Skip to content
Torna ai risultati

Filtro di Mahony

Introdotto da
Robert Mahony
Anno
2008
Tipo
Observer algorithm
Famiglia
Complementary 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 Mahony è un filtro di assetto complementare basato su osservatore che fonde le misurazioni di giroscopio, accelerometro e magnetometro per stimare l'orientamento in quaternioni.

Sviluppato da Robert Mahony e colleghi nel 2008, il filtro combina l'integrazione della velocità del giroscopio con un feedback correttivo dalle misurazioni vettoriali (accelerometro, bussola) utilizzando principi di controllo proporzionale-integrale. Il filtro di Mahony offre prestazioni simili ai filtri di Kalman ma con un'implementazione più semplice e un costo computazionale inferiore, rendendolo ideale per sistemi con risorse limitate e controllo in tempo reale.

L’intuizione alla base del metodo

Si pensi al filtro di Mahony come a un controllore a ciclo chiuso in cui il giroscopio fornisce la stima 'ad anello aperto' (veloce ma soggetta a deriva) e l'accelerometro/bussola forniscono segnali di errore (lenti ma stabili). Un controllore proporzionale-integrale (PI) calcola le correzioni e le re-immette nel ciclo di integrazione del giroscopio. Guadagni elevati del giroscopio danno una risposta rapida; guadagni elevati dell'accelerometro forniscono stabilità. I due sono bilanciati per ottenere sia reattività che un assetto privo di deriva.

Storia

Robert Mahony e colleghi dell'Australian National University hanno sviluppato l'approccio dell'osservatore complementare intorno al 2008 mentre lavoravano al controllo dei quadricotteri. Il metodo è stato formalizzato in diversi articoli influenti sulla stima dell'assetto dei multirotori. La formulazione di Mahony ha unificato il filtraggio complementare classico (utilizzato in campo aerospaziale per decenni) con la moderna algebra dei quaternioni e la teoria del controllo. Il filtro è diventato uno standard nella comunità degli autopiloti open-source (ArduPilot, PX4) ed è ampiamente utilizzato in sistemi di ricerca e commerciali.

Quando usarlo

Utilizzare il filtro di Mahony per la stima dell'assetto su sistemi embedded quando il filtro di Kalman è troppo complesso o costoso. Ideale per quadricotteri, multirotori e autopiloti di aeromobili. Implementare quando si desidera un'alternativa fisicamente motivata e facilmente sintonizzabile a Madgwick (che utilizza la discesa del gradiente). Adatto per cicli di controllo in tempo reale che richiedono bassa latenza e stime stabili. Utilizzare quando si comprende il controllo proporzionale-integrale e si possono sintonizzare K_p, K_i.

Limiti e considerazioni

  • La sintonizzazione di K_p e K_i richiede la comprensione della teoria del controllo e la sperimentazione empirica.
  • Le prestazioni sono sensibili alla sintonizzazione; una scelta errata dei guadagni può causare oscillazioni o una risposta lenta.
  • Il termine integrale può causare wind-up; errori grandi e prolungati si accumulano e causano overshoot; è necessaria una mitigazione.
  • Come Madgwick, la perturbazione del magnetometro influisce sull'accuratezza della rotta; richiede calibrazione e possibilmente rilevamento delle perturbazioni.

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

Punti di forza

  • Fisicamente intuitivo; basato sulla teoria del controllo (feedback PI); più facile da comprendere e debuggare rispetto alla discesa del gradiente.
  • Stima esplicita del bias del giroscopio; il termine integrale apprende e corregge il bias del sensore nel tempo.
  • Due parametri di sintonizzazione (K_p, K_i) hanno un chiaro significato fisico (guadagno proporzionale e integrale) a differenza di beta in Madgwick.
  • Costo computazionale simile a Madgwick; leggero e adatto per sistemi embedded.

Applicazioni

  • Controllo di volo di quadricotteri e multirotori: stimatore di assetto primario nella maggior parte degli autopiloti open-source (ArduPilot, PX4).
  • Autopilota per aeromobili ad ala fissa: riferimento di assetto nei controllori di volo UAV a basso costo.
  • Ricerca sui veicoli aerei senza pilota (UAV): filtro standard negli studi accademici sul controllo del movimento.
  • Rilevamento e stabilizzazione della rotta delle imbarcazioni marine: riferimento di assetto per l'autopilota navale e la stabilizzazione del rollio.
  • Tracciamento dell'orientamento dei robot mobili: stima dell'orientamento per robot su ruote e a gambe.

