⚡ electrical engineering

FPGA-Based Real-Time Sensor Fusion for Inertial Navigation Using IMU and GPS Data

Este artículo presenta una implementación en FPGA de baja latencia y tiempo real de un Filtro de Kalman Extendido de IMU/GPS para navegación inercial, lograda mediante la optimización de un modelo reducido de 16 estados a través de Síntesis de Alto Nivel en una plataforma Xilinx Kintex-7 para ofrecer una estimación de alta precisión con una utilización mínima de recursos.

Autores originales: Abbas Fadavi

Publicado 2026-08-11

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Abbas Fadavi

Artículo original bajo licencia CC BY 4.0 (https://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 que estás intentando encontrar tu camino a través de un bosque denso y neblinoso sin un mapa. Tienes dos herramientas para ayudarte. La primera es un podómetro súper rápido y súper preciso con un trompo giratorio sujeto a tu muñeca (un IMU). Estos te dicen exactamente qué tan rápido te mueves y hacia qué dirección estás girando, pero son un poco "erráticos". Si los usas durante demasiado tiempo, comienzan a mentirte lentamente, haciéndote creer que estás caminando en línea recta cuando en realidad estás describiendo una espiral. La segunda herramienta es un teléfono satelital (GPS). Te dice exactamente dónde estás en el mapa, pero es lento para conectarse y solo da una señal de vez en tanto. Si dependes solo del satélite, podrías perderte un giro repentino; si dependes solo del podómetro, eventualmente te perderás del camino.

Para resolver esto, los ingenieros utilizan un truco matemático ingenioso llamado "fusión de sensores", específicamente algo llamado Filtro de Kalman Extendido (EKF). Piensa en este filtro como un árbitro súper inteligente que escucha constantemente tanto al rápido podómetro como al lento satélite. Adivina dónde estás, comprueba con el satélite si su suposición fue correcta y luego corrige la deriva del podómetro. El problema es que realizar este cálculo lo suficientemente rápido para seguir el ritmo de la alta velocidad del podómetro es una tarea increíblemente pesada para un chip de computadora estándar. Aquí es donde entran en juego los Arreglos de Puertas Programables en Campo (FPGA). Si un chip de computadora normal es un solo chef cocinando una comida paso a paso, un FPGA es una cocina masiva con cientos de chefs trabajando en perfecta sincronía, todos al mismo tiempo. Este artículo explora cómo construir esa "supercocina" para ejecutar el árbitro de navegación en tiempo real.

La Misión del Artículo: Construir un Cerebro de Navegación Súper Rápido

Este artículo de Abbas Fadavi presenta una nueva forma de construir esa "supercocina" para la navegación. El autor tomó un complejo algoritmo de navegación que usualmente se ejecuta en una computadora y lo tradujo exitosamente en un diseño que vive directamente en un chip FPGA Xilinx Kintex-7. El objetivo era hacer que el "árbitro" (el EKF) fuera lo suficientemente rápido para manejar los datos de alta velocidad del IMU mientras espera las actualizaciones lentas del GPS, todo sin quedar estancado por el pesado cálculo matemático.

El Desafío: De la Clase de Matemáticas al Hardware
El viaje comenzó con un gran obstáculo: el algoritmo original estaba escrito en MATLAB, una herramienta de software llena de funciones sofisticadas de "toolbox" que los chips de hardware no pueden entender. Era como intentar cocinar una receta escrita para un laboratorio de gastronomía molecular de alta tecnología usando una fogata. El autor tuvo que eliminar las dependencias de software sofisticadas y reescribir el código para que pudiera ser sintetizado (traducido) en lógica de hardware.

Un cambio importante involucró el "vector de estado", que es simplemente una lista de todas las cosas que la computadora está tratando de adivinar sobre tu posición (como dónde estás, qué tan rápido vas y hacia qué dirección estás mirando). El modelo original de MATLAB intentaba adivinar 22 cosas diferentes, incluyendo datos de campo magnético. El autor se dio cuenta de que, para esta configuración específica de GPS/IMU, los datos magnéticos no eran estrictamente necesarios. Al reducir la lista a 16 elementos clave, redujeron la cantidad de matemáticas que el chip tenía que hacer en aproximadamente un 65%. Es como darse cuenta de que no necesitas rastrear la temperatura de cada una de las hojas en el bosque para saber que estás perdido; solo necesitas rastrear tu trayectoria y velocidad.

