Attitude-Aided Linear Calibration of Triaxial Accelerometers

Sintesi Tecnica: Calibrazione Lineare Assistita dall'Assetto di Accelerometri Triassiali (ALAC)

Definizione del Problema
Gli accelerometri MEMS triassiali sono critici per la rilevazione inerziale e la navigazione, ma soffrono di errori deterministici (offset, fattore di scala, non-ortogonalità e disallineamento) e rumore stocastico. Gli esistenti metodi di calibrazione affrontano un compromesso:

• Metodi basati su riferimento (ad esempio, utilizzando tavole rotanti ad alta precisione) dipendono da un rigoroso allineamento del sensore con il sistema di riferimento e spesso richiedono ottimizzazioni iterative complesse o configurazioni di fissaggio specifiche, limitandone l'applicabilità in scenari a basso costo o sul campo.
• Metodi di auto-calibrazione (che si affidano esclusivamente ai dati dell'accelerometro) evitano l'uso di apparecchiature esterne, ma tipicamente richiedono l'ottimizzazione iterativa non lineare (ad esempio, Levenberg-Marquardt, algoritmi genetici). Questi approcci sono soggetti a sensibilità all'inizializzazione, problemi di convergenza e minimi locali, rendendoli computazionalmente costosi e meno robusti per applicazioni online.

Esiste la necessità di un metodo di calibrazione che sia computazionalmente efficiente (non iterativo), robusto al disallineamento della piattaforma e capace di operare su qualsiasi sistema che fornisca informazioni sull'assetto (ad esempio, bracci robotici, IMU, tavole rotanti) senza richiedere un rigoroso allineamento sensore-piattaforma.

Metodologia: Calibrazione Lineare di Accelerometri Assistita dall'Assetto (ALAC)
Gli autori propongono ALAC, un algoritmo di calibrazione lineare a forma chiusa che utilizza informazioni esterne sull'assetto per stimare gli errori del sensore. La metodologia centrale prevede:

1. Modello di Calibrazione Unificato: Gli autori introducono una Matrice di Errore Combinata (CEM), indicata come $C$, che unifica i fattori di scala del sensore ($S$), la non-ortogonalità ($T$) e la rotazione di allineamento ($^e_sR$) in una singola matrice $3 \times 3$. Il modello mette in relazione le misurazioni grezze dell'accelerometro ($acc$) con l'accelerazione del sistema di riferimento esterno ($^eA$) tramite:
   $$^eA = C \cdot acc - ^eA_0$$
   dove $^eA_0$ è il bias espresso nel sistema di riferimento esterno.

2. Vincolo Assistito dall'Assetto: In condizioni statiche, l'accelerazione reale è nulla e il sensore misura solo la gravità. Incorporando l'orientamento noto della piattaforma (ad esempio, dalla cinematica diretta di un robot o dalla stima dell'assetto di un IMU), il vettore gravità nel sistema di riferimento esterno è vincolato. Ciò porta a un'equazione omogenea:
   $$C \cdot acc - ^eA_0 - ^e_bR \cdot ^bA_g = 0$$
   dove $^e_bR$ è la rotazione nota dal sistema di base al sensore e $^bA_g$ è il vettore gravità nel sistema di riferimento della base (con un modulo noto $g$).

3. Minimi Quadrati Omogenei Vincolati (CHLS): I parametri incogniti (elementi di $C$, bias $^eA_0$ e vettore gravità $^bA_g$) sono impilati in un unico vettore $x$. La calibrazione è formulata come un problema CHLS:
   $$\min_x \| \bar{A}x \|_2^2 \quad \text{s.t.} \quad \| Dx \|_2 = 1$$
   Questo problema viene risolto in forma chiusa utilizzando tecniche standard di algebra lineare, specificamente la Decomposizione a Valori Singolari (SVD) o i Problemi di Autovalori Generalizzati (GEVP). Non è richiesta alcuna ottimizzazione iterativa.

