💻 computer science

Motor Angular Speed Preintegration for Multirotor UAV State Estimation

Dit artikel introduceert Motor Angular Speed LiDAR Odometry (MAS-LO), een nieuw algoritme voor toestandsschatting dat motorsnelheden preintegreert om gedegradeerde IMU-gegevens te vervangen, waarmee een significant hogere positie- en snelheidsnauwkeurigheid wordt bereikt met een lagere latentie vergeleken met de huidige state-of-the-art inertiële methoden.

Oorspronkelijke auteurs: Matěj Petrlík, Filip Novák, Robert Pěnička, Martin Saska

Gepubliceerd 2026-06-19

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Matěj Petrlík, Filip Novák, Robert Pěnička, Martin Saska

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Probleem: De "Trillende Hand"

Stel je voor dat je probeert een rechte lijn te tekenen terwijl iemand je hand krachtig heen en weer schudt. Dat is wat een drone (UAV) ervaart wanneer hij probeert te achterhalen waar hij is en hoe snel hij beweegt.

De meeste drones gebruiken een piepkleine sensor genaamd een IMU (Inertial Measurement Unit) om hun beweging te raden. Het is als een zeer gevoelige versnellingsmeter die elke hobbel en trilling voelt. Echter, omdat de propellers van de drone met hoge snelheid draaien, veroorzaken ze trillingen. Deze trillingen zijn als die "trillende hand", die de werkelijke bewegingsgegevens overstemmen met ruis. Het resultaat? De schatting van de positie van de drone wordt rommelig en onnauwkeurig, vooral wanneer hij snel vliegt of dicht bij obstakels is.

Het Nieuwe Idee: Luisteren naar de Motor, Niet naar het Trillen

De auteurs van dit artikel kwamen met een slimme workaround. In plaats van te proberen de beweging direct te meten met een trillende sensor, besloten ze te luisteren naar de motoren.

Denk aan een auto. Als je precies weet hoe hard de motor werkt (de RPM's) en je weet het gewicht van de auto, dan kun je berekenen hoe snel de auto accelereert. Je hoeft niet de hobbel in de weg te voelen om te weten dat de motor hard duwt.

Op een vergelijkbare manier kennen de elektronische controllers (ESC's) van de drone de exacte snelheid van elke motor. De auteurs bouwden een wiskundig model dat zegt: "Als Motor A draait met snelheid X en Motor B is op snelheid Y, dan móét de drone in deze specifieke richting accelereren."

Omdat deze motorsnelheden elektronisch worden gemeten, zijn ze perfect vloeiend en vrij van trillingen. Het is alsover het luisteren naar een helder radiostation in plaats van een station vol statische ruis.

De "Pre-integration" Truc: De Afkorting

Het berekenen van de positie van een drone vanaf nul telkens wanneer er een nieuwe motorsnelheid wordt gerapporteerd, zou zijn alsojd je telkens een enorme wiskundige puzzel vanaf het begin probeert op te lossen terwijl je een stap zet. Het zou te traag zijn voor een computer om in real-time te verwerken.

Om dit op te lossen, gebruikten het team een techniek genaamd Preintegration.

De Analogie: Stel je voor dat je loopt. In plaats van elke stap die je hebt gezet sinds je je huis verliet te tellen om te weten hoe ver je bent, tel je gewoon de stappen die je hebt gezet sinds de laatste keer dat je op je kaart keek.
Hoe het werkt: Het systeem groepeert veel motorsnelheidsmetingen tot een enkele "delta" (een kleine verandering). Hierdoor kan de drone zijn positie snel bijwerken zonder telkens alle zware wiskunde opnieuw te doen.

Het Nieuwe Systeem: MAS-LO

De auteurs combineerden deze motorsnelheidstrue met een LiDAR (een laser scanner die de omgeving in kaart brengt). Ze creëerden een nieuw systeem genaamd MAS-LO (Motor Angular Speed LiDAR Odometry).

LiDAR fungeert als een paar ogen, die muren en bomen ziet om de drift van de drone te corrigeren.
MAS (Motorsnelheid) fungeert als een zeer vloeiende, trillingsvrije interne kompas die de drone precies vertelt hoe hij beweegt tussen de "oog-checks" door.