Los Trucos Mágicos: Cómo lo Hicieron Rápido
Para hacer que las matemáticas volaran, el autor utilizó algunos trucos ingeniosos:

Fórmulas Analíticas: En lugar de dejar que la computadora adivine y compruebe (métodos iterativos) para resolver problemas matemáticos complejos, utilizaron fórmulas exactas y precalculadas. Es la diferencia entre adivinar la respuesta a un acertijo probando cada palabra del diccionario frente a simplemente saber la respuesta.
Factorización de Cholesky: Para el trabajo pesado de las matemáticas de matrices (que es como organizar una gigantesca hoja de cálculo de probabilidades), utilizaron un método específico y eficiente llamado factorización de Cholesky. Esto es como usar un atajo para resolver un rompecabezas en lugar de intentar encajar cada pieza en cada lugar posible.
Pipelining (Segmentación): Utilizaron instrucciones especiales llamadas "PIPELINE" y "ARRAY_PARTITION". Imagina una línea de ensamblaje de una fábrica donde cada trabajador hace un paso diminuto y pasa el trabajo a la siguiente persona inmediatamente. Esto permite que el chip procese datos continuamente sin detenerse a esperar a que el paso anterior termine.

Los Resultados: Velocidad y Precisión
El equipo probó su diseño en un FPGA Xilinx Kintex-7. Los resultados fueron impresionantes. El chip funcionó a una velocidad de reloj de 50 MHz. Cada vez que necesitaba actualizar su suposición de tu ubicación, tardaba entre 1.12 milisegundos y 1.21 milisegundos. Eso es increíblemente rápido, lo suficientemente rápido para seguir el ritmo de los sensores IMU de alta velocidad.

En términos de recursos, el diseño fue sorprendentemente eficiente. Utilizó solo 191 "slices DSP" (los motores matemáticos del chip), lo cual es solo el 12% de la potencia total disponible en el chip. Esto deja mucho espacio para otras tareas.

Lo más importante es que el autor comparó la salida del chip con el modelo original de la computadora. La diferencia fue mínima, menos del 0.001% de error. Esto demuestra que, aunque simplificaron las matemáticas y cambiaron el código para que se ajustara al hardware, el chip sigue diciendo la verdad. El artículo concluye que, mediante el uso de herramientas de Síntesis de Alto Nivel (HLS) y simplificaciones inteligentes, es posible construir un sistema de navegación de tiempo real y baja latencia en un chip de gama media que sea tanto rápido como preciso.

Resumen Técnico: Fusión de Sensores en Tiempo Real Basada en FPGA para Navegación Inercial Utilizando Datos de IMU y GPS

Planteamiento del Problema
La navegación inercial en tiempo real requiere una estimación de estado continua bajo estrictas restricciones de latencia. Mientras que las Unidades de Medición Inercial (IMU) proporcionan datos de movimiento de alta frecuencia, sufren de deriva con el tiempo, mientras que los receptores de Sistema de Posicionamiento Global (GPS) ofrecen posicionamiento absoluto de baja frecuencia. El Filtro de Kalman Extendido (EKF) es la solución estándar para fusionar estos sensores complementarios; sin embargo, el despliegue de algoritmos EKF a tasas de IMU que superan los 100 Hz sigue siendo computacionalmente exigente debido al rápido escalamiento de la propagación de la covarianza y las operaciones matriciales con la dimensión del estado. Además, la transición desde especificaciones algorítmicas de alto nivel (por ejemplo, MATLAB) hacia implementaciones de hardware suele enfrentar desafíos relacionados con las dependencias de toolboxes, las restricciones de estructuras de datos y la complejidad de las aproximaciones de Jacobianos en entornos de recursos limitados.

Metodología
El artículo presenta una metodología sistemática para traducir un modelo de navegación EKF de IMU/GPS basado en MATLAB a un diseño de C++ sintetizable mediante Síntesis de Alto Nivel (HLS). La implementación tiene como objetivo una Xilinx Kintex-7 (xc7k410t) utilizando Vitis HLS 2023.1.

