Filtro de Mahony
- Proposto por
- Robert Mahony
- Ano
- 2008
- Tipo
- Observer algorithm
- Família
- Complementary Filtering
Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês
O que ele faz?
O Filtro de Mahony é um observador complementar baseado em observador que funde medições de giroscópio, acelerômetro e magnetômetro para estimar a orientação quaterniônica.
Desenvolvido por Robert Mahony e colegas em 2008, o filtro combina a integração da taxa giroscópica com feedback corretivo de medições vetoriais (acelerômetro, bússola) usando princípios de controle proporcional-integral. O Filtro de Mahony oferece desempenho semelhante aos Filtros de Kalman, mas com implementação mais simples e menor custo computacional, tornando-o ideal para sistemas com recursos restritos e controle em tempo real.
A intuição por trás do método
Pense no Filtro de Mahony como um controlador em malha fechada onde o giroscópio fornece a estimativa em 'malha aberta' (rápida, mas com deriva) e o acelerômetro/bússola fornecem sinais de erro (lentos, mas estáveis). Um controlador proporcional-integral (PI) calcula correções e as realimenta no loop de integração do giroscópio. Altos ganhos giroscópicos proporcionam resposta rápida; altos ganhos de acelerômetro proporcionam estabilidade. Os dois são balanceados para alcançar tanto responsividade quanto atitude sem deriva.
História
Robert Mahony e colegas da Australian National University desenvolveram a abordagem de observador complementar por volta de 2008 enquanto trabalhavam no controle de quadricópteros. O método foi formalizado em vários artigos influentes sobre estimativa de atitude de multirotores. A formulação de Mahony unificou filtragem complementar clássica (usada em aeroespacial por décadas) com álgebra quaterniônica moderna e teoria de controle. O filtro tornou-se padrão na comunidade de autopilotos de código aberto (ArduPilot, PX4) e é amplamente utilizado em sistemas de pesquisa e comerciais.
Quando usar
Usar o Filtro de Mahony para estimativa de atitude em sistemas embarcados quando o Filtro de Kalman for muito complexo ou caro. Ideal para quadricópteros, multirotores e pilotos automáticos de aeronaves. Implementar quando se deseja uma alternativa fisicamente motivada e de fácil ajuste em relação ao Madgwick (que usa descida de gradiente). Adequado para loops de controle em tempo real que exigem baixa latência e estimativas estáveis. Usar quando se compreende controle proporcional-integral e se pode ajustar K_p, K_i.
Limitações e considerações
- O ajuste de K_p e K_i requer compreensão de teoria de controle e experimentação empírica.
- O desempenho é sensível ao ajuste; uma escolha inadequada de ganhos pode causar oscilação ou resposta lenta.
- O termo integral pode causar saturação (wind-up); erros grandes e sustentados se acumulam e causam overshoot; mitigação necessária.
- Assim como o Madgwick, a perturbação do magnetômetro afeta a precisão da direção; requer calibração e possivelmente detecção de perturbação.
As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.
Pontos fortes
- Fisicamente intuitivo; baseado em teoria de controle (feedback PI); mais fácil de entender e depurar do que a descida de gradiente.
- Estimativa explícita de viés giroscópico; o termo integral aprende e corrige o viés do sensor ao longo do tempo.
- Dois parâmetros de ajuste (K_p, K_i) têm significado físico claro (ganho proporcional e integral), ao contrário de beta no Madgwick.
- Custo computacional semelhante ao Madgwick; leve e adequado para sistemas embarcados.
Aplicações
- Controle de voo de quadricópteros e multirotores: estimador de atitude primário na maioria dos autopilotos de código aberto (ArduPilot, PX4).
- Piloto automático de aeronaves de asa fixa: referência de atitude em controladores de voo de UAV de baixo custo.
- Pesquisa em veículos aéreos não tripulados (UAV): filtro padrão em estudos acadêmicos de controle de movimento.
- Rastreamento de atitude e estabilização de embarcações marítimas: referência de atitude para piloto automático de navios e estabilização de rolagem.
- Rastreamento de orientação de robôs móveis: estimativa de orientação para robôs com rodas e pernas.
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; obter taxa giroscópica; aplicar calibração, se disponível.
Calcular a direção esperada da gravidade (para baixo) e do norte magnético (a partir da estimativa de atitude atual); comparar com as direções medidas; calcular o erro como produto vetorial (erro geométrico).
Fórmula
\dot{\vec{q}} = \frac{1}{2}\vec{q} \otimes \vec{\omega} + k_p \vec{e} + k_i \int \vec{e} dtAplicar correção proporcional (K_p * erro) e correção integral (K_i * integral(erro)) para estimar o viés do giroscópio; atualizar o quaternião usando a velocidade angular corrigida.
Saída do quaternião; converter para ângulos de Euler, se necessário; avaliar a confiança com base na magnitude do erro e na concordância dos sensores.
Erros comuns
- Escolher K_p e K_i muito altos causa oscilação e instabilidade; valores típicos são K_p ~ 1.0, K_i ~ 0.1, ajustados empiricamente.
- Esquecer de limitar o termo integral; a integração descontrolada pode acumular erros; introduzir limites de saturação integral.
- Assumir que o modelo de erro do acelerômetro é Gaussiano; perturbações não Gaussianas (vibração, impacto) podem corromper o filtro; estimadores robustos podem ser necessários.
- Implementar sem testar sob os perfis de movimento pretendidos; o ajuste do filtro depende da taxa de manobra esperada e da qualidade do sensor.
Perguntas frequentes
Como ajustar K_p e K_i?
K_p é o ganho proporcional (tipicamente 0.5–2.0); K_p mais alto significa correção mais rápida, mas risco de oscilação. K_i é o ganho integral (tipicamente 0.01–0.1); ele controla a taxa de correção de viés. Comece com K_p=1.0, K_i=0.1. Aumente K_p se o filtro atrasar em relação às manobras; diminua se oscilar. Aumente K_i se o desvio de viés for significativo; diminua se ocorrer saturação integral.
O que é saturação integral (integral wind-up) e como evitá-la?
A saturação integral ocorre quando o termo integral cresce sem limites durante um erro sustentado (por exemplo, perturbação do magnetômetro). Quando o erro finalmente desaparece, o filtro ultrapassa o valor alvo (overshoot). Evite saturando o termo integral (limitando-o entre valores) ou por integração condicional (integre apenas quando o erro for pequeno).
Qual a diferença entre os filtros de Mahony e Madgwick?
Mahony usa feedback PI com estimativa explícita de viés; Madgwick usa descida de gradiente. Mahony é baseado em teoria de controle; Madgwick em otimização. Ambos têm custo computacional semelhante. Mahony geralmente tem convergência de viés mais rápida; Madgwick é mais simples de implementar. Para apenas atitude (sem viés), eles têm desempenho semelhante.
O Mahony pode lidar com grandes acelerações?
Durante grandes acelerações, o acelerômetro mede a aceleração inercial + gravidade, causando erro de pitch/roll. O Filtro de Mahony assume que o acelerômetro aponta para baixo; grandes acelerações violam isso. Algumas implementações usam limiarização da magnitude da aceleração para reduzir o peso do acelerômetro durante manobras, melhorando a robustez.
Métodos relacionados
Fontes
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.
Abrir referência da publicaçãoCopiado.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.
Abrir referência DOICopiado.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.
Abrir referência DOICopiado.