⚡ electrical engineering

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

Cet article propose une méthode pour définir les paramètres d'une centrale inertielle (IMU) dans un cadre de filtrage de Kalman en exploitant la relation entre la densité spectrale de puissance et la variance d'Allan afin de relever les défis du réglage sous des conditions de fonctionnement complexes, démontrant son efficacité à travers deux systèmes de fusion de capteurs typiques.

Auteurs originaux : Qiang Hu, Yanhua Zou, Shuaiyi Huo, Haibo Ge, Wei Ouyang

Publié 2026-08-25

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Qiang Hu, Yanhua Zou, Shuaiyi Huo, Haibo Ge, Wei Ouyang

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez essayer de diriger une voiture à travers un brouillard dense où la seule carte dont vous disposez est une boussole et un tachymètre qui se mettent à jour cent fois par seconde. C'est la réalité des machines modernes, des voitures autonomes aux drones, qui s'appuient sur une unité de mesure inertielle, ou IMU, pour savoir où elles se trouvent. Ces petits dispositifs contiennent des gyroscopes en rotation et des accéléromètres sensibles qui suivent chaque torsion et chaque virage. Cependant, ces capteurs ne sont pas parfaits ; ils dérivent avec le temps, accumulant de minuscules erreurs qui peuvent écarter un véhicule de plusieurs kilomètres de sa trajectoire s'ils ne sont pas contrôlés. Pour y remédier, les ingénieurs combinent les données rapides de l'IMU avec des signaux plus lents mais plus fiables provenant de satellites ou de scanners laser. Le défi consiste à dire à l'ordinateur exactement à quel point il doit faire confiance à l'IMU par rapport aux autres capteurs. Si l'ordinateur pense que l'IMU est trop parfait, il ignorera les corrections utiles du monde extérieur. S'il pense que l'IMU est trop peu fiable, il rejettera les précieuses données de mouvement à haute vitesse. Réussir cet équilibre est la différence entre un voyage fluide et un accident.

Pendant des années, les ingénieurs ont lutté avec une partie spécifique de cet équilibre : comment définir les règles du « bruit » et du « biais » interne du capteur. Le bruit est l'interférence aléatoire qui rend une lecture vacillante, tandis que le biais est une dérive lente et rampante qui fait croire au capteur qu'il est en mouvement alors qu'il est en réalité immobile. La pratique courante consiste à tester le capteur alors qu'il repose parfaitement immobile sur une table. Ce test statique produit un graphique appelé diagramme de variance d'Allan, qui révèle les caractéristiques du capteur. Cependant, le monde réel est rarement immobile. Lorsqu'un capteur vibre dans un véhicule en mouvement, les conditions changent, et les chiffres dérivés du test sur table calme échouent souvent à prédire comment le capteur se comportera en mouvement. Ce décalage a laissé de nombreux systèmes de navigation dépendre de suppositions ou d'une expérience intuitive profonde plutôt que d'une méthode solide pour régler leurs paramètres.

Dans une étude récente, des chercheurs de l'Université de Tongji à Shanghai ont abordé ce problème en créant un pont mathématique clair entre les tests statiques sur table et la réalité chaotique d'un véhicule en mouvement. Ils se sont concentrés sur le filtre de Kalman, un algorithme sophistiqué qui agit comme le cerveau du système de navigation, décidant constamment comment mélanger différents flux d'informations. L'équipe a réalisé que la manière standard de traduire les résultats des tests statiques en paramètres de filtre était souvent imprécise. Ils ont développé une nouvelle méthode pour convertir directement les données du diagramme de variance d'Allan en nombres spécifiques dont le filtre a besoin pour comprendre l'incertitude du capteur. Au lieu de deviner, leur approche calcule la « densité spectrale de puissance » exacte, une mesure de la façon dont les erreurs du capteur se comportent au fil du temps, basée sur les caractéristiques prouvées trouvées lors du calibrage statique.

