ฟิลเตอร์มาโฮนี
- ผู้เสนอ
- Robert Mahony
- ปี
- 2008
- ประเภท
- Observer algorithm
- กลุ่มวิธี
- Complementary Filtering
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
ฟิลเตอร์มาโฮนี (Mahony Filter) เป็นออบเซิร์ฟเวอร์แบบเสริม (complementary observer) ที่ใช้ในการประมาณค่าทัศนคติ (attitude) โดยการรวมข้อมูลการวัดจากไจโรสโคป, มาตรความเร่ง, และมาตรทิศ เพื่อประมาณค่าควอเทอร์เนียน (quaternion) ของทิศทาง. พัฒนาโดย โรเบิร์ต มาโฮนี และคณะในปี 2008 ฟิลเตอร์นี้รวมการอินทิเกรตอัตราไจโรสโคปเข้ากับการแก้ไขข้อผิดพลาดจากการวัดแบบเวกเตอร์ (มาตรความเร่ง, เข็มทิศ) โดยใช้หลักการควบคุมแบบสัดส่วน-ปริพันธ์ (proportional-integral control). ฟิลเตอร์มาโฮนีให้ประสิทธิภาพที่คล้ายคลึงกับฟิลเตอร์คาลมาน (Kalman Filters) แต่มีการนำไปใช้งานที่ง่ายกว่าและใช้ต้นทุนการคำนวณต่ำกว่า ทำให้เหมาะสำหรับระบบที่มีข้อจำกัดด้านทรัพยากรและการควบคุมแบบเรียลไทม์.
แนวคิดเบื้องหลังวิธีการ
ลองนึกภาพฟิลเตอร์มาโฮนีว่าเป็นตัวควบคุมแบบวงปิด (closed-loop controller) โดยไจโรสโคปให้ค่าประมาณแบบ 'วงเปิด' (open-loop) (รวดเร็วแต่มีการเลื่อนไหล) และมาตรความเร่ง/เข็มทิศให้สัญญาณข้อผิดพลาด (ช้าแต่เสถียร). ตัวควบคุมแบบสัดส่วน-ปริพันธ์ (PI) จะคำนวณค่าแก้ไขและป้อนกลับไปยังวงรอบการอินทิเกรตของไจโรสโคป. ค่าเกน (gain) ของไจโรสโคปที่สูงจะให้การตอบสนองที่รวดเร็ว; ค่าเกนของมาตรความเร่งที่สูงจะให้ความเสถียร. ทั้งสองค่าจะถูกปรับสมดุลเพื่อให้ได้ทั้งการตอบสนองและความเสถียรของทัศนคติที่ปราศจากการเลื่อนไหล.
ประวัติศาสตร์
โรเบิร์ต มาโฮนี และคณะที่ Australian National University ได้พัฒนาแนวทางออบเซิร์ฟเวอร์แบบเสริม (complementary observer) ราวปี 2008 ขณะทำงานเกี่ยวกับการควบคุมควอดคอปเตอร์. วิธีการนี้ได้รับการจัดรูปแบบในเอกสารสำคัญหลายฉบับเกี่ยวกับการประมาณทัศนคติของมัลติโรเตอร์. สูตรของมาโฮนีได้รวมเอาฟิลเตอร์แบบเสริมคลาสสิก (complementary filtering) (ที่ใช้ในอุตสาหกรรมการบินและอวกาศมานานหลายทศวรรษ) เข้ากับพีชคณิตควอเทอร์เนียนสมัยใหม่และทฤษฎีการควบคุม. ฟิลเตอร์นี้กลายเป็นมาตรฐานในชุมชนระบบนักบินอัตโนมัติแบบโอเพนซอร์ส (ArduPilot, PX4) และถูกนำไปใช้อย่างแพร่หลายในการวิจัยและระบบเชิงพาณิชย์.
ควรใช้เมื่อใด
ใช้ฟิลเตอร์มาโฮนีสำหรับการประมาณทัศนคติบนระบบฝังตัว (embedded systems) เมื่อฟิลเตอร์คาลมานซับซ้อนหรือมีค่าใช้จ่ายสูงเกินไป. เหมาะสำหรับควอดคอปเตอร์, มัลติโรเตอร์, และระบบนักบินอัตโนมัติของอากาศยาน. นำไปใช้เมื่อต้องการทางเลือกที่อิงตามหลักการทางกายภาพและปรับแต่งได้ง่าย แทนที่ Madgwick (ซึ่งใช้ gradient descent). เหมาะสำหรับวงรอบการควบคุมแบบเรียลไทม์ที่ต้องการความหน่วงต่ำและการประมาณค่าที่เสถียร. ใช้เมื่อคุณเข้าใจการควบคุมแบบสัดส่วน-ปริพันธ์และสามารถปรับแต่ง K_p, K_i ได้.
