3D PARA ROBOS

MOVEIS

ESTIMATIVA DE ORIENTAC
AO
UTILIZANDO
FILTRAGEM COMPLEMENTAR
Armando A. Neto, Douglas G. Macharet, Mario F. M. Campos

Universidade Federal de Minas Gerais

Departamento de Ciencia da Computac
ao
Laborat
orio de Vis
ao Computacional e Rob
otica
Belo Horizonte, MG, Brasil
Emails: aaneto@dcc.ufmg.br, doug@dcc.ufmg.br, mario@dcc.ufmg.br
Abstract This paper approaches the using of Complementary Filtering to estimate the full attitude of a
mobile robot in a three-dimensional space. Using an Inertial Measurement Unit composed by three accelerometers
and three gyroscopes it is possible to estimate the angles of pitch and roll. The results are compared to results
using Kalman Filter (traditionally the most used technique for this type of problem). The goal is to demonstrate
the ease to implement and the low computational cost of Complementary Filter suggest a broader user of this
methodology. This approach also allows the application to many purposes, such as simultaneous localization and
mapping of robots in three-dimensional space.
Keywords

Mobile Robotics, Complementary Filter, Attitude Estimation

Resumo Esse artigo aborda a utilizaca

o de Filtragem Complementar como meio para estimar a atitude
completa de um rob
o m
ovel no espaco tridimensional. Utilizando-se uma Unidade de Medica
o Inercial composta
por tr
es aceler
ometros e tr
es gir
ometros,
e possvel estimar os
angulos de arfagem e de rolamento do sistema,
complementando as informaco
es oriundas dos sensores de odometria do rob
o. Os resultados obtidos s
ao comparados aos produzidos por um Filtro de Kalman (t
ecnica mais tradicionalmente utilizada para este tipo de
problema). O objetivo
e demonstrar que a facilidade de implementaca
o e o baixo custo computacional da Filtragem Complementar sugerem uma utilizaca
o mais abrangente desta metodologia. Tal abordagem permite ainda,
a aplicaca
o `
a diversas finalidades, como por exemplo mapeamento e localizaca
o simult
anea de rob
os no espaco
tridimensional.
Palavras-chave

Rob
otica M
ovel, Filtragem Complementar, Estimativa de Atitude.

Introdu
c
ao

fundamental conhecer-se a posic

E
ao e a orientac
ao de um rob
o m
ovel durante o processo de
navegac
ao. Ao se locomover em um ambiente interno (indoor ), na maior partes das vezes e necess
ario conhecer-se apenas a posic
ao do robo no
plano 2D, sendo essa posic
ao e orientac
ao especificadas
por
meio
de
um
vetor
de
configura
cao


~q = x y , onde x e y representam a posic
ao no plano, e corresponde ao
angulo de orientac
ao do veculo. Isso acontece devido `
a suposicao
de que n
ao ocorrem variac
oes de relevo no local
por onde o rob
o trafega.
J
a no caso da navegac
ao em ambientes externos (outdoor ), o rob
o pode se locomover nas
tres dimens
oes do espaco, alem de poder assumir qualquer orientac
ao ao longo dos tres eixos
de rotac
ao, passando a apresentar seis graus de
liberdade. Alem disso, em um ambiente externo
e comum encontrar imperfeic
oes no relevo, como
por exemplo aclives, declives e buracos. A confiao passa a ser representada
pelo vetor ~q =
gurac

x y z , onde z e a altitude, corresponde ao angulo de arfagem (pitch), e ao angulo de rolamento (roll ) do rob
o.
Principalmente em um ambiente naoestruturado, como no caso da navegac
ao outdoor,
o conhecimento completo da atitude do robo
possibilita uma melhor localizac
ao. Ainda ao

