Filtro de Madgwick
- Proposto por
- Sebastian Madgwick
- Ano
- 2010
- Tipo
- Filter algorithm
- Família
- Gradient Descent Filtering
Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês
O que ele faz?
O Filtro de Madgwick é um algoritmo computacionalmente leve para estimação de atitude que funde medições inerciais (acelerômetro, giroscópio) com medições magnéticas (magnetômetro) para calcular uma orientação em quatérnios.
Introduzido por Sebastian Madgwick em 2010, o algoritmo utiliza otimização por descida de gradiente para minimizar o erro entre as saídas dos sensores medidas e esperadas, resultando em estimativas de atitude precisas e sem deriva em sistemas embarcados com custo computacional mínimo. O Filtro de Madgwick é agora ubíquo em eletrônicos de consumo, robótica e sistemas aeroespaciais.
A intuição por trás do método
A ideia é encontrar o quatérnio (orientação) que melhor explica as medições de sensores observadas. O acelerômetro e a bússola nos dizem onde estão a gravidade e o norte magnético; o giroscópio nos diz a que velocidade estamos girando. O algoritmo calcula uma direção (gradiente) de ajuste de atitude que aproxima os vetores estimado e medido, e então dá um pequeno passo nessa direção. Repetido muitas vezes por segundo, isso produz uma estimativa de atitude suave e em tempo real que não deriva.
História
Sebastian Madgwick desenvolveu o algoritmo por volta de 2010 enquanto pesquisava captura de movimento e análise de movimento humano. O algoritmo foi publicado na IEEE International Conference on Rehabilitation Robotics em 2011 e lançado como código de código aberto. Ganhou rápida adoção nas comunidades de robótica DIY e maker devido à sua simplicidade e eficácia. Grandes empresas de eletrônicos de consumo (smartphones, headsets VR, rastreadores de fitness) adotaram variantes. O Filtro de Madgwick permanece popular em sistemas embarcados e educação, servindo frequentemente como introdução à fusão de sensores para estudantes.
Quando usar
Usar o Filtro de Madgwick quando você precisa de estimação de atitude leve e em tempo real em dispositivos com recursos limitados (microcontroladores, telefones móveis, vestíveis). Ideal para aplicações onde a complexidade do Filtro de Kalman é excessiva. Eficaz em ambientes internos e externos, em veículos, drones e vestíveis. Implementar quando você tem uma IMU de 9-DOF e deseja evitar o ajuste de múltiplos parâmetros do Filtro de Kalman. Usar para eletrônicos de consumo, robótica amadora e sistemas de controle em tempo real.
Limitações e considerações
- Heurístico, não ótimo; não minimiza nenhuma função de custo formal (ao contrário do Filtro de Kalman).
- O desempenho depende criticamente de beta (tamanho do passo); sem adaptação automática se a qualidade do sensor ou o movimento mudarem.
- Perturbação do magnetômetro pode corromper a direção; requer calibração manual; não detecta nem rejeita automaticamente medições ruins.
- Grandes acelerações (na variante MARG) causam erros temporários à medida que o acelerômetro se desalinha com a gravidade; a recuperação do filtro é heurística, não baseada em princípios.
As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.
Pontos fortes
- Custo computacional mínimo; implementado em < 100 linhas de código; roda em microcontroladores e processadores móveis.
- Não requer matrizes ou álgebra linear complexa; apenas álgebra de quatérnios e produtos escalares.
- Fornece variantes apenas IMU (6-DOF) e MARG (9-DOF); adaptável aos sensores disponíveis.
- Parâmetro de ajuste único (beta) facilita a personalização; sem matrizes de covariância ou inversões de matrizes.
Aplicações
- Rastreamento de movimento de smartphones e vestíveis: permite reconhecimento de gestos de movimento e realidade aumentada sem computação pesada.
- Estabilização de quadricópteros e drones: fornece estimativas de roll, pitch, yaw para controle de voo em autopilotos com recursos limitados.
- Rastreamento de movimento de headsets de realidade virtual (VR): orientação da cabeça em tempo real para displays imersivos.
