Skip to content
Назад к результатам поиска

Фильтр Махони

Автор метода
Robert Mahony
Год
2008
Тип
Observer algorithm
Семейство
Complementary Filtering

Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском

Размер шрифта

Что он делает?

Фильтр Махони — это комплементарный наблюдатель для оценки ориентации по кватернионам, который объединяет данные гироскопа, акселерометра и магнитометра.

Разработанный Робертом Махони и его коллегами в 2008 году, фильтр сочетает интегрирование угловой скорости гироскопа с коррекцией на основе векторных измерений (акселерометр, компас) с использованием принципов пропорционально-интегрального (ПИ) управления. Фильтр Махони обеспечивает производительность, сравнимую с фильтрами Калмана, но при более простой реализации и меньших вычислительных затратах, что делает его идеальным для систем с ограниченными ресурсами и систем реального времени.

Интуиция метода

Фильтр Махони можно рассматривать как систему с обратной связью, где гироскоп обеспечивает оценку 'в разомкнутом контуре' (быструю, но подверженную дрейфу), а акселерометр/компас предоставляют сигналы ошибки (медленные, но стабильные). ПИ-регулятор вычисляет коррекции и передает их обратно в контур интегрирования гироскопа. Высокие коэффициенты усиления гироскопа обеспечивают быструю реакцию; высокие коэффициенты усиления акселерометра обеспечивают стабильность. Эти два параметра балансируются для достижения как отзывчивости, так и отсутствия дрейфа ориентации.

История

Роберт Махони и его коллеги из Австралийского национального университета разработали подход комплементарного наблюдателя примерно в 2008 году, работая над управлением квадрокоптерами. Метод был формализован в нескольких влиятельных статьях по оценке ориентации мультикоптеров. Формулировка Махони объединила классическую комплементарную фильтрацию (используемую в аэрокосмической отрасли десятилетиями) с современной кватернионной алгеброй и теорией управления. Фильтр стал стандартом в сообществе разработчиков автопилотов с открытым исходным кодом (ArduPilot, PX4) и широко используется в исследовательских и коммерческих системах.

Когда применять

Используйте фильтр Махони для оценки ориентации на встраиваемых системах, когда фильтр Калмана слишком сложен или дорог. Идеально подходит для квадрокоптеров, мультикоптеров и автопилотов летательных аппаратов. Применяйте, когда требуется физически обоснованная, легко настраиваемая альтернатива фильтру Мадвика (который использует градиентный спуск). Подходит для контуров управления реального времени, требующих низкой задержки и стабильных оценок. Используйте, когда вы понимаете пропорционально-интегральное управление и можете настраивать K_p, K_i.

Ограничения и замечания

  • Настройка K_p и K_i требует понимания теории управления и эмпирических экспериментов.
  • Производительность чувствительна к настройке; неправильный выбор коэффициентов усиления может вызвать колебания или вялую реакцию.
  • Интегральный член может вызвать насыщение (wind-up); большие, устойчивые ошибки накапливаются и вызывают перерегулирование; требуется смягчение.
  • Как и в фильтре Мадвика, возмущения магнитометра влияют на точность курса; требуется калибровка и, возможно, обнаружение возмущений.

Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.

Сильные стороны

  • Физически интуитивно понятен; основан на теории управления (ПИ-обратная связь); проще для понимания и отладки, чем градиентный спуск.
  • Явная оценка смещения гироскопа; интегральный член со временем обучается и корректирует смещение датчика.
  • Два параметра настройки (K_p, K_i) имеют четкий физический смысл (пропорциональное и интегральное усиление) в отличие от бета в фильтре Мадвика.
  • Сравнительная вычислительная сложность с фильтром Мадвика; легковесный и подходит для встраиваемых систем.

