Escolar Documentos
Profissional Documentos
Cultura Documentos
MOVEIS
ESTIMATIVA DE ORIENTAC
AO
UTILIZANDO
FILTRAGEM COMPLEMENTAR
Armando A. Neto, Douglas G. Macharet, Mario F. M. Campos
Rob
otica M
ovel, Filtragem Complementar, Estimativa de Atitude.
Introdu
c
ao
lic
optero, onde mais uma vez encontra-se o problema da complexidade computacional envolvida
no mapeamento e localizac
ao. Porem, outro problema encontrado nesse artigo e o fato de a tecnica
funcionar apenas se o helic
optero n
ao passar mais
de uma vez pelo mesmo local, o que e uma premissa indesej
avel para a locomoc
ao de um robo.
Uma outra vertente de pesquisa no posicionamento de rob
os utiliza como sensor principal uma
Unidade de Medic
ao Inercial (IMU ), que na maioria dos casos possuem tres girosc
opios e tres aceler
ometros, dispostos de maneira mutuamente ortogonal. O principal problema na utilizac
ao desse
sensor est
a nos rudos associados aos sinais medidos, como o bias que provoca, entre outros efeitos,
o problema de deriva (drift) no processo de integrac
ao dos dados.
Em Ojeda and Borenstein (2001), os autores
utilizam uma tecnica que faz uso de l
ogica fuzzy
para estimar a atitude de um rob
o m
ovel equipado com uma IMU. Entretanto, os experimentos apresentados exibiram resultados apenas para
locomoc
oes ocorridas em duas dimens
oes, o que
fatalmente omite todo o erro inerente promovido
pelo sistema que realiza a fus
ao de odometria e
navegac
ao por meio de sensores inerciais.
Na maioria dos casos, os sistemas baseados
em navegac
ao inercial realizam a fus
ao das informac
oes dos sensores utilizando o Filtro de Kalman (KF ). Alguns exemplos do uso dessa tecnica
podem ser encontrados em Walchko and Mason
(2002) e Sukkarieh et al. (1999). A principal dificuldade encontrada na utilizac
ao dessa metodologia e a complexidade da criac
ao de um bom modelo para os sensores e para o sistema robotico,
sem falar da complexidade computacional exigida
na manipulac
ao de matrizes.
Alternativamente `
a utilizac
ao do filtro de Kalman para realizar a fus
ao de dados, encontram-se
na literatura, trabalhos baseados em outras tecnicas. Uma delas e a Filtragem Complementar
(CF ), que permite o casamento de sinais confiaveis em diferentes faixas de frequencia para formar
valores mais precisos no domnio do tempo. Essa
tecnica foi utilizada com sucesso em processos de
navegac
ao aerea, conforme visto em Iscold et al.
(2007) e Baerveldt and Klang (1997), tendo como
principais vantangens o baixo custo computacional, a din
amica de respostas mais r
apida, e a simplicidade do ajuste de par
ametros do algoritmo.
Neste artigo e apresentado uma sistema de estimativa de atitude para rob
os m
oveis, onde e utilizada a tecnica de Filtragem Complementar para
estimar os
angulos de rolamento () e de arfagem () do veculo, baseado em sensores inerciais.
O principal ganho na utilizac
ao dessa tecnica e a
baixa complexidade de implementac
ao e a qualidade dos resultados obtidos para o caso da navegac
ao em ambientes n
ao-estruturados. Os resultados
obtidos por meio desse sistema s
ao comparados
Metodologia
Na seq
uencia, sao apresentadas as tres etapas
principais do projeto de Filtros Complementares
para o problema em questao. Inicialmente, utilizase os sensores de aceleracao para criar uma primeira estimativa dos angulos e . Uma segunda
estimativa destes mesmos angulos e produzida a
partir da integracao dos sinais produzidos pelos
tres sensores de velocidade angular. Na u
ltima
etapa e realizada a fusao dos sinais produzidos
para produzirem-se estimativas aceitaveis dos angulos de arfagem e rolamento do robo. Os resultados sao enfim utilizados para produzir a localizacao espacial do robo, juntamente com os dados
de odometria previamente fornecidos.
