Filtr Mahony
- Autor metody
- Robert Mahony
- Rok
- 2008
- Typ
- Observer algorithm
- Rodzina
- Complementary Filtering
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Filtr Mahony jest komplementarnym obserwatorem opartym na zasadzie obserwatora, który łączy pomiary z żyroskopu, akcelerometru i magnetometru w celu estymacji orientacji za pomocą kwaternionów.
Opracowany przez Roberta Mahony'ego i współpracowników w 2008 roku, filtr łączy integrację prędkości żyroskopowej z korekcyjnym sprzężeniem zwrotnym od pomiarów wektorowych (akcelerometr, kompas) przy użyciu zasad sterowania proporcjonalno-całkującego. Filtr Mahony zapewnia podobną wydajność do filtrów Kalmana, ale z prostszą implementacją i niższym kosztem obliczeniowym, co czyni go idealnym dla systemów o ograniczonych zasobach i sterowania w czasie rzeczywistym.
Intuicja stojąca za metodą
Filtr Mahony można traktować jako regulator z zamkniętą pętlą, gdzie żyroskop dostarcza estymację 'w otwartej pętli' (szybką, ale dryfującą), a akcelerometr/kompas dostarczają sygnały błędu (wolne, ale stabilne). Regulator proporcjonalno-całkujący (PI) oblicza korekty i przesyła je z powrotem do pętli integracji żyroskopu. Wysokie wzmocnienia żyroskopu zapewniają szybką reakcję; wysokie wzmocnienia akcelerometru zapewniają stabilność. Te dwa parametry są równoważone, aby osiągnąć zarówno szybkość reakcji, jak i stabilność orientacji bez dryfu.
Historia
Robert Mahony i współpracownicy z Australian National University opracowali podejście komplementarnego obserwatora około 2008 roku podczas pracy nad sterowaniem quadrokopterami. Metoda została sformalizowana w kilku wpływowych publikacjach dotyczących estymacji orientacji wielowirnikowców. Formuła Mahony'ego połączyła klasyczne filtrowanie komplementarne (stosowane w lotnictwie od dziesięcioleci) z nowoczesną algebrą kwaternionów i teorią sterowania. Filtr stał się standardem w społeczności autopilotów open-source (ArduPilot, PX4) i jest szeroko stosowany w systemach badawczych i komercyjnych.
Kiedy stosować
Używaj Filtru Mahony do estymacji orientacji w systemach wbudowanych, gdy Filtr Kalmana jest zbyt skomplikowany lub kosztowny. Idealny dla quadrokopterów, wielowirnikowców i autopilotów samolotów. Wdróż, gdy chcesz fizycznie uzasadnioną, łatwą do dostrojenia alternatywę dla filtra Madgwicka (który wykorzystuje metodę spadku gradientu). Nadaje się do pętli sterowania w czasie rzeczywistym wymagających niskiego opóźnienia i stabilnych estymacji. Używaj, gdy rozumiesz sterowanie proporcjonalno-całkujące i potrafisz dostroić K_p, K_i.
Ograniczenia i uwagi
- Strojenie K_p i K_i wymaga zrozumienia teorii sterowania i eksperymentów empirycznych.
- Wydajność wrażliwa na strojenie; złe dobranie wzmocnień może spowodować oscylacje lub powolną reakcję.
- Człon całkujący może powodować zjawisko 'wind-up'; duże, trwałe błędy kumulują się i powodują przeregulowanie; potrzebne są środki zaradcze.
- Podobnie jak w filtrze Madgwicka, zakłócenia pola magnetycznego wpływają na dokładność kursu; wymaga kalibracji i ewentualnie detekcji zakłóceń.
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Fizycznie intuicyjny; oparty na teorii sterowania (sprzężenie zwrotne PI); łatwiejszy do zrozumienia i debugowania niż metoda spadku gradientu.
- Jawna estymacja dryfu żyroskopu; człon całkujący uczy się i koryguje dryf czujnika w czasie.
- Dwa parametry strojenia (K_p, K_i) mają jasne znaczenie fizyczne (wzmocnienie proporcjonalne i całkujące) w przeciwieństwie do parametru beta w filtrze Madgwicka.
- Podobny koszt obliczeniowy do filtra Madgwicka; lekki i odpowiedni dla systemów wbudowanych.
Zastosowania
- Sterowanie lotem quadkopterów i wielowirnikowców: główny estymator orientacji w większości autopilotów open-source (ArduPilot, PX4).
- Autopilot samolotów o stałym skrzydle: odniesienie orientacji w tanich kontrolerach lotu UAV.
- Badania nad bezzałogowymi statkami powietrznymi (UAV): standardowy filtr w akademickich badaniach nad sterowaniem ruchem.
