⚡ electrical engineering

The Setting of IMU Parameters in Kalman Filtering-based Information Fusion

Este artículo propone un método para establecer los parámetros de la IMU dentro de un marco de filtrado de Kalman aprovechando la relación entre la densidad espectral de potencia y la varianza de Allan para abordar los desafíos del ajuste bajo condiciones de trabajo complejas, demostrando su efectividad a través de dos sistemas típicos de fusión de sensores.

Autores originales: Qiang Hu, Yanhua Zou, Shuaiyi Huo, Haibo Ge, Wei Ouyang

Publicado 2026-08-25

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Qiang Hu, Yanhua Zou, Shuaiyi Huo, Haibo Ge, Wei Ouyang

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina intentar navegar con un coche a través de una niebla densa donde el único mapa que tienes es una brújula y un velocímetro que se actualizan cien veces por segundo. Esta es la realidad para las máquinas modernas, desde los coches autónomos hasta los drones, que dependen de una unidad de medida inercial, o IMU, para saber dónde están. Estos pequeños dispositivos contienen giroscopios giratorios y acelerómetros sensibles que rastrean cada giro y vuelta. Sin embargo, estos sensores no son perfectos; derivan con el tiempo, acumulando pequeños errores que pueden desviar un vehículo kilómetros de su curso si no se controlan. Para solucionar esto, los ingenieros combinan los datos rápidos de la IMU con señales más lentas y fiables de satélites o escáneres láser. El desafío radica en decirle a la computadora exactamente cuánto confiar en la IMU frente a los otros sensores. Si la computadora cree que la IMU es demasiado perfecta, ignorará las correcciones útiles del mundo exterior. Si cree que la IMU es demasiado poco fiable, descartará los valiosos datos de movimiento de alta velocidad. Lograr este equilibrio es la diferencia entre un viaje fluido y un accidente.

Durante años, los ingenieros han luchado con una parte específica de este acto de equilibrio: cómo establecer las reglas para el "ruido" y el "sesgo" interno del sensor. El ruido es la estática aleatoria que hace que una lectura sea errática, mientras que el sesgo es una deriva lenta y progresiva que hace que el sensor crea que se está moviendo cuando en realidad está quieto. La práctica estándar consiste en probar el sensor mientras permanece perfectamente quieto sobre una mesa. Esta prueba estática produce un gráfico llamado gráfico de varianza de Allan, que revela las características del sensor. Sin embargo, el mundo real rara vez está quieto. Cuando un sensor está vibrando en un vehículo en movimiento, las condiciones cambian, y los números derivados de la prueba silenciosa en la mesa a menudo no logran predecir cómo se comportará el sensor en movimiento. Este desajuste ha dejado a muchos sistemas de navegación dependiendo de conjeturas o de una profunda experiencia intuitiva en lugar de un método sólido para ajustar sus configuraciones.

En un estudio reciente, investigadores de la Universidad de Tongji en Shanghai abordaron este problema creando un puente matemático claro entre las pruebas silenciosas en la mesa y la realidad caótica de un vehículo en movimiento. Se centraron en el filtro de Kalman, un algoritmo sofisticado que actúa como el cerebro del sistema de navegación, decidiendo constantemente cómo mezclar diferentes flujos de información. El equipo se dio cuenta de que la forma estándar de traducir los resultados de la prueba estática a los ajustes del filtro era a menudo imprecisa. Desarrollaron un nuevo método para convertir los datos del gráfico de varianza de Allan directamente en los números específicos que el filtro necesita para comprender la incertidumbre del sensor. En lugar de adivinar, su enfoque calcula la "densidad espectral de potencia" exacta, una medida de cómo se comportan los errores del sensor a lo largo del tiempo, basándose en las características probadas encontradas durante la calibración estática.