ข้อจำกัดและข้อควรพิจารณา
- การปรับแต่ง K_p และ K_i ต้องอาศัยความเข้าใจในทฤษฎีการควบคุมและการทดลองเชิงประจักษ์.
- ประสิทธิภาพขึ้นอยู่กับการปรับแต่ง; การเลือกค่าเกนที่ไม่เหมาะสมอาจทำให้เกิดการสั่นหรือการตอบสนองที่เฉื่อยชา.
- เทอมปริพันธ์อาจทำให้เกิด integral wind-up; ข้อผิดพลาดที่สะสมเป็นเวลานานจะทำให้เกิดการโอเวอร์ชูต (overshoot); จำเป็นต้องมีการบรรเทา.
- เช่นเดียวกับ Madgwick, การรบกวนจากมาตรทิศส่งผลต่อความแม่นยำของทิศทาง; จำเป็นต้องมีการสอบเทียบและอาจต้องมีการตรวจจับการรบกวน.
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- เข้าใจง่ายตามหลักการทางกายภาพ; อิงตามทฤษฎีการควบคุม (PI feedback); เข้าใจและแก้ไขข้อผิดพลาดได้ง่ายกว่า gradient descent.
- การประมาณค่าไบแอสของไจโรสโคปอย่างชัดเจน; เทอมปริพันธ์ (integral term) เรียนรู้และแก้ไขไบแอสของเซ็นเซอร์เมื่อเวลาผ่านไป.
- พารามิเตอร์การปรับแต่งสองตัว (K_p, K_i) มีความหมายทางกายภาพที่ชัดเจน (อัตราขยายแบบสัดส่วนและปริพันธ์) ซึ่งแตกต่างจาก beta ใน Madgwick.
- ต้นทุนการคำนวณใกล้เคียงกับ Madgwick; น้ำหนักเบาและเหมาะสำหรับระบบฝังตัว.
การประยุกต์ใช้
- การควบคุมการบินของควอดคอปเตอร์และมัลติโรเตอร์: ตัวประมาณทัศนคติหลักในระบบนักบินอัตโนมัติแบบโอเพนซอร์สส่วนใหญ่ (ArduPilot, PX4).
- ระบบนักบินอัตโนมัติของอากาศยานปีกตรึง: การอ้างอิงทัศนคติในตัวควบคุมการบินของ UAV ต้นทุนต่ำ.
- การวิจัยยานยนต์ไร้คนขับ (UAV): ฟิลเตอร์มาตรฐานในการศึกษาการควบคุมการเคลื่อนที่ทางวิชาการ.
- การติดตามทัศนคติของเรือ: การอ้างอิงทัศนคติสำหรับระบบนักบินอัตโนมัติของเรือและการรักษาเสถียรภาพการเอียง.
- การติดตามทิศทางของหุ่นยนต์เคลื่อนที่: การประมาณทัศนคติสำหรับหุ่นยนต์แบบล้อและแบบขา.
วิธีการทำงาน
วิธีการทำงาน
รวบรวมการวัดจาก IMU 9-DOF: มาตรความเร่ง 3 แกน, ไจโรสโคป 3 แกน, และมาตรทิศ 3 แกน ที่ความถี่ 50+ Hz.
ทำให้เวกเตอร์มาตรความเร่งและมาตรทิศเป็นปกติ (normalize); ได้รับอัตราไจโรสโคป; ใช้การสอบเทียบ (calibration) หากมี.
คำนวณทิศทางที่คาดหวังของแรงโน้มถ่วง (ลง) และทิศเหนือแม่เหล็ก (จากค่าประมาณทัศนคติปัจจุบัน); เปรียบเทียบกับทิศทางที่วัดได้; คำนวณข้อผิดพลาดเป็นผลคูณไขว้ (geometric error).
สูตร
\dot{\vec{q}} = \frac{1}{2}\vec{q} \otimes \vec{\omega} + k_p \vec{e} + k_i \int \vec{e} dtใช้การแก้ไขแบบสัดส่วน (K_p * error) และการแก้ไขแบบปริพันธ์ (K_i * integral(error)) เพื่อประมาณค่าไบแอส (bias) ของไจโรสโคป; อัปเดตควอเทอร์เนียนโดยใช้ความเร็วเชิงมุมที่แก้ไขแล้ว.
ส่งออกค่าควอเทอร์เนียน; แปลงเป็นมุมออยเลอร์ (Euler angles) หากจำเป็น; ประเมินความเชื่อมั่นตามขนาดของข้อผิดพลาดและความสอดคล้องของเซ็นเซอร์.
ข้อผิดพลาดที่พบบ่อย
- การเลือก K_p และ K_i สูงเกินไปทำให้เกิดการสั่นและความไม่เสถียร; ค่าทั่วไปคือ K_p ~ 1.0, K_i ~ 0.1, ปรับแต่งเชิงประจักษ์.
