakan optimasi penurunan gradien untuk meminimalkan kesalahan antara keluaran sensor yang terukur dan yang diharapkan, menghasilkan estimasi sikap yang akurat dan bebas hanyutan pada sistem tertanam dengan biaya komputasi minimal. Filter Madgwick kini ada di mana-mana dalam elektronik konsumen, robotika, dan sistem kedirgantaraan.

Intuisi di balik metode

Idenya adalah untuk menemukan kuaternion (orientasi) yang paling baik menjelaskan pengukuran sensor yang diamati. Akselerometer dan kompas memberi tahu kita di mana gravitasi dan utara magnet berada; giroskop memberi tahu kita seberapa cepat kita berputar. Algoritma menghitung arah (gradien) penyesuaian sikap yang membawa vektor estimasi dan terukur lebih dekat satu sama lain, kemudian melangkah sedikit ke arah itu. Diulang berkali-kali per detik, ini menghasilkan estimasi sikap yang mulus dan real-time yang tidak mengalami hanyutan.

Sejarah

Sebastian Madgwick mengembangkan algoritma sekitar tahun 2010 saat meneliti penangkapan gerakan dan analisis gerakan manusia. Algoritma tersebut diterbitkan dalam Konferensi Internasional IEEE tentang Robotika Rehabilitasi pada tahun 2011 dan dirilis sebagai kode sumber terbuka. Algoritma ini dengan cepat diadopsi di komunitas robotika DIY dan maker karena kesederhanaan dan efektivitasnya. Perusahaan elektronik konsumen besar (ponsel pintar, headset VR, pelacak kebugaran) mengadopsi varian. Filter Madgwick tetap populer di sistem tertanam dan pendidikan, sering berfungsi sebagai pengantar fusi sensor bagi siswa.

Kapan digunakan

Gunakan Filter Madgwick ketika Anda membutuhkan estimasi sikap real-time yang ringan pada perangkat dengan sumber daya terbatas (mikrokontroler, ponsel, perangkat yang dapat dikenakan). Ideal untuk aplikasi di mana kompleksitas Filter Kalman berlebihan. Efektif di dalam dan di luar ruangan, di kendaraan, drone, dan perangkat yang dapat dikenakan. Gunakan ketika Anda memiliki IMU 9-DOF dan ingin menghindari penyetelan beberapa parameter Filter Kalman. Gunakan untuk elektronik konsumen, robotika hobi, dan sistem kontrol real-time.

Batasan dan pertimbangan

  • Heuristik, bukan optimal; tidak meminimalkan fungsi biaya formal apa pun (tidak seperti Filter Kalman).
  • Kinerja sangat bergantung pada beta (ukuran langkah); tidak ada adaptasi otomatis jika kualitas sensor atau gerakan berubah.
  • Gangguan magnetometer dapat merusak arah; memerlukan kalibrasi manual; tidak secara otomatis mendeteksi atau menolak pengukuran yang buruk.
  • Akselerasi besar (dalam varian MARG) menyebabkan kesalahan sementara karena akselerometer tidak sejajar dengan gravitasi; pemulihan filter bersifat heuristik, bukan berdasarkan prinsip.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Biaya komputasi minimal; diimplementasikan dalam < 100 baris kode; berjalan pada mikrokontroler dan prosesor seluler.
  • Tidak memerlukan matriks atau aljabar linier yang kompleks; hanya aljabar kuaternion dan produk titik.
  • Menyediakan varian IMU-saja (6-DOF) dan MARG (9-DOF); dapat diadaptasi ke sensor yang tersedia.
  • Satu parameter penyetelan (beta) membuatnya mudah disesuaikan; tidak ada matriks kovariansi atau inversi matriks.

Penerapan

  • Pelacakan gerakan ponsel pintar dan perangkat yang dapat dikenakan: memungkinkan pengenalan gerakan dan realitas tertambah tanpa komputasi berat.
  • Stabilisasi quadcopter dan drone: memberikan estimasi roll, pitch, yaw untuk kontrol penerbangan pada autopilot yang terbatas sumber dayanya.
  • Pelacakan gerakan headset realitas virtual (VR): orientasi kepala real-time untuk tampilan imersif.
  • Penangkapan gerakan dan animasi manusia: melacak orientasi segmen tubuh untuk analisis gaya berjalan dan animasi.
  • Robotika dan drone hobi: alternatif ringan untuk Filter Kalman untuk estimasi sikap pada Arduino, Raspberry Pi.