Los investigadores probaron este nuevo método de ajuste en dos sistemas de navegación muy diferentes. Primero, utilizaron una configuración que combina sensores inerciales con señales satelitales, una configuración común para vehículos. Compararon sus ajustes ajustados contra los valores predeterminados de fábrica y descubrieron que su método les permitía mantener una posición más precisa, especialmente cuando la señal satelital se perdía brevemente. El sistema fue mejor para resistir la deriva lenta que suele afectar a estos sensores. A continuación, probaron el método en un escenario más difícil: un sistema que utiliza escáneres láser y sensores inerciales para navegar a través de áreas grandes y abiertas donde hay pocos puntos de referencia para fijarse. En estos entornos "degenerados", el escáner láser a menudo tiene dificultades, obligando al sistema a depender fuertemente del sensor inercial. Aquí, la diferencia fue notable. Mientras que los ajustes estándar utilizados en software de código abierto popular funcionaron adecuadamente en algunos casos, funcionaron significativamente peor en las secuencias de prueba más desafiantes en comparación con los parámetros ajustados. En la secuencia de prueba más difícil, los ajustes estándar resultaron en un error de posición promedio de más de 11 metros, mientras que el sistema utilizando los parámetros ajustados de los investigadores redujo este error a aproximadamente 3,2 metros.

El estudio destaca que la forma en que configuramos actualmente estos sensores es demasiado rígida. Al utilizar la relación específica entre los resultados de la prueba estática del sensor y su comportamiento en movimiento, los investigadores demostraron que es posible extraer un rendimiento mucho mejor del hardware existente. No inventaron un nuevo sensor ni un nuevo tipo de computadora; simplemente proporcionaron una mejor manera de decirle a la computadora cómo escuchar al sensor que ya tiene. Su trabajo sugiere que, para muchas tareas de navegación, la clave para una mejor precisión no reside en comprar equipo más caro, sino en comprender el lenguaje sutil del ruido y la deriva que cada sensor produce. Este enfoque ofrece un camino práctico para los ingenieros que necesitan que sus máquinas naveguen el mundo real con mayor confianza y precisión.

Resumen Técnico: Configuración de los Parámetros de la IMU en la Fusión de Información basada en Filtros de Kalman

Planteamiento del Problema
La configuración y el ajuste de los parámetros de la Unidad de Medición Inercial (IMU) dentro de los marcos de fusión de sensores, particularmente aquellos basados en el filtro de Kalman, presentan un desafío significativo. Si bien las inestabilidades de ruido y sesgo de las IMU se caracterizan típicamente bajo condiciones de calibración estática mediante la varianza de Allan, estas especificaciones a menudo no logran dar cabida a la complejidad de las condiciones de trabajo dinámicas. En consecuencia, el ajuste efectivo de los parámetros de incertidumbre del proceso (específicamente el ruido y la inestabilidad del sesgo) en la matriz de covarianza del filtro de Kalman depende frecuentemente de la experiencia empírica en lugar de un vínculo teórico riguroso entre los datos de calibración y los parámetros del filtro. Esta brecha se ve exacerbada por la distinción entre el modelado de ruido en tiempo continuo (Densidad Espectral de Potencia, PSD) y la implementación del filtro en tiempo discreto, lo que conduce a una fusión de información subóptima si los parámetros se establecen incorrectamente.

Metodología
Los autores proponen un método sistemático para configurar los parámetros de la IMU cerrando la brecha entre los resultados de la calibración de la varianza de Allan y la matriz de covarianza de ruido del proceso en tiempo continuo utilizada en el filtrado de Kalman.

Formulación Teórica: El artículo revisa la discretización de los modelos de estado de error en tiempo continuo para la navegación inercial. Establece la relación matemática entre la matriz de Densidad Espectral de Potencia (PSD) en tiempo continuo ( $S$ ) y la matriz de covarianza de ruido del proceso en tiempo discreto ( $Q$ ). Los autores derivan que, para intervalos de tiempo pequeños, $Q \approx G S \Delta t G^T$ , donde $G$ es la matriz de entrada.
Conversión de Varianza de Allan a PSD: El núcleo de la metodología consiste en convertir las especificaciones estándar de la varianza de Allan (Paseo Aleatorio de Ruido $N$ $N$ e Inestabilidad de Sesgo $B$ $B$ ) en los coeficientes de PSD requeridos por el filtro.
- Para el Paseo Aleatorio de Ruido, la PSD está directamente relacionada con el coeficiente $N^2$ .
- Para la Inestabilidad de Sesgo, los autores modelan el sesgo como un proceso de Gauss-Markov de primer orden. Derivan una relación específica entre el valor de la varianza de Allan en la región "plana" de la gráfica y el coeficiente de la PSD ( $S_B$ ). Mediante la integración y el análisis de la función $F(\lambda)$ , determinan que la PSD para la inestabilidad de sesgo es aproximadamente $S_B \approx 5.25 \frac{\sigma_{zB}^2}{T_B}$ , donde $\sigma_{zB}$ es el valor de la inestabilidad de sesgo de la gráfica de la varianza de Allan y $T_B$ es el tiempo de correlación.
Estrategia de Ajuste: Los autores introducen factores de escala ( $k_{bg}$ y $k_{ba}$ ) para ajustar los parámetros de inestabilidad de sesgo calculados. Esto permite un ajuste fino basado en el rendimiento específico del sistema, reconociendo que el tiempo de correlación ( $T_B$ ) extraído de las gráficas de la varianza de Allan puede no ser isotrópico y ser sensible al periodo de integración elegido.

