Skip to content
Torna ai risultati

Filtro di Madgwick

Introdotto da
Sebastian Madgwick
Anno
2010
Tipo
Filter algorithm
Famiglia
Gradient Descent Filtering

Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese

Dimensione del carattere

A cosa serve?

Il Filtro di Madgwick è un algoritmo di stima dell'assetto computazionalmente leggero che fonde misurazioni inerziali (accelerometro, giroscopio) con misurazioni magnetiche (magnetometro) per calcolare un orientamento quaternione.

Introdotto da Sebastian Madgwick nel 2010, l'algoritmo utilizza l'ottimizzazione del gradiente discendente per minimizzare l'errore tra le uscite del sensore misurate e attese, fornendo stime dell'assetto accurate e prive di deriva su sistemi embedded con costi computazionali minimi. Il Filtro di Madgwick è ora onnipresente nell'elettronica di consumo, nella robotica e nei sistemi aerospaziali.

L’intuizione alla base del metodo

L'idea è trovare il quaternione (orientamento) che meglio spiega le misurazioni del sensore osservate. L'accelerometro e la bussola ci dicono dove sono la gravità e il nord magnetico; il giroscopio ci dice quanto velocemente stiamo ruotando. L'algoritmo calcola una direzione (gradiente) di aggiustamento dell'assetto che avvicina i vettori stimati e misurati, quindi compie un piccolo passo in quella direzione. Ripetuto molte volte al secondo, questo produce una stima dell'assetto fluida e in tempo reale che non deriva.

Storia

Sebastian Madgwick ha sviluppato l'algoritmo intorno al 2010 mentre ricercava la cattura del movimento e l'analisi del movimento umano. L'algoritmo è stato pubblicato nell'IEEE International Conference on Rehabilitation Robotics nel 2011 e rilasciato come codice open-source. Ha ottenuto una rapida adozione nelle comunità di robotica DIY e maker grazie alla sua semplicità ed efficacia. Le principali aziende di elettronica di consumo (smartphone, visori VR, fitness tracker) hanno adottato varianti. Il Filtro di Madgwick rimane popolare nei sistemi embedded e nell'istruzione, servendo spesso come introduzione alla fusione dei sensori per gli studenti.

Quando usarlo

Utilizzare il Filtro di Madgwick quando si necessita di una stima dell'assetto leggera e in tempo reale su dispositivi con risorse limitate (microcontrollori, telefoni cellulari, dispositivi indossabili). Ideale per applicazioni in cui la complessità del Filtro di Kalman è eccessiva. Efficace all'interno e all'esterno, in veicoli, droni e dispositivi indossabili. Implementare quando si dispone di un IMU a 9 DOF e si desidera evitare la taratura di molteplici parametri del Filtro di Kalman. Utilizzare per l'elettronica di consumo, la robotica amatoriale e i sistemi di controllo in tempo reale.

Limiti e considerazioni

  • Euristiche, non ottimali; non minimizza alcuna funzione di costo formale (a differenza del Filtro di Kalman).
  • Le prestazioni dipendono criticamente da beta (dimensione del passo); nessuna adattamento automatico se la qualità del sensore o il movimento cambiano.
  • Il disturbo del magnetometro può corrompere la direzione; richiede calibrazione manuale; non rileva né rifiuta automaticamente misurazioni errate.
  • Grandi accelerazioni (nella variante MARG) causano errori temporanei poiché l'accelerometro si disallinea con la gravità; il recupero del filtro è euristico, non basato su principi.

Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.

Punti di forza

  • Costo computazionale minimo; implementato in < 100 righe di codice; funziona su microcontrollori e processori mobili.
  • Nessuna matrice o algebra lineare complessa richiesta; solo algebra dei quaternioni e prodotti scalari.
  • Fornisce varianti solo IMU (6 DOF) e MARG (9 DOF); adattabile ai sensori disponibili.
  • Un singolo parametro di taratura (beta) lo rende facile da personalizzare; nessuna matrice di covarianza o inversione di matrici.

Applicazioni

  • Tracciamento del movimento di smartphone e dispositivi indossabili: abilita il riconoscimento dei gesti di movimento e la realtà aumentata senza un carico computazionale elevato.
  • Stabilizzazione di quadricotteri e droni: fornisce stime di roll, pitch, yaw per il controllo di volo su autopiloti con risorse limitate.
  • Tracciamento del movimento di visori per la realtà virtuale (VR): orientamento della testa in tempo reale per display immersivi.
  • Cattura del movimento e animazione umana: traccia l'orientamento dei segmenti corporei per l'analisi dell'andatura e l'animazione.
  • Robotica e droni amatoriali: alternativa leggera ai Filtri di Kalman per la stima dell'assetto su Arduino, Raspberry Pi.