se realizar uma navegacao indoor, e comum

em determinados momentos necessitar-se da
estimativa da orientacao 3D do veculo.
Uma grande parte das solucoes encontradas
na literatura baseiam-se em tecnicas de onde rob
os
equipados com laser realizam a navegacao e o mapeamento simultaneos do ambiente (Simultaneous
Localization And Mapping - SLAM ) em que estao inseridos. Isso resulta em informacoes que s
ao
utilizadas para corrigir a estimativa de posicao e
orientacao durante a navegacao.
Os autores de M
uller et al. (2006) apresentam uma tecnica utilizada pela grande maioria dos
trabalhos sobre SLAM 3D descritos na literatura.
Geralmente o robo possui um laser orientado na
direcao de deslocamento, podendo realizar movimentos de rotacao ao longo do eixo de arfagem
. Durante o processo de coleta de dados, o rob
o
move-se ao longo de uma determinada distancia
e para. Nesse momento o laser e rotacionado
para a coleta das informacoes em uma regiao especificada. Esses novos dados sao alinhados com
os dados previamente coletados e fornecem uma
melhora na estimativa da posicao atual do rob
o.
Os principais problemas encontrados nessa tecnica
sao a utilizacao de um sensor de custo elevado (laser ), e a complexidade computacional dos calculos
envolvidos.
Ja em Thrun et al. (2003), a tecnica de SLAM
e utilizada para a navegacao de um modelo de he-

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

com a sada produzida por um filtro de Kalman

(cuja descricao detalhada pode ser encontrada em
Wan and van der Merwe (2000)), objetivando-se
medir a qualidade da Filtragem Complementar.
Conhecer a atitude completa de robo no espaco 3D fundamental em uma serie de aplicacoes,
como, tomadas de decisoes, reconstrucao tridimensional de ambientes, navegacao e localizac
ao
importante que o
simultaneas, entre outras. E
robo conheca sua configuracao em determinado
instante para decidir sobre a melhor alternativa
durante a execucao de uma tarefa.
2

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

Estimativa de Atitude baseada nos Aceler

ometros

Para gerar a primeira estimativa dos angulos de

arfagem e rolamento do robo, e utilizada a medicao do vetor gravidade da Terra, por meio do conjunto de tres acelerometros que compoem a IMU.
Estes sensores foram dispostos ao longo de tres eixos ortogonais, conforme pode ser visto na Figura
1.
X

IMU

probot

g0

NED

Figura 1: Projecao do vetor gravidade sobre os

eixos da IMU.
Para simplificar a matematica utilizada, ser
a
considerado a princpio, que a IMU encontra-se
exatamento no centro de gravidade do robo, o que
nao necessariamente e verdadeiro. Porem, a abordagem adotada funciona muito bem, caso a diferenca nao seja muito grande. Sendo assim, ser
a
assumido que o referencial fixo ao corpo do rob
o,

chamado de referencial ABC, e equivalente ao referencial da IMU.

Considera-se tambem a existencia de um referencial fixo ao plano da Terra, normalmente
conhecido como referencial NED (Norte, Leste
e Abaixo). Com isso, e possvel representar
a gravidade como sendo um vetor ~g N ED =
[ 0 0 go ]T , constante em relac
ao ao referencial da Terra, e com go 9.78 m/s2 .
O vetor gravidade pode ser tambem descrito
em relac
ao ao referencial da IMU, multiplicandose ~g N ED por uma matriz de rotac
ao que relaciona
os dois eixos, conforme apresentado na Equacao
1. Para aplicar esta rotac
ao, e necess
ario entretanto conhecer esta matriz, ou em outras palavras,
deve-se saber quais s
ao os
angulos de orientacao
do sensor no espaco.
~g IM U =ABC
g N ED .
N ED R(, , ) ~

(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

oes normais de operac

ao, o
angulo de arfagem do robo ficar
a restrito a valores inferiores a /2. Da mesma
forma, assume-se que o
angulo de rolamento estara
dentro de limites ainda inferiores aos de arfagem,
n
ao sendo necess
ario utilizar a informac
ao de az .
Uma suposic
ao importante e que, a cada instante de tempo, o aceler
ometro estar
a medindo
apenas a acelerac
ao da gravidade. Essa suposic
ao e v
alida apenas quando o rob
o est
a em estado de inercia. Embora forte, essa restricao e
bastante plausvel para os movimentos tpicos de

robo movel terrestre. Assim, apenas os sinais de

baixa freq
uencia dos acelerometros agregam alguma confiabilidade `a estimativa dos valores de
e . Mais adiante sera mostrado como essa informacao e incorporada aos sinais dos giroscopios.
2.2