- Captura de movimento e animação humana: rastreia a orientação de segmentos corporais para análise de marcha e animação.
- Robótica e drones amadores: alternativa leve aos Filtros de Kalman para estimação de atitude em Arduino, Raspberry Pi.
Como funciona
Como funciona
Coletar medições de uma IMU de 9-DOF: acelerômetro de 3 eixos, giroscópio de 3 eixos e magnetômetro de 3 eixos a 50+ Hz.
Normalizar vetores de acelerômetro e magnetômetro para comprimento unitário; armazenar vetor de taxa bruta do giroscópio; aplicar qualquer calibração de sensor conhecida (bias, fator de escala).
Calcular o gradiente do erro de medição em relação ao quatérnio; dar um passo no quatérnio na direção que minimiza o erro (descida de gradiente); integrar a taxa do giroscópio para prever a evolução do quatérnio.
Fórmula
\nabla f = \frac{\partial f}{\partial \vec{q}}Combinar a correção por descida de gradiente com a integração do giroscópio através de um único parâmetro (beta) que controla a força da correção; emitir quatérnio a cada atualização.
Converter quatérnio para ângulos de Euler (roll, pitch, yaw) ou usar quatérnio diretamente; reportar atitude; avaliar a confiança com base na confiabilidade do sensor e no estado do movimento.
Erros comuns
- Escolher beta muito alto causa oscilação rápida e divergência; muito baixo causa resposta lenta; a faixa típica é de 0.01–0.1, ajustada empiricamente.
- Ignorar a calibração do magnetômetro; distorção de ferro macio e ferro duro pode causar erros de direção; a calibração é crítica para um yaw preciso.
- Assumir que o acelerômetro é sempre válido; durante aceleração intensa, o acelerômetro não pode ser usado para estimativa de roll/pitch; alguns algoritmos detectam e ignoram o acelerômetro durante manobras.
- Implementar sem inicialização; o algoritmo converge em segundos, mas é melhor inicializá-lo com o veículo parado (inicialização estática).
Perguntas frequentes
Como escolho o parâmetro beta?
Beta controla a taxa de correção por descida de gradiente. Comece com beta = 0.041 (o valor que Madgwick usou). Se o filtro estiver lento (demora para responder ao movimento), aumente beta (até 0.1–0.5). Se o filtro oscilar ou derivar, diminua beta (até 0.01). Ajuste empiricamente observando a resposta da atitude a movimentos conhecidos.
Qual a diferença entre as variantes IMU (6-DOF) e MARG (9-DOF)?
A variante IMU usa apenas acelerômetro e giroscópio; fornece roll e pitch, mas o yaw deriva sem uma referência. A variante MARG adiciona magnetômetro para yaw absoluto; fornece atitude 3-DOF estável, mas é sensível à distorção magnética. Use IMU para voos de curta duração; use MARG para navegação estacionária ou lenta.
Posso executar o Filtro de Madgwick em um microcontrolador de 32 bits?
Sim. O algoritmo é muito eficiente; ARM Cortex-M4 pode executá-lo a 200+ Hz. Mesmo microcontroladores de 8 bits (com bibliotecas de ponto flutuante) podem gerenciar 50+ Hz. O desempenho depende da taxa de clock e do suporte a ponto flutuante. Com aritmética de ponto fixo, ele escala para processadores muito mais lentos.
Como detecto perturbação magnética?
Monitore a magnitude do magnetômetro; o campo da Terra é de ~50 micro-Tesla; desvios maiores indicam distorção. Compare a direção da bússola (do magnetômetro) com a direção da integração do giroscópio; um grande desacordo sinaliza perturbação. Mitigação: ignore temporariamente as atualizações do magnetômetro durante a perturbação, ou reduza seu peso (diminuindo beta_m em algumas variantes).
Métodos relacionados
Fontes
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.
Abrir referência da publicaçãoCopiado.Madgwick, S. O. H. (2010). An efficient orientation filter for inertial and inertial/magnetic sensor arrays. Report x-io Technologies, University of Bristol, UK.
Abrir referência da publicaçãoCopiado.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.
Abrir referência DOICopiado.