Filter Mahony
- Diperkenalkan oleh
- Robert Mahony
- Tahun
- 2008
- Jenis
- Observer algorithm
- Keluarga
- Complementary Filtering
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Filter Mahony adalah pengamat komplementer berbasis pengamat yang menggabungkan pengukuran giroskop, akselerometer, dan magnetometer untuk memperkirakan orientasi kuaternion.
Dikembangkan oleh Robert Mahony dan rekan-rekannya pada tahun 2008, filter ini menggabungkan integrasi laju giroskop dengan umpan balik korektif dari pengukuran vektor (akselerometer, kompas) menggunakan prinsip kontrol proporsional-integral. Filter Mahony memberikan kinerja serupa dengan Filter Kalman tetapi dengan implementasi yang lebih sederhana dan biaya komputasi yang lebih rendah, menjadikannya ideal untuk sistem dengan sumber daya terbatas dan kontrol waktu nyata.
Intuisi di balik metode
Anggap Filter Mahony sebagai pengontrol loop tertutup di mana giroskop memberikan perkiraan 'loop terbuka' (cepat tetapi bergeser) dan akselerometer/kompas memberikan sinyal kesalahan (lambat tetapi stabil). Pengontrol proporsional-integral (PI) menghitung koreksi dan memasukkannya kembali ke loop integrasi giroskop. Penguatan giroskop yang tinggi memberikan respons cepat; penguatan akselerometer yang tinggi memberikan stabilitas. Keduanya diseimbangkan untuk mencapai responsivitas dan sikap bebas geser.
Sejarah
Robert Mahony dan rekan-rekannya di Australian National University mengembangkan pendekatan pengamat komplementer sekitar tahun 2008 saat mengerjakan kontrol quadrotor. Metode ini diformalkan dalam beberapa makalah berpengaruh tentang estimasi sikap multirotor. Formulasi Mahony menyatukan penyaringan komplementer klasik (digunakan dalam kedirgantaraan selama beberapa dekade) dengan aljabar kuaternion modern dan teori kontrol. Filter ini menjadi standar dalam komunitas autopilot sumber terbuka (ArduPilot, PX4) dan banyak digunakan dalam sistem penelitian dan komersial.
Kapan digunakan
Gunakan Filter Mahony untuk estimasi sikap pada sistem tertanam ketika Filter Kalman terlalu kompleks atau mahal. Ideal untuk quadrotor, multirotor, dan autopilot pesawat terbang. Gunakan ketika Anda menginginkan alternatif yang dimotivasi secara fisik dan mudah disetel dibandingkan Madgwick (yang menggunakan penurunan gradien). Cocok untuk loop kontrol waktu nyata yang membutuhkan latensi rendah dan perkiraan yang stabil. Gunakan ketika Anda memahami kontrol proporsional-integral dan dapat menyetel K_p, K_i.
Batasan dan pertimbangan
- Penyetelan K_p dan K_i memerlukan pemahaman teori kontrol dan eksperimen empiris.
- Kinerja sensitif terhadap penyetelan; pilihan penguatan yang buruk dapat menyebabkan osilasi atau respons yang lamban.
- Suku integral dapat menyebabkan wind-up; kesalahan besar yang berkelanjutan terakumulasi dan menyebabkan overshoot; mitigasi diperlukan.
- Seperti Madgwick, gangguan magnetometer memengaruhi akurasi arah; memerlukan kalibrasi dan mungkin deteksi gangguan.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Secara fisik intuitif; berdasarkan teori kontrol (umpan balik PI); lebih mudah dipahami dan di-debug daripada penurunan gradien.
- Estimasi bias giroskop eksplisit; suku integral belajar dan mengoreksi bias sensor dari waktu ke waktu.
- Dua parameter penyetelan (K_p, K_i) memiliki arti fisik yang jelas (penguatan proporsional dan integral) tidak seperti beta pada Madgwick.
- Biaya komputasi serupa dengan Madgwick; ringan dan cocok untuk sistem tertanam.
Penerapan
- Kontrol penerbangan quadcopter dan multirotor: estimator sikap utama di sebagian besar autopilot sumber terbuka (ArduPilot, PX4).
- Autopilot pesawat sayap tetap: referensi sikap dalam pengontrol penerbangan UAV berbiaya rendah.
- Penelitian kendaraan udara tak berawak (UAV): filter standar dalam studi kontrol gerak akademis.