2.1
IMU
probot
g0
NED
(1)
Desmenbrando-se a equac
ao matricial acima,
e colocando os
angulos em func
ao da projecao do
vetor ~g IM U em cada um dos eixos do referencial
da IMU, e possvel obter estimativas para e a
partir dos valores medidos por cada acelerometro
do conjunto, conforme mostram as Equacoes 2 e
3, respectivamente.
ax
,
(2)
a = arcsin
go
ay
.
(3)
a = arcsin
go cos a
Onde ax e ay representam as componentes de
acelerac
ao medidas ao longo dos eixos X e Y da
importante salientar que uma serie de suIMU. E
posic
oes foram feitas nesta etapa, ao se considerar
as estimativas geradas. Primeiramente, alem de
posicionados no centro de gravidade do robo, os
sensores foram montados de maneira a produzir
um eixo ortogonal perfeito. Logo, os valores medidos n
ao apresentam bias de desalinhamento, ou
estes s
ao insignificantes. Alem disso, n
ao existem
quaisquer outras caractersticas de bias dos sensores, e o rudo que corrompe os sinais e modelado
como uma distribuic
ao aproximadamente gaussiana de media nula.
Outro ponto importante e que a Equacao 2
pode apresentar problemas de singularidade para
angulos a = /2. Porem, em condic
Alem dos acelerometros, a IMU inclui tres giroscopios que fornecem medicao das velocidades angulares do robo em torno dos eixos do referencial
ABC. Uma segunda estimativa dos angulos e
pode ser obtida por meio da integracao das equacoes diferenciais que regem a cinematica do sistema.
O problema e que, conforme visto anteriormente, o tratamento matematico dos parametros
de atitude utilizando-se representacao em angulos de Euler apresenta singularidades em algumas
configuracoes. Isso pode ser muito prejudicial ao
processo de integracao dos sinais, gerando variacoes bruscas nos resultados finais. A representacao de rotacoes utilizando-se quaternios e utilizada, entao, para se evitar tais problemas.
A orientacao espacial do veculo e representada,
entao, por
meio do quaternio ~q =
q0 q1 q2 q3 , e os angulos de arfagem e rolamento sao estimados por meio das Equacoes 4 e
5, respectivamente.
g = arcsin [2(q1 q3 + q0 q2 )] ,
g = arctan
2(q2 q3 + q0 q1 )
.
q02 q12 q22 + q32
(4)
(5)
Os valores do quaternio, por sua vez, sao obtidos por meio da integracao da Equacao 6, onde
gx , gy e gz correspondem `as velocidades angulares em torno dos eixos de rolamento, arfagem e
guinada (yaw ) do robo, respectivamente.
0
gx
1
~q =
2 gy
gz
gx
0
gz
gy
gy
gz
0
gx
gz
gy
~q.
gx
0
(6)
~q(0) =
(7)
= Gl a + Gh g .
(9)
Para os experimentos apresentados neste trabalho, foram utilizados filtros digitais de resposta plana maxima na banda de passagem (Butterworth) de 1o ordem, e perodo de amostragem
de 10 Hz, conforme pode ser visto na Figura 2.
3
Experimentos
Filtragem Complementar
Magnitude (dB)
0
10
Gl(z)
Gh(z)
20
30 0
10
10
Frequncia (rad/s)
10
Figura 2: Composic
ao dos filtros complementares
com freq
uencia de corte c .
O primeiro atenua significamente as acelerac
oes de altas-freq
uencias da primeira estimativa
(projec
ao da gravidade). O segundo suprime os
erros em baixas-freq
uencias da segunda estimativa
(integrac
ao dos giros). Por fim, os dois sinais sao
somados no tempo, gerando as estimativas finais
de
angulos de arfagem e rolamento. As Equacoes
8 e 9 mostram como esse processo e realizado no
domnio do tempo.