Применение

  • Управление полетом квадрокоптеров и мультикоптеров: основной оценщик ориентации в большинстве автопилотов с открытым исходным кодом (ArduPilot, PX4).
  • Автопилот самолетов с неподвижным крылом: эталон ориентации в недорогих системах управления полетом БПЛА.
  • Исследования беспилотных летательных аппаратов (БПЛА): стандартный фильтр в академических исследованиях систем управления движением.
  • Определение курса и стабилизация морских судов: эталон ориентации для автопилотов кораблей и стабилизации качки.
  • Отслеживание ориентации мобильных роботов: оценка ориентации для колесных и шагающих роботов.

Как это работает

Как это работает

1

Сбор измерений с 9-DOF IMU: 3-осевой акселерометр, 3-осевой гироскоп и 3-осевой магнитометр с частотой 50+ Гц.

2

Нормализация векторов акселерометра и магнитометра; получение угловой скорости гироскопа; применение калибровки при наличии.

3

Вычисление ожидаемого направления силы тяжести (вниз) и магнитного севера (из текущей оценки ориентации); сравнение с измеренными направлениями; вычисление ошибки как векторного произведения (геометрическая ошибка).

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

Применение пропорциональной коррекции (K_p * ошибка) и интегральной коррекции (K_i * интеграл(ошибка)) для оценки смещения гироскопа; обновление кватерниона с использованием скорректированной угловой скорости.

5

Вывод кватерниона; преобразование в углы Эйлера при необходимости; оценка достоверности на основе величины ошибки и согласованности датчиков.

Частые ошибки

  • Выбор K_p и K_i слишком высоким вызывает колебания и нестабильность; типичные значения: K_p ~ 1.0, K_i ~ 0.1, настраиваются эмпирически.
  • Забывание ограничить интегральный член; неконтролируемая интеграция может накапливать ошибки; введение пределов насыщения интеграла.
  • Предположение о гауссовости модели ошибки акселерометра; негауссовы возмущения (вибрация, удар) могут исказить фильтр; могут потребоваться робастные оценщики.
  • Развертывание без тестирования в предполагаемых режимах движения; настройка фильтра зависит от ожидаемой скорости маневрирования и качества датчиков.

Часто задаваемые вопросы

Как настроить K_p и K_i?

K_p — пропорциональный коэффициент усиления (обычно 0.5–2.0); более высокое K_p означает более быструю коррекцию, но риск колебаний. K_i — интегральный коэффициент усиления (обычно 0.01–0.1); он контролирует скорость коррекции смещения. Начните с K_p=1.0, K_i=0.1. Увеличьте K_p, если фильтр отстает от маневров; уменьшите, если он колеблется. Увеличьте K_i, если дрейф смещения значителен; уменьшите, если происходит насыщение интеграла.

Что такое насыщение интеграла (integral wind-up) и как его предотвратить?

Насыщение интеграла происходит, когда интегральный член неограниченно растет при устойчивой ошибке (например, при возмущении магнитометра). Когда ошибка наконец устраняется, фильтр перерегулирует. Предотвратить это можно, ограничивая интегральный член (установив пределы) или с помощью условной интеграции (интегрировать только при небольшой ошибке).

В чем разница между фильтрами Махони и Мадвика?

Фильтр Махони использует ПИ-обратную связь с явной оценкой смещения; фильтр Мадвика использует градиентный спуск. Фильтр Махони основан на теории управления; фильтр Мадвика — на оптимизации. Оба имеют схожую вычислительную сложность. Фильтр Махони обычно имеет более быструю сходимость смещения; фильтр Мадвика проще в реализации. Для оценки только ориентации (без смещения) они работают схожим образом.

Может ли фильтр Махони обрабатывать большие ускорения?

При больших ускорениях акселерометр измеряет инерционное ускорение + силу тяжести, вызывая ошибку тангажа/крена. Фильтр Махони предполагает, что акселерометр направлен вниз; большие ускорения нарушают это предположение. Некоторые реализации используют пороговое значение величины ускорения, чтобы уменьшить влияние акселерометра во время маневров, повышая робастность.

Похожие методы

Источники

  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.

    Открыть ссылку на публикацию
    Скопировано.
  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.

    Открыть ссылку DOI
    Скопировано.
  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.

    Открыть ссылку DOI
    Скопировано.