Les chercheurs ont testé cette nouvelle méthode de réglage sur deux systèmes de navigation très différents. Premièrement, ils ont utilisé une configuration combinant des capteurs inertiels avec des signaux satellites, une configuration courante pour les véhicules. Ils ont comparé leurs réglages ajustés aux paramètres par défaut de l'usine et ont constaté que leur méthode permettait au système de maintenir une position plus précise, surtout lorsque le signal satellite était brièvement perdu. Le système était plus apte à résister à la dérive lente qui affecte habituellement ces capteurs. Ensuite, ils ont testé la méthode sur un scénario plus difficile : un système qui utilise des scanners laser et des capteurs inertiels pour naviguer dans de grandes zones ouvertes où il y a peu de points de repère pour se verrouiller. Dans ces environnements « dégénérés », le scanner laser éprouve souvent des difficultés, forçant le système à s'appuyer fortement sur le capteur inertiel. Ici, la différence était flagrante. Alors que les réglages standards utilisés dans les logiciels open-source populaires fonctionnaient de manière adéquate dans certains cas, ils étaient nettement moins performants dans les séquences de test les plus difficiles par rapport aux paramètres ajustés. Dans la séquence de test la plus difficile, les réglages standards entraînaient une erreur de position moyenne de plus de 11 mètres, tandis que le système utilisant les paramètres ajustés des chercheurs réduisait cette erreur à environ 3,2 mètres.

L'étude souligne que la façon dont nous réglons actuellement ces capteurs est souvent trop rigide. En utilisant la relation spécifique entre les résultats des tests statiques du capteur et son comportement en mouvement, les chercheurs ont montré qu'il est possible d'extraire de meilleures performances du matériel existant. Ils n'ont pas inventé un nouveau capteur ou un nouveau type d'ordinateur ; ils ont simplement fourni une meilleure façon de dire à l'ordinateur comment écouter le capteur qu'il possède déjà. Leur travail suggère que pour de nombreuses tâches de navigation, la clé d'une meilleure précision ne réside pas dans l'achat d'un équipement plus coûteux, mais dans la compréhension du langage subtil du bruit et de la dérive que chaque capteur produit. Cette approche offre une voie pratique pour les ingénieurs qui ont besoin que leurs machines naviguent dans le monde réel avec plus de confiance et de précision.

Résumé technique : Paramétrage des paramètres de l'IMU dans la fusion d'informations basée sur le filtrage de Kalman

Énoncé du problème
Le paramétrage et le réglage des paramètres de l'unité de mesure inertielle (IMU) au sein des cadres de fusion de capteurs, particulièrement ceux basés sur le filtrage de Kalman, présentent un défi significatif. Bien que les instabilités de bruit et de biais des IMU soient typiquement caractérisées dans des conditions de calibration statiques à l'aide de la variance d'Allan, ces spécifications ne parviennent souvent pas à prendre en compte la complexité des conditions de fonctionnement dynamiques. Par conséquent, le réglage effectif des paramètres d'incertitude du processus (spécifiquement le bruit et l'instabilité du biais) dans la matrice de covariance du filtre de Kalman repose fréquemment sur l'expérience empirique plutôt que sur un lien théorique rigoureux entre les données de calibration et les paramètres du filtre. Ce fossé est exacerbé par la distinction entre la modélisation du bruit en temps continu (densité spectrale de puissance, PSD) et l'implémentation du filtre en temps discret, ce qui peut conduire à une fusion d'informations sous-optimale si les paramètres sont mal définis.

Méthodologie
Les auteurs proposent une méthode systématique pour définir les paramètres de l'IMU en comblant l'écart entre les résultats de la calibration par variance d'Allan et la matrice de covariance du bruit de processus en temps continu utilisée dans le filtrage de Kalman.

Formulation théorique : L'article revoit la discrétisation des modèles d'erreur en temps continu pour la navigation inertielle. Il établit la relation mathématique entre la matrice de densité spectrale de puissance (PSD) en temps continu ( $S$ ) et la matrice de covariance du bruit de processus en temps discret ( $Q$ ). Les auteurs démontrent que pour de petits intervalles de temps, $Q \approx G S \Delta t G^T$ , où $G$ est la matrice d'entrée.
Conversion de la variance d'Allan en PSD : Le cœur de la méthodologie consiste à convertir les spécifications standards de la variance d'Allan (marche aléatoire du bruit $N$ $N$ et instabilité du biais $B$ $B$ ) en coefficients PSD requis pour le filtre.
- Pour la marche aléatoire du bruit, la PSD est directement liée au coefficient $N^2$ .
- Pour l'instabilité du biais, les auteurs modélisent le biais comme un processus de Gauss-Markov de premier ordre. Ils dérivent une relation spécifique entre la valeur de la variance d'Allan dans la région « plate » du graphique et le coefficient de la PSD ( $S_B$ ). Par intégration et analyse de la fonction $F(\lambda)$ , ils déterminent que la PSD pour l'instabilité du biais est approximativement $S_B \approx 5,25 \frac{\sigma_{zB}^2}{T_B}$ , où $\sigma_{zB}$ est la valeur de l'instabilité du biais issue du graphique de la variance d'Allan et $T_B$ est le temps de corrélation.
Stratégie de réglage : Les auteurs introduisent des facteurs d'échelle ( $k_{bg}$ et $k_{ba}$ ) pour ajuster les paramètres d'instabilité de biais calculés. Cela permet un réglage fin basé sur les performances spécifiques du système, reconnaissant que le temps de corrélation ( $T_B$ ) extrait des graphiques de variance d'Allan peut être non isotrope et sensible à la période d'intégration choisie.