Come funziona

Come funziona

1

Raccogliere misurazioni da un IMU a 9 gradi di libertà (DOF): accelerometro a 3 assi, giroscopio a 3 assi e magnetometro a 3 assi a una frequenza di 50+ Hz.

2

Normalizzare i vettori dell'accelerometro e del magnetometro a lunghezza unitaria; memorizzare il vettore di velocità angolare grezza del giroscopio; applicare qualsiasi calibrazione nota del sensore (bias, fattore di scala).

3

Calcolare il gradiente dell'errore di misurazione rispetto al quaternione; far avanzare il quaternione nella direzione che minimizza l'errore (gradiente discendente); integrare la velocità angolare del giroscopio per prevedere l'evoluzione del quaternione.

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

Fondere la correzione del gradiente discendente con l'integrazione del giroscopio tramite un singolo parametro (beta) che controlla la forza della correzione; emettere il quaternione ad ogni aggiornamento.

5

Convertire il quaternione in angoli di Eulero (roll, pitch, yaw) o utilizzare direttamente il quaternione; riportare l'assetto; valutare la confidenza in base all'affidabilità del sensore e allo stato del movimento.

Errori comuni

  • Scegliere beta troppo alto causa rapida oscillazione e divergenza; troppo basso causa risposta lenta; l'intervallo tipico è 0.01–0.1, tarato empiricamente.
  • Ignorare la calibrazione del magnetometro; la distorsione da ferro dolce e ferro duro può causare errori di direzione; la calibrazione è critica per un yaw accurato.
  • Assumere che l'accelerometro sia sempre valido; durante accelerazioni intense, l'accelerometro non può essere utilizzato per la stima di roll/pitch; alcuni algoritmi rilevano e ignorano l'accelerometro durante le manovre.
  • Implementazione senza inizializzazione; l'algoritmo converge entro pochi secondi, ma è meglio inizializzarlo con il veicolo fermo (inizializzazione statica).

Domande frequenti

Come scelgo il parametro beta?

Beta controlla la velocità della correzione del gradiente discendente. Iniziare con beta = 0.041 (il valore usato da Madgwick). Se il filtro è lento (risponde lentamente al movimento), aumentare beta (fino a 0.1–0.5). Se il filtro oscilla o deriva, diminuire beta (fino a 0.01). Tarare empiricamente osservando la risposta dell'assetto a movimenti noti.

Qual è la differenza tra le varianti IMU (6 DOF) e MARG (9 DOF)?

La variante IMU utilizza solo accelerometro e giroscopio; fornisce roll e pitch, ma lo yaw deriva senza un riferimento. La variante MARG aggiunge il magnetometro per uno yaw assoluto; fornisce un assetto stabile a 3 DOF ma è sensibile alla distorsione magnetica. Utilizzare IMU per voli di breve durata; utilizzare MARG per navigazione stazionaria o lenta.

Posso eseguire il Filtro di Madgwick su un microcontrollore a 32 bit?

Sì. L'algoritmo è molto efficiente; un ARM Cortex-M4 può eseguirlo a oltre 200 Hz. Anche i microcontrollori a 8 bit (con librerie a virgola mobile) possono gestirne 50+ Hz. Le prestazioni dipendono dalla frequenza di clock e dal supporto a virgola mobile. Con aritmetica a virgola fissa, scala a processori molto più lenti.

Come rilevo il disturbo magnetico?

Monitorare la magnitudine del magnetometro; il campo terrestre è di circa 50 micro-Tesla; deviazioni maggiori indicano disturbo. Confrontare la direzione della bussola (dal magnetometro) con la direzione dall'integrazione del giroscopio; un ampio disaccordo segnala disturbo. Mitigazione: ignorare temporaneamente gli aggiornamenti del magnetometro durante il disturbo, o ridurne il peso (diminuire beta_m in alcune varianti).

Metodi correlati

Fonti

  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.

    Apri il riferimento della pubblicazione
    Copiato.
  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.

    Apri il riferimento della pubblicazione
    Copiato.
  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.

    Apri il riferimento DOI
    Copiato.