- การลืมจำกัดขอบเขตของเทอมปริพันธ์; การอินทิเกรตที่ไม่มีการควบคุมอาจสะสมข้อผิดพลาด; แนะนำให้จำกัดขอบเขต integral wind-up.
- การสมมติว่าแบบจำลองข้อผิดพลาดของมาตรความเร่งเป็นแบบการแจกแจงแบบปกติ (Gaussian); การรบกวนที่ไม่ใช่แบบ Gaussian (การสั่น, การกระแทก) อาจทำให้ฟิลเตอร์เสียหาย; อาจจำเป็นต้องใช้ออบเซิร์ฟเวอร์ที่ทนทาน (robust estimators).
- การนำไปใช้โดยไม่มีการทดสอบภายใต้โปรไฟล์การเคลื่อนไหวที่ตั้งใจไว้; การปรับแต่งฟิลเตอร์ขึ้นอยู่กับอัตราการเคลื่อนที่ที่คาดหวังและคุณภาพของเซ็นเซอร์.
คำถามที่พบบ่อย
ฉันจะปรับแต่ง K_p และ K_i ได้อย่างไร?
K_p คืออัตราขยายแบบสัดส่วน (โดยทั่วไปคือ 0.5–2.0); K_p ที่สูงขึ้นหมายถึงการแก้ไขที่เร็วขึ้นแต่มีความเสี่ยงต่อการสั่น. K_i คืออัตราขยายแบบปริพันธ์ (โดยทั่วไปคือ 0.01–0.1); มันควบคุมอัตราการแก้ไขไบแอส. เริ่มต้นด้วย K_p=1.0, K_i=0.1. เพิ่ม K_p หากฟิลเตอร์ตามการเคลื่อนที่ได้ช้า; ลดลงหากเกิดการสั่น. เพิ่ม K_i หากการเลื่อนไหลของไบแอสมีนัยสำคัญ; ลดลงหากเกิด integral wind-up.
Integral wind-up คืออะไรและฉันจะป้องกันได้อย่างไร?
Integral wind-up เกิดขึ้นเมื่อเทอมปริพันธ์เติบโตอย่างไม่มีขอบเขตระหว่างข้อผิดพลาดที่คงที่ (เช่น การรบกวนจากมาตรทิศ). เมื่อข้อผิดพลาดหายไปในที่สุด ฟิลเตอร์จะเกิดการโอเวอร์ชูต. ป้องกันได้โดยการจำกัดค่าของเทอมปริพันธ์ (กำหนดขอบเขตระหว่างค่าสูงสุดและต่ำสุด) หรือโดยการอินทิเกรตแบบมีเงื่อนไข (อินทิเกรตเฉพาะเมื่อข้อผิดพลาดมีค่าน้อย).
อะไรคือความแตกต่างระหว่างฟิลเตอร์ Mahony และ Madgwick?
Mahony ใช้ PI feedback พร้อมการประมาณค่าไบแอสอย่างชัดเจน; Madgwick ใช้ gradient descent. Mahony อิงตามทฤษฎีการควบคุม; Madgwick อิงตามการหาค่าเหมาะสมที่สุด (optimization). ทั้งสองมีต้นทุนการคำนวณใกล้เคียงกัน. Mahony มักจะมีการลู่เข้าของไบแอสที่เร็วกว่า; Madgwick ง่ายต่อการนำไปใช้งาน. สำหรับทัศนคติเท่านั้น (ไม่มีไบแอส) ประสิทธิภาพจะใกล้เคียงกัน.
Mahony สามารถจัดการกับความเร่งสูงได้หรือไม่?
ระหว่างความเร่งสูง มาตรความเร่งจะวัดความเร่งเฉื่อย + แรงโน้มถ่วง ทำให้เกิดข้อผิดพลาดในการเอียงขึ้น/ลง (pitch/roll). ฟิลเตอร์มาโฮนีสมมติว่ามาตรความเร่งชี้ลง; ความเร่งสูงจะละเมิดสมมติฐานนี้. การใช้งานบางอย่างใช้การตั้งเกณฑ์ขนาดความเร่งเพื่อลดน้ำหนักของมาตรความเร่งระหว่างการเคลื่อนที่ ทำให้ทนทานต่อความผิดพลาดมากขึ้น.
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
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.
เปิดเอกสารอ้างอิงสิ่งพิมพ์คัดลอกแล้วMahony, R., Hamel, T., & Pflimlin, J. M. (2012). Multirotor aerial vehicles: Modeling, estimation, and control of quadrotors. IEEE Robotics & Automation Magazine, 19(3), 20–32.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วValenti, 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.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้ว