Evaluación de algoritmos de fusión de datos para estimación de la orientación de vehículos aéreos no tripulados
##plugins.themes.bootstrap3.article.sidebar##
ISSN: 1680-8894
E-ISSN: 2219-6714
Sección
Artículos
Artículos
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0.
##plugins.themes.bootstrap3.article.main##
Enviado:
Nov 21, 2017
Publicado: Nov 21, 2017
Publicado: Nov 21, 2017
Resumen
El objetivo de este trabajo es evaluar y comparar los tres algoritmos de procesamiento de datos más usados en sistemas de referencia de orientación y rumbo (AHRS, por sus siglas en inglés), para vehículos aéreos no tripulados (UAVs por sus siglas en inglés), los cuales implementan procesos de filtrado y de fusión de datos. Estos algoritmos son el Filtro de Kalman, el de Mahony y el de Madgwick. Comercialmente existen varios tipos de sensores IMU/Magnetómetros que proporcionan una muy buena retroalimentación de los estados de las aeronaves, sin embargo suelen ser muy costosos, por lo que en este trabajo nos concentraremos en aquellos que tienen un costo medio y una buena relación costo/desempeño a la hora de construir UAVS. Se desarrolló una metodología, mediante la cual se pudo comparar que algoritmo se adapta mejor a sistemas con diferentes características. Los resultados mostraron que el algoritmo que mejor funcionó es el filtro complementario de Robert Mahony debido a su mayor velocidad de convergencia. De los tres ángulos de rotación alrededor de los ejes principales xyz, en todas las estimaciones evaluadas, el ángulo alrededor de z(ψ) fue el que presentó la magnitud del error más grande, lo cual indica, que sigue existiendo cierta deficiencia en aquellas estimaciones que dependen del magnetómetro.
Palabras clave
AHRS, algoritmos de fusión de datos, algoritmo de Madgwick, algoritmo de Mahony, UAVs, Filtro de KalmanDescargas
La descarga de datos todavía no está disponible.
##plugins.themes.bootstrap3.article.details##
Cómo citar
Chérigo, C., & Rodríguez, H. (2017). Evaluación de algoritmos de fusión de datos para estimación de la orientación de vehículos aéreos no tripulados. I+D Tecnológico, 13(2), 90-99. Recuperado a partir de https://revistas.utp.ac.pa/index.php/id-tecnologico/article/view/1719
Citas
(1) H. B. Mitchell, “Multi-Sensor Data Fusion An introduction”, Berlin: New York, Springer Verlag, p. 3, 2007.
(2) Damien Douxchamps, “A small list of IMU/INS/INU” [en línea], http://damien.douxchamps.net/research/imu/, 2016.
(3) R. Munguía and A. Grau, “A Practical Method for Implementing an Attitude and Heading Reference System”, Department of computer Science, CUCEI, Universidad de Guadalajar, Mexico, International journal of advanced Robotic Systems, p. 12, 2014.
(4) J. A. Camarena, “El Filtro de Kalman”[en línea], http://dep.fie.umich.mx/~camarena/FiltroKalman.pdf, 2014.
(5) R. Faragher, "Understanding the basis of the kalman filter via a simple and intuitive derivation",IEEE Signal Process. Mag., vol. 29, no. 5, pp. 128-132, 2012
(6) B. Barshan and H. F. Durrant-Whyte. Inertial navigation systems for mobile robots.11(3):328-342, June 1995.
(7) E. Foxlin, "Inertial Head-Tracker Sensor Fusion by a Complementary Separate-Bias Kalman Filter", Proceedings of VRAIS '96, pp. 185-194
(8) J. L. Marins, Xiaoping Yun, E. R. Bachmann, R. B. McGhee and M. J. Zyda, "An extended kalman filter for quaternion- based orientation estimation using marg sensors", Proceedings of the IEEE/RSJ International Conference on intelligent Robots and Systems, vol. 4, pp. 2003-2011
(9) Xsens Technologies B.V. MTi and MTx, “User Manual and Technical Documentation.Pantheon 6a”, 7521 PR Enschede, The Netherlands, 2009
(10) MicroStrain Inc. 3DM-GX3 -25 Miniature Attutude Heading Reference Sensor. 459 Hurricane Lane, Suite 102, Williston, VT 05495 USA, 1.04 edition, 2009.
(11) Crossbow Technology, Inc. AHRS400 Series Users Manual. 4145 N. First Street, San Jose, CA 95134, rev. c edition, February 2007.