Cara kerjanya

Cara kerjanya

1

Kumpulkan pengukuran dari IMU 9-DOF: akselerometer 3-sumbu, giroskop 3-sumbu, dan magnetometer 3-sumbu pada 50+ Hz.

2

Normalisasi vektor akselerometer dan magnetometer ke panjang satuan; simpan vektor laju mentah giroskop; terapkan kalibrasi sensor yang diketahui (bias, faktor skala).

3

Hitung gradien kesalahan pengukuran terhadap kuaternion; langkah kuaternion ke arah yang meminimalkan kesalahan (penurunan gradien); integrasikan laju giroskop untuk memprediksi evolusi kuaternion.

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

Campurkan koreksi penurunan gradien dengan integrasi giroskop melalui satu parameter (beta) yang mengontrol kekuatan koreksi; keluarkan kuaternion pada setiap pembaruan.

5

Konversi kuaternion ke sudut Euler (roll, pitch, yaw) atau gunakan kuaternion secara langsung; laporkan sikap; nilai kepercayaan berdasarkan keandalan sensor dan keadaan gerakan.

Kesalahan umum

  • Memilih beta terlalu tinggi menyebabkan osilasi cepat dan penyimpangan; terlalu rendah menyebabkan respons lambat; kisaran tipikal adalah 0,01–0,1, disetel secara empiris.
  • Mengabaikan kalibrasi magnetometer; distorsi besi lunak dan besi keras dapat menyebabkan kesalahan arah; kalibrasi sangat penting untuk yaw yang akurat.
  • Mengasumsikan akselerometer selalu valid; selama akselerasi intens, akselerometer tidak dapat digunakan untuk estimasi roll/pitch; beberapa algoritma mendeteksi dan mengabaikan akselerometer selama manuver.
  • Menggunakan tanpa inisialisasi; algoritma konvergen dalam beberapa detik, tetapi paling baik diinisialisasi dengan kendaraan dalam keadaan diam (inisialisasi statis).

Pertanyaan yang sering diajukan

Bagaimana cara memilih parameter beta?

Beta mengontrol laju koreksi penurunan gradien. Mulai dengan beta = 0,041 (nilai yang digunakan Madgwick). Jika filter lamban (lambat merespons gerakan), tingkatkan beta (hingga 0,1–0,5). Jika filter berosilasi atau melayang, turunkan beta (hingga 0,01). Setel secara empiris dengan mengamati respons sikap terhadap gerakan yang diketahui.

Apa perbedaan antara varian IMU (6-DOF) dan MARG (9-DOF)?

Varian IMU hanya menggunakan akselerometer dan giroskop; ia memberikan roll dan pitch tetapi yaw melayang tanpa referensi. Varian MARG menambahkan magnetometer untuk yaw absolut; ia memberikan sikap 3-DOF yang stabil tetapi sensitif terhadap gangguan magnetik. Gunakan IMU untuk penerbangan berdurasi pendek; gunakan MARG untuk navigasi stasioner atau lambat.

Bisakah saya menjalankan Filter Madgwick pada mikrokontroler 32-bit?

Ya. Algoritma ini sangat efisien; ARM Cortex-M4 dapat menjalankannya pada 200+ Hz. Bahkan mikrokontroler 8-bit (dengan pustaka floating-point) dapat mengelola 50+ Hz. Kinerja bergantung pada laju jam dan dukungan floating-point. Dengan aritmatika titik tetap, ia dapat diskalakan ke prosesor yang jauh lebih lambat.

Bagaimana cara mendeteksi gangguan magnetik?

Pantau magnitudo magnetometer; medan Bumi sekitar 50 mikro-Tesla; penyimpangan yang lebih besar menunjukkan gangguan. Bandingkan arah kompas (dari magnetometer) dengan arah dari integrasi giroskop; ketidaksepakatan besar menandakan gangguan. Mitigasi: sementara abaikan pembaruan magnetometer selama gangguan, atau kurangi bobotnya (turunkan beta_m dalam beberapa varian).

Metode terkait

Sumber

  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.

    Buka referensi publikasi
    Disalin.
  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.

    Buka referensi publikasi
    Disalin.
  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.

    Buka referensi DOI
    Disalin.