Estimativa de Atitude utilizando os Gir

ometros

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)

O passo inicial da integracao e determinado

por meio das estimativas iniciais de atitude geradas pela projecao do vetor gravidade no instante zero, conforme mostrado na Equacao 7,
onde foi considerado um angulo de guinada nulo
((0) = 0).

~q(0) =

cos a2(0) cos a2(0)

sin a2(0) cos a2(0)
cos a2(0) sin a2(0)
sin a2(0) sin a2(0)

(7)

Diferentemente do caso anterior, a IMU nao

precisa estar pr
oxima do centro de gravidade do
veculo. Entretanto a polarizac
ao (bias) existente
nos sensores micro-eletro-mec
anicos (MEMS ) de
giro podem mascarar as medic
oes de velocidade,
gerando efeitos destrutivos no processo de integrac
ao numerica. O drift causado por este efeito
produz um erro em sinais de baixa freq
uencia, que
desqualificam o uso direto desse processo.
No desenvolvimento a seguir, assume-se que
os sensores n
ao apresentam bias e que rudos serao
gaussianos com media zero. Em seguida e mostrado porque estas suposic
oes s
ao v
alidas, e como
e feita a fus
ao de dados dos aceler
ometros e dos
gir
ometros por meio de filtragem complementar.
2.3

= 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

Experimentos com robos reais foram realizados

para validar o metodo. A plataforma utilizada foi
um robo Pioneer-P3AT equipado com uma IMU
da Cloud Cap Technologies (Figura 3). A coleta
de dados foi realizada segundo a aplicacao de tres
tipos diferentes de testes:

Filtragem Complementar

Magnitude (dB)

Uma vez executadas as etapas anteriores, tem-se

agora um par de estimativas de atitude do robo
provenientes da IMU. Conforme discutido, os valores de a e a s
ao confi
aveis desde que o veculo realize movimentos lentos, ou seja, de maneira aproximadamente inercial. Por outro lado,
os par
ametros g e g s
ao susceptveis a erros devido a integrac
ao de rudos de baixa freq
uencia,
sendo, portanto, seus valores confi
aveis em altas
variac
oes.
Com base nessas suposic
oes, deve-se realizar
uma fus
ao de dados que considere apenas os espectros de freq
uencia mais confi
aveis de cada sinal, afim de gerar um resultado com o m
aximo de
confiabilidade. A soluc
ao utilizada foi a tecnica de
Filtragem Complementar, onde s
ao utilizados dois
filtros digitais, um passa-baixas e o outro passaaltas, com freq
uencia de corte c , conforme observado na Figura 2.
10

2. robo subindo e descendo um plano com inclinacao conhecida;

3. robo subindo e descendo uma plano com inclinacao conhecida, e com obstaculo para rolamento.

0
10

1. robo estatico, com valores de arfagem e rolamento nulos;

Gl(z)

Figura 3: Robo Pioneer-P3AT equipado com sensor laser SICK e IMU.