Come funziona

Come funziona

1

Raccogliere le misurazioni da una IMU a 9-DOF: accelerometro a 3 assi, giroscopio a 3 assi e magnetometro a 3 assi a 50+ Hz.

2

Normalizzare i vettori dell'accelerometro e del magnetometro; ottenere la velocità del giroscopio; applicare la calibrazione se disponibile.

3

Calcolare la direzione attesa della gravità (verso il basso) e del nord magnetico (dalla stima corrente dell'assetto); confrontare con le direzioni misurate; calcolare l'errore come prodotto vettoriale (errore geometrico).

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

Applicare la correzione proporzionale (K_p * errore) e la correzione integrale (K_i * integrale(errore)) per stimare il bias del giroscopio; aggiornare il quaternione usando la velocità angolare corretta.

5

Output del quaternione; convertire in angoli di Eulero se necessario; valutare la confidenza basata sull'ampiezza dell'errore e sulla concordanza dei sensori.

Errori comuni

  • Scegliere K_p e K_i troppo alti causa oscillazioni e instabilità; i valori tipici sono K_p ~ 1.0, K_i ~ 0.1, sintonizzati empiricamente.
  • Dimenticare di limitare il termine integrale; un'integrazione incontrollata può accumulare errori; introdurre limiti di wind-up integrale.
  • Assumere che il modello di errore dell'accelerometro sia Gaussiano; disturbi non Gaussiani (vibrazioni, impatti) possono corrompere il filtro; potrebbero essere necessari stimatori robusti.
  • Implementare senza testare sotto i profili di movimento previsti; la sintonizzazione del filtro dipende dalla velocità di manovra attesa e dalla qualità del sensore.

Domande frequenti

Come si sintonizzano K_p e K_i?

K_p è il guadagno proporzionale (tipicamente 0.5–2.0); un K_p più alto significa una correzione più rapida ma rischio di oscillazione. K_i è il guadagno integrale (tipicamente 0.01–0.1); controlla la velocità di correzione del bias. Iniziare con K_p=1.0, K_i=0.1. Aumentare K_p se il filtro è in ritardo rispetto alle manovre; diminuire se oscilla. Aumentare K_i se la deriva del bias è significativa; diminuire se si verifica il wind-up integrale.

Cos'è il wind-up integrale e come si previene?

Il wind-up integrale si verifica quando il termine integrale cresce illimitatamente durante un errore prolungato (ad esempio, perturbazione del magnetometro). Quando l'errore finalmente si risolve, il filtro supera il valore desiderato (overshoot). Prevenire saturando il termine integrale (limitandolo tra valori massimi e minimi) o tramite integrazione condizionale (integrare solo quando l'errore è piccolo).

Qual è la differenza tra i filtri Mahony e Madgwick?

Mahony utilizza il feedback PI con stima esplicita del bias; Madgwick utilizza la discesa del gradiente. Mahony si basa sulla teoria del controllo; Madgwick sull'ottimizzazione. Entrambi hanno un costo computazionale simile. Mahony ha tipicamente una convergenza del bias più rapida; Madgwick è più semplice da implementare. Per il solo assetto (senza bias), si comportano in modo simile.

Mahony può gestire grandi accelerazioni?

Durante grandi accelerazioni, l'accelerometro misura l'accelerazione inerziale + gravità, causando errori di beccheggio/rollio. Il filtro di Mahony assume che l'accelerometro punti verso il basso; grandi accelerazioni violano questa assunzione. Alcune implementazioni utilizzano una soglia di magnitudine dell'accelerazione per ridurre il peso dell'accelerometro durante le manovre, migliorando la robustezza.

Metodi correlati

Fonti

  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.

    Apri il riferimento della pubblicazione
    Copiato.
  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.

    Apri il riferimento DOI
    Copiato.
  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.

    Apri il riferimento DOI
    Copiato.