(12) S. O. H. Madgwick, A. J. L. Harrison and R. Vaidyanathan, "Estimation of IMU and MARG orientation using a gradient descent algorithm,"Proc. IEEE Int. Conf. Rehabil. Robot., pp. 1-7
(13) R. Mahony, T. Hamel and J-M. Pflimlin, “Complimentary filter design on the special orthogonal group SO(3)”, Proceedings of the IEEE Conference on Decision and Control, Institute of Electrical and Electronic Engineers, Seville, Spain, 2005.
(14) M. Leccadito, “An Attitude Heading Reference System using a Low Cost Inertial Measurement Unit”, Virginia Commonwealth University, Richmond, Virginia, 2013.
(15) B. McCarron, “Low-Cost Implementation via Sensor Fusion Algorithms in the Arduino Environment”, California Polytechnic State University, San Luis Obispo, p. 17, 2013.
(16) M. Euston, Paul Coote, Robert Mahony, Jhonghyuk Kim and Tarek Hamel, “A complementary Filter for Attitude Estimation of a Fixed-Wing UAV”,RAL Robotic and Autonomy Lab Australian National University, p. 6, 2008.
(17) A. Cavallo, A. Cirillo, P. Cirillo, G. De Maria, P. Falco, C. Natale and S. Pirozzi, “Experimental Comparison of Sensors Fusion Algorithms for Attitude Estimation”, The international Federation of Automatic Control cape Town, South Africa. 19th world congress, p. 6, 2014.
(2) Damien Douxchamps, “A small list of IMU/INS/INU” [en línea], http://damien.douxchamps.net/research/imu/, 2016.
(3) R. Munguía and A. Grau, “A Practical Method for Implementing an Attitude and Heading Reference System”, Department of computer Science, CUCEI, Universidad de Guadalajar, Mexico, International journal of advanced Robotic Systems, p. 12, 2014.
(4) J. A. Camarena, “El Filtro de Kalman”[en línea], http://dep.fie.umich.mx/~camarena/FiltroKalman.pdf, 2014.
(5) R. Faragher, "Understanding the basis of the kalman filter via a simple and intuitive derivation",IEEE Signal Process. Mag., vol. 29, no. 5, pp. 128-132, 2012
(6) B. Barshan and H. F. Durrant-Whyte. Inertial navigation systems for mobile robots.11(3):328-342, June 1995.
(7) E. Foxlin, "Inertial Head-Tracker Sensor Fusion by a Complementary Separate-Bias Kalman Filter", Proceedings of VRAIS '96, pp. 185-194
(8) J. L. Marins, Xiaoping Yun, E. R. Bachmann, R. B. McGhee and M. J. Zyda, "An extended kalman filter for quaternion- based orientation estimation using marg sensors", Proceedings of the IEEE/RSJ International Conference on intelligent Robots and Systems, vol. 4, pp. 2003-2011
(9) Xsens Technologies B.V. MTi and MTx, “User Manual and Technical Documentation.Pantheon 6a”, 7521 PR Enschede, The Netherlands, 2009
(10) MicroStrain Inc. 3DM-GX3 -25 Miniature Attutude Heading Reference Sensor. 459 Hurricane Lane, Suite 102, Williston, VT 05495 USA, 1.04 edition, 2009.
(11) Crossbow Technology, Inc. AHRS400 Series Users Manual. 4145 N. First Street, San Jose, CA 95134, rev. c edition, February 2007.
(12) S. O. H. Madgwick, A. J. L. Harrison and R. Vaidyanathan, "Estimation of IMU and MARG orientation using a gradient descent algorithm,"Proc. IEEE Int. Conf. Rehabil. Robot., pp. 1-7
(13) R. Mahony, T. Hamel and J-M. Pflimlin, “Complimentary filter design on the special orthogonal group SO(3)”, Proceedings of the IEEE Conference on Decision and Control, Institute of Electrical and Electronic Engineers, Seville, Spain, 2005.
(14) M. Leccadito, “An Attitude Heading Reference System using a Low Cost Inertial Measurement Unit”, Virginia Commonwealth University, Richmond, Virginia, 2013.
(15) B. McCarron, “Low-Cost Implementation via Sensor Fusion Algorithms in the Arduino Environment”, California Polytechnic State University, San Luis Obispo, p. 17, 2013.
(16) M. Euston, Paul Coote, Robert Mahony, Jhonghyuk Kim and Tarek Hamel, “A complementary Filter for Attitude Estimation of a Fixed-Wing UAV”,RAL Robotic and Autonomy Lab Australian National University, p. 6, 2008.
(17) A. Cavallo, A. Cirillo, P. Cirillo, G. De Maria, P. Falco, C. Natale and S. Pirozzi, “Experimental Comparison of Sensors Fusion Algorithms for Attitude Estimation”, The international Federation of Automatic Control cape Town, South Africa. 19th world congress, p. 6, 2014.