- Arah dan stabilisasi kapal laut: referensi sikap untuk autopilot kapal dan stabilisasi guling.
- Pelacakan orientasi robot seluler: estimasi orientasi untuk robot beroda dan berkaki.
Cara kerjanya
Cara kerjanya
Kumpulkan pengukuran dari IMU 9-DOF: akselerometer 3-sumbu, giroskop 3-sumbu, dan magnetometer 3-sumbu pada kecepatan 50+ Hz.
Normalisasi vektor akselerometer dan magnetometer; peroleh laju giroskop; terapkan kalibrasi jika tersedia.
Hitung arah gravitasi yang diharapkan (ke bawah) dan utara magnetik (dari perkiraan sikap saat ini); bandingkan dengan arah terukur; hitung kesalahan sebagai perkalian silang (kesalahan geometris).
Rumus
\dot{\vec{q}} = \frac{1}{2}\vec{q} \otimes \vec{\omega} + k_p \vec{e} + k_i \int \vec{e} dtTerapkan koreksi proporsional (K_p * kesalahan) dan koreksi integral (K_i * integral(kesalahan)) untuk memperkirakan bias giroskop; perbarui kuaternion menggunakan kecepatan sudut yang dikoreksi.
Keluarkan kuaternion; konversi ke sudut Euler jika perlu; nilai kepercayaan berdasarkan besaran kesalahan dan kesepakatan sensor.
Kesalahan umum
- Memilih K_p dan K_i terlalu tinggi menyebabkan osilasi dan ketidakstabilan; nilai tipikal adalah K_p ~ 1,0, K_i ~ 0,1, disetel secara empiris.
- Lupa membatasi suku integral; integrasi yang tidak terkontrol dapat mengakumulasi kesalahan; perkenalkan batas wind-up integral.
- Mengasumsikan model kesalahan akselerometer adalah Gaussian; gangguan non-Gaussian (getaran, benturan) dapat merusak filter; estimator yang kuat mungkin diperlukan.
- Menggunakan tanpa pengujian di bawah profil gerakan yang dimaksudkan; penyetelan filter bergantung pada laju manuver yang diharapkan dan kualitas sensor.
Pertanyaan yang sering diajukan
Bagaimana cara menyetel K_p dan K_i?
K_p adalah penguatan proporsional (biasanya 0,5–2,0); K_p yang lebih tinggi berarti koreksi lebih cepat tetapi berisiko osilasi. K_i adalah penguatan integral (biasanya 0,01–0,1); ini mengontrol laju koreksi bias. Mulai dengan K_p=1,0, K_i=0,1. Tingkatkan K_p jika filter tertinggal dari manuver; kurangi jika berosilasi. Tingkatkan K_i jika geseran bias signifikan; kurangi jika terjadi wind-up integral.
Apa itu wind-up integral dan bagaimana cara mencegahnya?
Wind-up integral terjadi ketika suku integral tumbuh tanpa batas selama kesalahan yang berkelanjutan (misalnya, gangguan magnetometer). Ketika kesalahan akhirnya hilang, filter akan melampaui batas. Cegah dengan menjenuhkan suku integral (membatasinya di antara batas) atau dengan integrasi bersyarat (hanya integrasi ketika kesalahan kecil).
Apa perbedaan antara filter Mahony dan Madgwick?
Mahony menggunakan umpan balik PI dengan estimasi bias eksplisit; Madgwick menggunakan penurunan gradien. Mahony didasarkan pada teori kontrol; Madgwick pada optimasi. Keduanya memiliki biaya komputasi yang serupa. Mahony biasanya memiliki konvergensi bias yang lebih cepat; Madgwick lebih mudah diimplementasikan. Untuk sikap saja (tanpa bias), kinerjanya serupa.
Bisakah Mahony menangani percepatan besar?
Selama percepatan besar, akselerometer mengukur percepatan inersia + gravitasi, menyebabkan kesalahan pitch/roll. Filter Mahony mengasumsikan akselerometer mengarah ke bawah; percepatan besar melanggar ini. Beberapa implementasi menggunakan ambang batas besaran percepatan untuk mengurangi bobot akselerometer selama manuver, meningkatkan ketahanan.
Metode terkait
Sumber
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.
Buka referensi publikasiDisalin.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.
Buka referensi DOIDisalin.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.
Buka referensi DOIDisalin.