Attitude-Aided Linear Calibration of Triaxial Accelerometers

Resumen Técnico: Calibración Lineal Asistida por Actitud de Acelerómetros Triaxiales (ALAC)

Planteamiento del Problema
Los acelerómetros MEMS triaxiales son críticos para la detección inercial y la navegación, pero sufren errores deterministas (offset, factor de escala, no ortogonalidad y desalineación) y ruido estocástico. Los métodos de calibración existentes enfrentan un compromiso:

• Los métodos basados en referencias (por ejemplo, utilizando plataformas giratorias de alta precisión) dependen de una alineación estricta del sensor con el marco de referencia y a menudo requieren optimizaciones iterativas complejas o configuraciones de accesorios específicas, lo que limita su aplicabilidad en escenarios de bajo costo o en campo.
• Los métodos de autocalibración (que dependen únicamente de los datos del acelerómetro) evitan el uso de equipos externos pero típicamente requieren optimización iterativa no lineal (por ejemplo, Levenberg-Marquardt, algoritmos genéticos). Estos enfoques son propensos a la sensibilidad de la inicialización, problemas de convergencia y mínimos locales, lo que los hace computacionalmente costosos y menos robustos para aplicaciones en línea.

Existe la necesidad de un método de calibración que sea computacionalmente eficiente (no iterativo), robusto ante la desalineación de la plataforma y capaz de operar en cualquier sistema que proporcione información de actitud (por ejemplo, brazos robóticos, IMUs, plataformas giratorias) sin requerir una alineación estricta entre el sensor y la plataforma.

Metodología: Calibración de Acelerómetro Lineal Asistida por Actitud (ALAC)
Los autores proponen ALAC, un algoritmo de calibración lineal de forma cerrada que utiliza información de actitud externa para estimar los errores del sensor. La metodología central involucra:

1. Modelo de Calibración Unificado: Los autores introducen una Matriz de Error Combinada (CEM), denotada como $C$, que unifica los factores de escala del sensor ($S$), la no ortogonalidad ($T$) y la rotación de alineación ($^e_sR$) en una única matriz de $3 \times 3$. El modelo relaciona las mediciones crudas del acelerómetro ($acc$) con la aceleración del marco de referencia externo ($^eA$) mediante:
   $$^eA = C \cdot acc - ^eA_0$$
   donde $^eA_0$ es el sesgo expresado en el marco externo.

2. Restricción Asistida por la Actitud: Bajo condiciones estáticas, la aceleración real es cero y el sensor mide únicamente la gravedad. Al incorporar la orientación conocida de la plataforma (por ejemplo, desde la cinemática directa de un robot o la estimación de actitud de una IMU), el vector de gravedad en el marco externo queda restringido. Esto conduce a una ecuación homogénea:
   $$C \cdot acc - ^eA_0 - ^e_bR \cdot ^bA_g = 0$$
   donde $^e_bR$ es la rotación conocida desde la base hasta el sensor y $^bA_g$ es el vector de gravedad en el marco de la base (con una norma conocida $g$).

3. Mínimos Cuadrados Homogéneos Restringidos (CHLS): Los parámetros desconocidos (elementos de $C$, sesgo $^eA_0$ y vector de gravedad $^bA_g$) se apilan en un único vector $x$. La calibración se formula como un problema de CHLS:
   $$\min_x \| \bar{A}x \|_2^2 \quad \text{sujeto a} \quad \| Dx \|_2 = 1$$
   Este problema se resuelve en forma cerrada utilizando técnicas estándar de álgebra lineal, específicamente Descomposición en Valores Singulares (SVD) o Problemas de Autovalores Generalizados (GEVP). No se requiere optimización iterativa.

4. Extracción de Parámetros: Una vez estimada la CEM $C$, los parámetros individuales de calibración (factores de escala, no ortogonalidad y matriz de rotación) se extraen analíticamente mediante un proceso de descomposición similar a Gram-Schmidt. La ambigüedad de signo inherente a las soluciones homogéneas se resuelve asegurando que la matriz de rotación resultante tenga un determinante de $+1$.

5. Extensión Recursiva: La formulación lineal permite una extensión recursiva, lo que posibilita la calibración en línea/en campo, donde los parámetros se actualizan a medida que llegan nuevos datos, facilitando la compensación de deriva dinámica.

Contribuciones Clave

• Modelo Lineal Unificado: La formulación de la CEM permite la estimación simultánea de la escala, la no ortogonalidad y la rotación de alineación dentro de un único marco lineal, eliminando la necesidad de solvers iterativos.
• Flexibilidad Asistida por la Actitud: El método es aplicable a cualquier plataforma que proporcione datos de orientación (brazos robóticos, plataformas giratorias, IMUs) y no requiere orientaciones de sensores predefinidas ni alineación mecánica estricta, a diferencia de los métodos tradicionales basados en referencias.
• Solución de Forma Cerrada: El algoritmo proporciona una solución directa y no iterativa, lo que garantiza la eficiencia computacional y evita los problemas de convergencia asociados con la optimización no lineal.
• Robustez: El método estima conjuntamente el sesgo y el vector de gravedad, contabilizando implícitamente los errores de desalineación de la plataforma.

Resultados Experimentales
Los autores validaron ALAC utilizando datos sintéticos, una IMU montada en un robot (MPU6050 en un manipulador EFFORT) y un conjunto de datos de IMU cuasi-estático público.

• Experimentos Robóticos Estáticos:

  • ALAC logró un Error Cuadrático Medio (RMSE) de 0.00913 m/s² y un error de compensación de 0.338 m/s² utilizando 24 orientaciones estáticas.
  • Superó significativamente a las líneas de base de referencia (por ejemplo, TLS, quasi-Newton, UKF) que sufrieron grandes errores debido a suposiciones de alineación o inestabilidad de convergencia.
  • La precisión de ALAC fue comparable a la de los métodos de autocalibración iterativos (Newton, LM, Elipsoide), pero logró esto sin optimización iterativa.
  • Una estrategia de muestreo de "seis posiciones" (24 orientaciones) resultó más efectiva que el muestreo aleatorio, convergiendo más rápido y proporcionando un mejor condicionamiento numérico.

• Experimentos de IMU Cuasi-Estática:

  • En datos de trayectoria crudos y ruidosos, ALAC (tanto en modo offline como online) logró el menor RMSE y error de compensación entre todas las líneas de base evaluadas, incluyendo métodos de filtro de Kalman en línea y métodos de autocalibración iterativos.
  • En datos filtrados, la precisión de ALAC estuvo a la par de los mejores métodos de autocalibración iterativa.
  • La implementación recursiva (online) demostró una estabilidad y convergencia en tiempo real superior en comparación con las líneas de base offline.

Significancia y Reivindicaciones
El artículo afirma que ALAC proporciona un esquema de calibración práctico, robusto y eficiente para plataformas inerciales basadas en MEMS. Su principal significancia radica en cerrar la brecha entre la calibración de laboratorio de alta precisión y las aplicaciones de bajo costo en campo. Al aprovechar la información de actitud, elimina la dependencia de plataformas giratorias costosas y de la alineación estricta, mientras que su naturaleza lineal y de forma cerrada lo hace adecuado para la calibración en tiempo real u online, donde los métodos iterativos son demasiado lentos o inestables. Los autores sostienen que el método es particularmente adecuado para la calibración de fábrica y las aplicaciones de fusión de sensores en campo donde están presentes las incertidumbres del sistema (ruido del sensor, errores de actitud, desalineación mecánica).