Principales contributions
L'article apporte deux contributions primaires :

Reformulation des matrices de bruit : Les auteurs revoient et clarifient la dérivation des matrices de bruit en temps continu et en temps discret, proposant explicitement une méthode pour définir la matrice de covariance du processus basée sur les données de calibration de la variance d'Allan.
Validation dans des scénarios dégénérés : La méthode de paramétrage proposée est vérifiée expérimentalement dans deux systèmes distincts :
- Navigation intégrée INS/GNSS : En utilisant le framework open-source KFGINS.
- Odométrie LiDAR-Inertielle : En utilisant le framework open-source FASTLIO2, testé spécifiquement sous des scénarios dégénérés à grande échelle où les caractéristiques LiDAR sont rares, forçant la dépendance à la propagation de l'IMU.

Résultats expérimentaux

INS/GNSS : Les expériences avec l'IMU ADIS16465 ont montré que le système préférait généralement le réglage standard des paramètres calibrés (facteur d'échelle $k=1$ ). Bien qu'une réduction légère des paramètres d'instabilité du biais (facteur d'échelle $k=0,5$ ) permette également d'obtenir une précision de positionnement satisfaisante, les résultats indiquaient une préférence pour les valeurs calibrées standards.
Odométrie LiDAR-Inertielle : Les tests sur l'IMU Xsens MTi-600 utilisant des jeux de données dégénérés (ex: Seq4) ont démontré l'importance critique du réglage des paramètres.
- Les réglages par défaut de FASTLIO2 ont entraîné des erreurs élevées dans les séquences difficiles (ex: RMSE de 11,7 m dans Seq4).
- L'application de la méthode de réglage proposée a montré que le choix du facteur d'échelle était critique. Un facteur d'échelle de $k=10$ a provoqué la divergence du système dans Seq4. Augmenter le facteur à $k=25$ a entraîné un RMSE moyen élevé de 18,4 m, tandis qu'une augmentation supplémentaire à $k=50$ a amélioré le résultat à 5,58 m.
- Le réglage le plus efficace a été obtenu en sélectionnant des facteurs compagnons spécifiques ( $k_{bg}=20, k_{ba}=40$ ), ce qui a considérablement réduit le RMSE moyen dans Seq4 à 3,26 m.
- L'étude a noté que les valeurs de covariance discrètes par défaut dans FASTLIO2 étaient de plusieurs ordres de grandeur différentes de celles dérivées via la conversion de la variance d'Allan en PSD proposée, soulignant la nécessité de l'approche de réglage proposée pour les capteurs de classe industrielle.

Signification et affirmations
L'article affirme que le réglage effectif des paramètres de l'IMU n'est pas simplement une tâche empirique mais peut être fondé sur la relation rigoureuse entre la variance d'Allan et la densité spectrale de puissance. En fournissant une dérivation claire pour convertir les données de calibration en paramètres de filtre, les auteurs offrent une méthode pour améliorer la fiabilité de la navigation basée sur l'inertie, particulièrement dans les scénarios où les mesures externes (comme le GNSS ou le LiDAR) sont dégradées ou indisponibles. Le travail souligne que si les paramètres de marche aléatoire du bruit sont souvent fiables, les paramètres d'instabilité du biais nécessitent une dérivation minutieuse et un potentiel étalonnage pour correspondre à la dynamique spécifique du système de fusion. Les auteurs concluent que leur méthode démontre la faisabilité tant dans les systèmes INS/GNSS que LiDAR-Inertiels, avec des travaux futurs visant à développer des méthodologies de réglage encore plus efficaces.

Articles similaires