4. Estrazione dei Parametri: Una volta stimata la CEM $C$, i singoli parametri di calibrazione (fattori di scala, non-ortogonalità e matrice di rotazione) vengono estratti analiticamente tramite un processo di decomposizione simile a quello di Gram-Schmidt. L'ambiguità del segno inerente alle soluzioni omogenee viene risolta assicurando che la matrice di rotazione risultante abbia un determinante pari a $+1$.

5. Estensione Ricorsiva: La formulazione lineare consente un'estensione ricorsiva, permettendo la calibrazione online/sul campo dove i parametri vengono aggiornati al giungere di nuovi dati, facilitando la compensazione dinamica del drift.

Contributi Chiave

• Modello Lineare Unificato: La formulazione della CEM permette la stima simultanea di scala, non-ortogonalità e rotazione di allineamento all'interno di un unico framework lineare, eliminando la necessità di solver iterativi.
• Flessibilità Assistita dall'Assetto: Il metodo è applicabile a qualsiasi piattaforma che fornisca dati di orientamento (bracci robotici, tavole rotanti, IMU) e non richiede orientamenti del sensore predefiniti o un rigoroso allineamento meccanico, a differenza dei metodi tradizionali basati su riferimento.
• Soluzione a Forma Chiusa: L'algoritmo fornisce una soluzione diretta e non iterativa, garantendo l'efficienza computazionale ed evitando i problemi di convergenza associati all'ottimizzazione non lineare.
• Robustezza: Il metodo stima congiuntamente il bias e il vettore gravità, tenendo conto implicitamente degli errori di disallineamento della piattaforma.

Risultati Sperimentali
Gli autori hanno validato ALAC utilizzando dati sintetici, un IMU montato su un robot (MPU6050 su un manipolatore EFFORT) e un dataset pubblico di IMU quasi-statiche.

• Esperimenti Robotici Statici:

  • ALAC ha ottenuto un Errore Quadratico Medio (RMSE) di 0,00913 m/s² e un errore di compensazione di 0,338 m/s² utilizzando 24 orientamenti statici.
  • Ha superato significativamente i baseline di riferimento (ad esempio, TLS, quasi-Newton, UKF) che soffrivano di grandi errori dovuti ad assunzioni di allineamento o instabilità di convergenza.
  • L'accuratezza di ALAC è comparabile ai metodi di auto-calibrazione iterativi (Newton, LM, Ellipsoid), ma raggiunge questo risultato senza l'ottimizzazione iterativa.
  • Una strategia di campionamento a "sei posizioni" (24 orientamenti) si è dimostrata più efficace del campionamento casuale, convergendo più velocemente e fornendo un migliore condizionamento numerico.

• Esperimenti IMU Quasi-Statiche:

  • Su dati di traiettoria grezzi e rumorosi, ALAC (sia in modalità offline che online) ha ottenuto il minor RMSE e il minor errore di compensazione tra tutti i baseline valutati, inclusi i metodi di filtro di Kalman online e l'auto-calibrazione iterativa.
  • Sui dati filtrati, l'accuratezza di ALAC è comparabile ai migliori metodi di auto-calibrazione iterativa.
  • L'implementazione ricorsiva (online) ha dimostrato una stabilità e una convergenza in tempo reale superiori rispetto ai baseline offline.

Significatività e Rivendicazioni
Il documento afferma che ALAL fornisce uno schema di calibrazione pratico, robusto ed efficiente per piattaforme inerziali basate su MEMS. La sua principale significatività risiede nel colmare il divario tra la calibrazione di laboratorio ad alta precisione e le applicazioni a basso costo sul campo. Sfruttando le informazioni sull'assetto, rimuove la dipendenza da tavole rotanti costose e da un allineamento rigoroso, mentre la sua natura lineare a forma chiusa lo rende adatto alla calibrazione in tempo reale e online, dove i metodi iterativi sarebbero troppo lenti o instabili. Gli autori sostengono che il metodo sia particolarmente adatto alla calibrazione in fabbrica e alle applicazioni di fusione sensoriale sul campo, dove sono presenti incertezze di sistema (rumore del sensore, errori di assetto, disallineamento meccanico).