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)

Os resultados exibem uma comparacao entre a implementacao de filtragem complementar

e uma execucao com o Filtro de Kalman Unscented (UKF ), cuja descricao pode ser encontrada em
Wan and van der Merwe (2000).
3.1

Experimentos Realizados

Inicialmente realizou-se um experimento onde o

robo permaneceu parado tendo assim valores de
e assumidos como zero (ground truth). O principal objetivo foi o de verificar o comportamento dos
metodos em um estado estacionario, avaliando-se
assim a presenca de rudos aleatorios e polarizados.
Na Figura 4 pode-se observar que o valor absoluto do erro maximo de utilizando a filtragem
complementar, para esse caso, foi inferior a 0.8 ,

enquanto que o erro gerado pelo filtro de Kalman

chegou a aproximadamente 2 . Para o c
alculo de
o valor absoluto do erro m
aximo com filtragem
complementar foi 0.6 , j
a o erro do filtro de Kalman se aproximou de 3 .
O valor absoluto m
aximo do erro tanto para
quanto , como pode ser observado no grafico,
ocorreu no mesmo instante de tempo, o que remete `
a alguma pertubac
ao ocorrida durante a coleta dos dados. Porem, e possvel observar que o
impacto causado por essa pertubac
ao na filtragem
complementar foi menor, indicando uma maior robustez dessa tecnica.
Calculando-se a media, foram obtidos os valores = 0.02 e = 0.04 utilizando-se o Filtro
Complementar, e = 0.5 e = 0.8 utilizando possvel observar que nessas condicoes
se o UKF. E
o Filtro Complementar obteve melhores resultados.

Figura 6: Experimento com segunda rampa.

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)

rampa foi adicionada `a rampa por onde o rob

o
trafega, o robo entao devera passar apenas com
duas rodas por sobre essa segunda rampa, o que
deve provocar uma variacao em (rolagem) de
8 (Figura 6). Os resultados desse experimento
podem ser vistos na Figura 7.

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

Figura 4: Experimento 1: rob

o est
atico.

10
0

10

20

30

40

50

60

70

tempo (segundos)

A Figura 5 exibe os resultados para uma trajet

oria onde o rob
o primeiramente percorre um
plano sem variac
ao de nvel, em seguida, inicia
a subida de uma rampa de inclinac
ao conhecida
( 5 ), em seguida p
ara e realiza um giro de 180 ,
variando simultaneamente os
angulos de arfagem
e de rolamento e retornando ao ponto inicial.

(graus)

10
Kalman
Filtro Complementar

5
0

Em ambos os experimentos e possvel observar

que o UKF e o CF produziram resultados semelhantes e bem proximos dos valores esperados para
, representados nos graficos pelas linhas pontilhadas. Ja para os valores produzidos pelo CF
se aproximaram mais do rolamento real realizado
pelo robo.

5
10
0

10

15

20

25

tempo (segundos)

30

35

40

10

(graus)

Figura 7: Experimento 3: movimento em rampa

com desnvel.

Kalman
Filtro Complementar

5
0
5
10
0

10

15

20

25

tempo (segundos)

30

35

40

Figura 5: Experimento 2: rob

o sobe uma rampa
com inclinac
ao conhecida, gira e retorna ao ponto
inicial.
No pr
oximo experimento,

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

Nesse trabalho foi apresentada a utilizacao da

tecnica de filtragem complementar para estimar
os
angulos de arfagem e rolamento de um robo
m
ovel, visando a navegac
ao em ambientes naoestruturados e tridimensionais.
Os resultados sugerem que o uso dessa tecnica
substitui com vantagem a metodologia da filtragem de Kalman, inclusive com ganhos significativos em algumas situac
oes. A vantagem principal
obtida e a reduc
ao da complexidade computacional do sistema, o que permite um aumento na
freq
uencia de amostragem dos sinais, e conseq
uentemente uma melhora na precis
ao das estimativas.
Os pr
oximos passos dessa pesquisa incluem realizar a fus
ao de informac
oes da navegac
ao inercial
com dados obtidos utilizando-se um laser. A expectativa e construir um sistema de mapeamento
e localizac
ao simult
aneos capaz de gerar mapas
tridimensionais de ambientes externos. Ainda, e
possvel modelar algumas imperfeic
oes dos sensores da IMU (como o bias e os efeitos de temperatura, por exemplo), a fim de aumentar a precisao
dos valores de orientac
ao calculados.
Agradecimentos
Os autores agradecem a Wolmar Pimenta pelo
apoio na construc
ao e integrac
ao do sistema me-

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.