Skip to content
Voltar aos resultados

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

Tamanho da fonte

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

1

Coletar medições de uma IMU de 9-DOF: acelerômetro de 3 eixos, giroscópio de 3 eixos e magnetômetro de 3 eixos a 50+ Hz.

2

Normalizar vetores de acelerômetro e magnetômetro; obter taxa giroscópica; aplicar calibração, se disponível.

3

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} dt
4

Aplicar 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.

5

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

  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.

    Abrir referência da publicação
    Copiado.
  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.

    Abrir referência DOI
    Copiado.
  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.

    Abrir referência DOI
    Copiado.