Las adaptaciones metodológicas clave incluyen:

Reducción del Vector de Estado: El modelo original de MATLAB de 22 dimensiones, que incluía estados de sesgo geomagnético y de magnetómetro, se redujo a una arquitectura de 16 estados. Esto implicó la eliminación de la etapa de actualización del magnetómetro, ya que el GPS proporciona observabilidad suficiente para los estados restantes en el escenario objetivo. Esta reducción disminuyó la dimensión de la matriz de covarianza de 22×22 a 16×16.
Optimización Algorítmica:
- Evaluación del Jacobiano: La evaluación iterativa del Jacobiano por diferencias finitas fue reemplazada por una formulación analítica de forma cerrada para reducir la complejidad computacional.
- Operaciones Matriciales: El cálculo de la ganancia de Kalman utiliza la factorización de Cholesky en lugar de la inversión directa de matrices para mejorar la estabilidad numérica y reducir el costo de hardware. La actualización de la covarianza emplea una forma simplificada en lugar de la forma completa de Joseph, lo que reduce a la mitad las multiplicaciones de matrices requeridas.
- Conversión de Coordenadas: La función de toolbox lla2ned de MATLAB fue reemplazada con una función personalizada lla2ned_simple basada en una aproximación de Tierra esférica, con constantes dependientes de la referencia precomputadas para eliminar las evaluaciones trigonométricas en tiempo de ejecución.
Reestructuración del Flujo de Control: Para satisfacer los requisitos de HLS relativos a bucles con límites estáticos, el bucle while original dependiente de datos fue reestructurado en dos bucles for anidados con límites fijos (50 bloques de GPS, cada uno conteniendo 160 muestras de IMU). La lógica se decompuso en funciones independientes de imu_predict y gps_update para permitir un pipelining independiente.
Estabilidad Numérica: Las ramas condicionales para la normalización de cuaterniones fueron eliminadas y reemplazadas por formulaciones sin bifurcaciones (por ejemplo, el uso de max para el recorte o clamping) para evitar paradas en el pipeline (pipeline stalls). Todos los arreglos fueron declarados con dimensiones constantes en tiempo de compilación.
Aceleración de Hardware: El diseño emplea directivas de HLS como PIPELINE, UNROLL y ARRAY_PARTITION para maximizar el paralelismo y la eficiencia del acceso a la memoria.

Contribuciones Clave
El artículo identifica tres contribuciones primarias:

Una metodología sistemática para la traducción de código de navegación EKF basado en MATLAB a HLS-C++, resolviendo específicamente problemas relacionados con dependencias de toolboxes y restricciones de estructuras de datos.
La aplicación de directivas específicas de HLS para lograr una ejecución de alto rendimiento capaz de manejar 160 muestras de IMU por ciclo de actualización de GPS.
La demostración de una implementación totalmente sintetizable en una FPGA Kintex-7 de gama media que logra un rendimiento en tiempo real con baja latencia.

Resultados Experimentales
La implementación fue validada contra un modelo de referencia en MATLAB utilizando datos simulados de IMU y GPS.

Verificación Funcional: La validación numérica confirmó la equivalencia funcional, con errores relativos de salida para posición, orientación y covarianza por debajo de $10^{-3}\%$ (específicamente, los errores relativos máximos fueron $<10^{-4}$ para posición y orientación, y $<10^{-3}$ para la matriz de covarianza).
Rendimiento de Tiempo: Sintetizado para un reloj objetivo de 50 MHz, el diseño alcanzó una frecuencia de operación de aproximadamente 59.4 MHz. La latencia total de estimación por ciclo de actualización osciló entre 1.12 ms y 1.21 ms. La etapa de actualización de GPS (que involucra operaciones matriciales) dominó la latencia (0.514–0.600 ms), mientras que la etapa de predicción de IMU requirió solo 3.74 $\mu$ s.
Utilización de Recursos: El diseño utilizó 191 slices DSP (12% del dispositivo), 44,317 LUTs (17%) y 42,955 Flip-Flops (8%). La mayor parte de los recursos fueron consumidos por el módulo de actualización de GPS.

Significancia
El artículo afirma su significancia al abordar la brecha de investigación entre la especificación algorítmica y la implementación de hardware para la navegación embebida. Al demostrar un EKF basado en HLS que resuelve las incompatibilidades del vector de estado, reduce la complejidad del cálculo del Jacobiano mediante la explotación estructural y logra un rendimiento en tiempo real en una FPGA de gama media, este trabajo ofrece una alternativa flexible y eficiente a la codificación manual de HDL. Los resultados confirman que tales optimizaciones permiten el despliegue de algoritmos complejos de fusión de sensores en hardware con huellas de recursos modestas, manteniendo una precisión numérica comparable a los modelos de referencia de software.

Más como este