- Orientacja i stabilizacja statków morskich: odniesienie orientacji dla autopilotów okrętowych i stabilizacji przechyłów.
- Śledzenie orientacji robotów mobilnych: estymacja orientacji dla robotów kołowych i kroczących.
Jak to działa
Jak to działa
Zbieranie pomiarów z IMU 9-DOF: 3-osiowy akcelerometr, 3-osiowy żyroskop i 3-osiowy magnetometr z częstotliwością 50+ Hz.
Normalizacja wektorów akcelerometru i magnetometru; uzyskanie prędkości żyroskopowej; zastosowanie kalibracji, jeśli jest dostępna.
Obliczenie oczekiwanego kierunku grawitacji (w dół) i północnego pola magnetycznego (na podstawie bieżącej estymacji orientacji); porównanie z mierzonymi kierunkami; obliczenie błędu jako iloczynu wektorowego (błąd geometryczny).
Wzór
\dot{\vec{q}} = \frac{1}{2}\vec{q} \otimes \vec{\omega} + k_p \vec{e} + k_i \int \vec{e} dtZastosowanie korekty proporcjonalnej (K_p * błąd) i korekty całkującej (K_i * integral(błąd)) do estymacji dryfu żyroskopu; aktualizacja kwaternionu przy użyciu skorygowanej prędkości kątowej.
Wyjście kwaternionu; konwersja do kątów Eulera, jeśli jest potrzebna; ocena pewności na podstawie wielkości błędu i zgodności czujników.
Częste pułapki
- Ustawienie zbyt wysokich wartości K_p i K_i powoduje oscylacje i niestabilność; typowe wartości to K_p ~ 1.0, K_i ~ 0.1, dostrajane empirycznie.
- Zapomnienie o ograniczeniu członu całkującego; niekontrolowana integracja może kumulować błędy; wprowadzenie ograniczeń dla zjawiska 'wind-up'.
- Założenie, że model błędu akcelerometru jest gaussowski; niegaussowskie zakłócenia (wibracje, uderzenia) mogą zanieczyścić filtr; mogą być potrzebne solidne estymatory.
- Wdrożenie bez testowania w zamierzonych profilach ruchu; strojenie filtra zależy od oczekiwanej szybkości manewrowania i jakości czujników.
Najczęściej zadawane pytania
Jak dostroić K_p i K_i?
K_p to wzmocnienie proporcjonalne (zazwyczaj 0.5–2.0); wyższe K_p oznacza szybszą korektę, ale ryzyko oscylacji. K_i to wzmocnienie całkujące (zazwyczaj 0.01–0.1); kontroluje ono szybkość korekty dryfu. Zacznij od K_p=1.0, K_i=0.1. Zwiększ K_p, jeśli filtr nie nadąża za manewrami; zmniejsz, jeśli oscyluje. Zwiększ K_i, jeśli dryf jest znaczący; zmniejsz, jeśli występuje zjawisko 'wind-up'.
Czym jest zjawisko 'integral wind-up' i jak mu zapobiec?
Zjawisko 'integral wind-up' występuje, gdy człon całkujący rośnie nieograniczenie podczas trwałego błędu (np. zakłócenia pola magnetycznego). Gdy błąd w końcu ustępuje, filtr przeregulowuje. Zapobiegaj poprzez saturację członu całkującego (ograniczenie go między wartościami granicznymi) lub poprzez warunkową integrację (integruj tylko wtedy, gdy błąd jest mały).
Jaka jest różnica między filtrami Mahony a Madgwicka?
Filtr Mahony wykorzystuje sprzężenie zwrotne PI z jawną estymacją dryfu; filtr Madgwicka wykorzystuje metodę spadku gradientu. Filtr Mahony opiera się na teorii sterowania; filtr Madgwicka na optymalizacji. Oba mają podobny koszt obliczeniowy. Filtr Mahony zazwyczaj ma szybszą zbieżność estymacji dryfu; filtr Madgwicka jest prostszy w implementacji. Dla samej orientacji (bez dryfu) działają podobnie.
Czy filtr Mahony radzi sobie z dużymi przyspieszeniami?
Podczas dużych przyspieszeń akcelerometr mierzy przyspieszenie bezwładnościowe + grawitację, powodując błąd w nachyleniu/przechyle. Filtr Mahony zakłada, że akcelerometr wskazuje w dół; duże przyspieszenia naruszają to założenie. Niektóre implementacje wykorzystują progowanie wielkości przyspieszenia, aby zmniejszyć wagę akcelerometru podczas manewrów, poprawiając odporność.
Pokrewne metody
Źródła
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.
Otwórz odnośnik do publikacjiSkopiowano.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.
Otwórz odnośnik DOISkopiowano.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.
Otwórz odnośnik DOISkopiowano.