Contribuciones Clave
El artículo realiza dos contribuciones primarias:

Reformulación de las Matrices de Ruido: Los autores revisan y aclaran la derivación de las matrices de ruido en tiempo continuo y discreto, proponiendo explícitamente un método para establecer la matriz de covarianza del proceso basada en los datos de calibración de la varianza de Allan.
Validación en Escenarios Degenerados: El método de configuración de parámetros propuesto es verificado experimentalmente en dos sistemas distintos:
- Navegación Integrada INS/GNSS: Utilizando el marco de código abierto KFGINS.
- Odometría LiDAR-Inercial: Utilizando el marco de código abierto FASTLIO2, probado específicamente bajo escenarios degenerados de gran escala donde las características de LiDAR son escasas, forzando la dependencia de la propagación de la IMU.

Resultados Experimentales

INS/GNSS: Los experimentos con la IMU ADIS16465 mostraron que el sistema generalmente prefirió la configuración estándar de los parámetros calibrados (factor de escala $k=1$ ). Aunque la reducción ligera de los parámetros de inestabilidad de sesgo (factor de escala $k=0.5$ ) también logró una precisión de posicionamiento satisfactoria, los resultados indicaron una preferencia por los valores calibrados estándar.
Odometría LiDAR-Inercial: Las pruebas en la IMU Xsens MTi-600 utilizando conjuntos de datos degenerados (por ejemplo, Seq4) demostraron la importancia crítica del ajuste de parámetros.
- Los ajustes predeterminados de FASTLIO2 resultaron en errores altos en secuencias desafiantes (por ejemplo, un RMSE de 11.7 m en Seq4).
- La aplicación del método de ajuste propuesto mostró que la elección del factor de escala fue crítica. Un factor de escala de $k=10$ causó la divergencia del sistema en Seq4. Aumentar el factor a $k=25$ resultó en un alto RMSE promedio de 18.4 m, mientras que aumentar el factor a $k=50$ mejoró el resultado a 5.58 m.
- El ajuste más efectivo se logró seleccionando factores acompañantes específicos ( $k_{bg}=20, k_{ba}=40$ ), lo que redujo significativamente el RMSE promedio en Seq4 a 3.26 m.
- El estudio señaló que los valores de covarianza discreta predeterminados en FASTLIO2 eran órdenes de magnitud diferentes de los derivados mediante la conversión de varianza de Allan a PSD propuesta, resaltando la necesidad del enfoque de ajuste propuesto para sensores de grado industrial.

Significancia y Reivindicaciones
El artículo sostiene que el ajuste efectivo de los parámetros de la IMU no es meramente una tarea empírica, sino que puede fundamentarse en la relación rigurosa entre la varianza de Allan y la Densidad Espectral de Potencia. Al proporcionar una derivación clara para convertir los datos de calibración en parámetros del filtro, los autores ofrecen un método para mejorar la fiabilidad de la navegación basada en inercia, particularmente en escenarios donde las mediciones externas (como GNSS o LiDAR) están degradadas o no están disponibles. El trabajo enfatiza que, mientras que los parámetros de paseo aleatorio de ruido suelen ser confiables, los parámetros de inestabilidad de sesgo requieren una derivación cuidadosa y un posible escalado para coincidir con la dinámica específica del sistema de fusión. Los autores concluyen que su método demuestra la viabilidad tanto en sistemas INS/GNSS como en sistemas LiDAR-Inerciales, con trabajos futuros orientados al desarrollo de metodologías de ajuste aún más eficientes.

Más como este