= Gl a + Gh g ,
(8)
Experimentos Realizados
0
Kalman
Filtro Complementar
20
Kalman
Filtro Complementar
10
2
0
50
100
150
200
250
300
tempo (segundos)
350
400
450
500
(graus)
(graus)
0
20
0
10
20
30
40
50
60
70
tempo (segundos)
1
Kalman
Filtro Complementar
2
3
0
50
100
150
200
10
250
300
tempo (segundos)
350
400
450
500
Kalman
Filtro Complementar
(graus)
(graus)
10
0
5
10
0
10
20
30
40
50
60
70
tempo (segundos)
(graus)
10
Kalman
Filtro Complementar
5
0
5
10
0
10
15
20
25
tempo (segundos)
30
35
40
10
(graus)
Kalman
Filtro Complementar
5
0
5
10
0
10
15
20
25
tempo (segundos)
30
35
40
uma segunda
3.2
Estimativa de Posicionamento 3D
Tendo como base as estimativas anteriores de orientacao e os dados de odometria do robo, e possvel calcular sua posicao no espaco tridimensional.
Para isso, integra-se numericamente a Equacao 10,
onde v representa a velocidade medida pela odometria e t correponde ao tempo de amostragem
do sistema, que nesse caso, foi de aproximadamente 100 ms.
x
cos cos
y = v sin cos t.
(10)
z
sin
Z (metros)
1
0.5
0
0.5
6
X (metros)
10
12
Figura 8: Localizac
ao tridimensional estimada para o robo.
interessante observar que o
E
angulo nao
exerce nenhuma influencia na posic
ao do robo.
Alem disso, o modelo depende do
angulo de guinada () e da velocidade, oriundos da odometria
do rob
o e que apresentam um alto ndice de incerteza associada. Esse erro, somado `
as incertezas dos sinais de sada do Filtro Complementar,
propaga-se atr
aves dos tres eixos de translacao do
rob
o.
A Figura 8 exibe um experimento onde o robo
realiza uma trajet
oria, subindo por uma rampa
cuja inclinac
ao e de aproximadamente 5 . Os valores iniciais tomados para a resoluc
ao da Equacao
10 foram x(0) e y(0) iguais `
a odometria inicial do
rob
o e z(0) = 0.
A altura final da rampa era de 63,5 cm e a
altura final encontrada pelo filtro complementar
foi de 64,8 cm, mostrando que a tecnica produz
bons resultados quando utilizada para esse fim.
4
Conclus
oes
canico utilizado nos experimentos, e o apoio financeiro oferecido pela Fundacao de Amparo a Pesquisa do Estado de Minas Gerais (FAPEMIG), do
Conselho Nacional de Desenvolvimento Cientfico
e Tecnologico (CNPq), e da Coordenacao de Aperfeicoamento de Pessoal de Nvel Superior (Capes).
Refer
encias
Baerveldt, A.-J. and Klang, R. (1997). A lowcost and low-weight attitude estimation system for a autonomous helicopter, IEEE International Conference.
Iscold, P., de Oliveira, G. R. C., Neto, A. A., Pereira, G. A. S. and Torres, L. A. B. (2007).
Desenvolvimento de horizonte artificial para
aviacao geral baseado em sensores mems, V
Congresso Brasileiro de Engenharia Inercial,
Rio de Janeiro.
M
uller, M., Surmann, H., Pervolz, K. and May,
S. (2006). The accuracy of 6d slam using
the ais 3d laser scanner, IEEE International
Conference on Multisensor Fusion and Integration for Intelligent Systems, Heidelberg,
Germany.
Ojeda, L. and Borenstein, J. (2001). Improved position estimation for mobile robots on rough
terrain using attitude information, Technical
report, The University of Michigan.
Sukkarieh, S., Nebot, E. M. and Durrant-Whyte,
H. F. (1999). A high integrity imu/gps navigation loop for autonomous land vehicle
applications, IEEE Transactions on Robotics
and Automation.
Thrun, S., Diel, M. and Hahnel, D. (2003). Scan
alignment and 3d surface modeling with a helicopter platform, Proceedings of the International Conference on Field and Service Robotics, Lake Yamanaka, Japan.
Walchko, K. J. and Mason, P. A. C. (2002). Inertial navigation, Florida Conference on Recent
Advances in Robotics.
Wan, E. A. and van der Merwe, R. (2000). The
unscented kalman filter for nonlinear estimation, Symposium 2000 on Adaptive Systems
for Signal Processing, Communication and
Control (AS-SPCC), Alberta, Canada.