Parametric and State Estimation of Stationary MEMS-IMUs: A Tutorial

Sintesi Tecnica: Stima Parametrica e di Stato di MEMS-IMU Stazionari

Enunciato del Problema
I Sistemi di Navigazione Inerziale (INS) si basano su unità di misura inerziale (IMU) a Micro-Sistemi Elettro-Meccanici (MEMS) per stimare posizione, velocità e orientamento. Tuttavia, errori intrinseci dei sensori, in particolare rumore stocastico e bias deterministico, si propagano attraverso l'integrazione, causando un drift e un degrado delle stime di stato nel tempo. Sebbene hardware di alta gamma possa mitigare questi problemi, è spesso proibitivo in termini di costi. Gli approcci basati sul software, come il filtraggio e la fusione dei dati, offrono alternative ma richiedono spesso un'inizializzazione complessa o un ausilio esterno. Questo lavoro affronta la sfida specifica di mitigare gli errori strumentali nelle MEMS-IMU stazionarie analizzando i benefici teorici ed empirici dell'impiego di più sensori (array di sensori) anziché di una singola unità.

Metodologia
Lo studio sviluppa un quadro analitico semplificato per modellare la relazione tra errore di stima, tempo e numero di sensori ($K$).

1. Modellazione del Sensore: Gli autori modellano le uscite dei sensori inerziali come combinazioni lineari di segnali reali, matrici di guadagno, bias e rumore bianco gaussiano. Si assume la Stazionarietà nel Senso Lato (WSS) e che i sensori siano non correlati.
2. Stima Parametrica: Il lavoro deriva le proprietà statistiche della media campionaria sia per un singolo sensore che per un array di $K$ sensori. Dimostra che, sebbene la media campionaria sia uno stimatore non distorto, la sua varianza diminuisce inversamente proporzionalmente al numero di campioni ($N$) e al numero di sensori ($K$). Nello specifico, la varianza della media per $K$ sensori è ridotta di un fattore $1/(NK)$.
3. Stima di Stato: Il quadro si estende al vettore di stato di navigazione (posizione, velocità, disallineamento e bias). Utilizzando un modello lineare a spazio di stato, gli autori propagano la matrice di covarianza dell'errore nel tempo. Dimostrano che la covarianza del rumore di processo e le conseguenti incertezze di stato scalano anch'esse inversamente con il numero di sensori ($1/K$).
4. Validazione Sperimentale: Per validare i modelli analitici, gli autori hanno condotto esperimenti utilizzando dieci MEMS-IMU identiche Xsens-DOT disposte in una configurazione stazionaria e livellata. I dati sono stati raccolti per 100 secondi a 100 Hz. Lo studio ha confrontato le prestazioni di un singolo sensore con quelle di un array di dieci sensori, analizzando la riduzione del bias, la densità di rumore (RMS) e la propagazione degli errori e delle incertezze di stato.

Contributi Chiave
Il lavoro presenta tre contributi principali:

• Panoramica User-Friendly: Scompone argomenti complessi di stima in un'analisi passo-passo, rendendo la relazione tra errore, tempo e numero di sensori accessibile sia ai neofiti che ai praticanti avanzati.
• Validazione Completa: Lo studio fornisce un confronto rigoroso tra i modelli analitici ipotizzati e i risultati sperimentali, confermando le previsioni teoriche riguardanti la riduzione dell'errore.
• Accesso Open-Source: Tutti i dati e il codice utilizzati nello studio sono resi pubblicamente disponibili per facilitare un'integrazione senza soluzione di continuità e la riproducibilità.

Risultati
I risultati sperimentali si allineano strettamente alle ipotesi analitiche:

• Livello Parametrico: All'aumentare del numero di sensori ($K$), la deviazione standard del bias stimato e del rumore è diminuita. I risultati hanno confermato che la deviazione standard dell'errore scala con $1/\sqrt{K}$. Per $K=10$, la riduzione è stata di circa $1/\sqrt{10}$, corrispondente a un miglioramento di -5 dB.
• Livello di Stato: In assenza di ausilio esterno, la soluzione INS subisce un drift a causa di bias non compensati. Lo studio ha dimostrato che l'uso di un array di sensori riduce significativamente sia l'entità degli errori di stato (posizione, velocità, disallineamento) sia le relative incertezze di stato (covarianza).
• Riduzione della Covarianza: È stato osservato che la covarianza dell'incertezza di stato per l'array a 10 sensori è approssimativamente $1/10$ dell'incertezza del singolo sensore, coerentemente con la Proposizione 5.
• Conferma Visiva: Gli ellissoidi di errore che rappresentano l'incertezza di posizione dopo 100 secondi hanno dimostrato una drastica riduzione del volume e dello spostamento del baricentro quando si utilizza l'array di sensori rispetto a un singolo sensore.

Significato e Affermazioni
Gli autori affermano che i loro risultati sostengono la validità dell'uso di più MEMS-IMU come "moltiplicatore di forza" per la navigazione inerziale. Lo studio dimostra che aumentare il numero di sensori agisce come un metodo robusto per mitigare errori strumentali e valori anomali, portando a una migliore accuratezza (cancellazione del bias) e precisione (riduzione del rumore).

Il lavoro ipotizza che questo approccio offra implicazioni pratiche per la progettazione di sistemi ad alta precisione, in particolare in scenari dove condizioni non ideali (come contaminazione o tempo di mediazione limitato) potrebbero altrimenti degradare le prestazioni. Aggiungendo più sensori, i vincoli operativi riguardanti il tempo di inizializzazione e l'accuratezza possono essere soddisfatti più efficacemente senza la necessità di costoso hardware di alta gamma. Lo studio conclude che, sebbene l'analisi sia stata condotta in condizioni stazionarie, i principi fondamentali della riduzione dell'errore tramite media forniscono una solida base teorica per estendere questi benefici a scenari dinamici e a strategie ottimali di integrazione INS.