De Resultaten: Een Helderder Beeld

Het team heeft hun nieuwe systeem getest tegen de huidige "gouden standaard" (een systeem genaamd LIO-SAM dat een trillende IMU gebruikt). Dit is wat zij vonden:

Positie: Het nieuwe systeem was 28% nauwkeuriger in het weten waar de drone zich bevond.
Snelheid: Het was 65% beter in het weten hoe snel de drone bewoog.
Vertraging (Lag): De gegevens kwamen 14% sneller binnen, wat cruciaal is voor wendbaar vliegen waarbij beslissingen van een fractie van een seconde het verschil maken.
Robuustheid: Zelfs als het team de verkeerde getallen had ingeschat voor het gewicht of de grootte van de drone, werkte het systeem nog steeds goed.

De Trade-off: Het nieuwe systeem was iets minder nauwkeurig bij het inschatten van de rotatie (het kantelen naar links/rechts) van de drone vergeleken met het oude systeem, maar het was vele malen superieur in het volgen van rechtlijnige beweging en snelheid.

De Kern van het Verhaal

Dit artikel bewijst dat je geen trillingsdempende sensor nodig hebt om een drone nauwkeurig te laten vliegen. Door de schone, digitale gegevens van de motoren zelf te gebruiken, kan de drone zijn beweging veel duidelijker "voelen" dan ooit tevoren met een traditionele sensor. Dit maakt vluchten binnenshuis in nauwe ruimtes (zo zoals reddingsmissies in ingestorte gebouwen) veiliger en betrouwbaarder.

De auteurs hebben hun code en de verzamelde vluchtgegevens beschikbaar gesteld voor het publiek, zodat anderen kunnen voortbouwen op deze "trillingsvrije" manier van vliegen.

Technische Samenvatting: Motor Angular Speed Preintegration voor Multirotor UAV State Estimation

Probleemstelling
Precieze staatsschatting (state estimation) is fundamenteel voor nauwe feedbackcontrole, wat wendbare vluchten nabij obstakels mogelijk maakt voor Unmanned Aerial Vehicles (UAV's). Hoewel state-of-the-art methoden doorgaans trage pose-metingen (bijv. van LiDAR of camera's) fuseren met hoogfrequente traagheidsmetingen van een Inertial Measurement Unit (IMU), kampen deze IMU-gebaseerde benaderingen met aanzienlijke beperkingen bij de inzet op UAV's. Specifiek worden IMU-metingen gedegradeerd door hoogfrequente trillingen van draaiende propellers, die het werkelijke acceleratiepad maskeren en de schattingsnauwkeurigheid ernstig beïnvloeden. Bovelijk zijn inertiële methoden zeer gevoelig voor de kalibratie van extrinsieke en intrinsieke parameters, en vertonen de goedkope Micro-Electro-Mechanical System (MEMS) IMU's die veel gebruikt worden op UAV's een hoge meetruis en bias-drift. Daarnaast is het direct verkrijgen van hoekversnellingen voor geavanceerde controllers (zoals Incremental Nonlinear Dynamic Inversion) moeilijk, omdat dit vaak numerieke differentiatie van ruizige IMU-data vereist.

Methodologie
De auteurs stellen een nieuwe methode voor staatsschatting voor die de IMU-preintegratie vervangt door de preintegratie van Motor Angular Speed (MAS) metingen. De kern van de pipeline omvat:

Data-acquisitie: De methode maakt gebruik van hoeksnelheidsmetingen ( $w_i$ ) die worden gerapporteerd door de Electronic Speed Controllers (ESC's) die de motoren van de UAV aansturen. Deze metingen zijn inherent trillingsvrij en nauwkeuriger vergeleken met IMU-data.
Voortstuwingsmodellering: De MAS-metingen worden door een UAV-voortstuwingsmodel geleid. Dit model zet individuele motorsnelheden om in lineaire en hoekvormige krachten en momenten die werken op het zwaartepunt (Center of Gravity, COG) van de UAV, waarbij rekening wordt gehouden met rotorposities, draairichtingen, thrust-coëfficiënten en drag-coëfficiënten.
Preintegratie: Om de computationele inefficiëntie van het integreren van acceleraties voor elke nieuwe meting te vermijden en om onafhankelijkheid van de initiële staat te garanderen, leiden de auteurs een preintegratieschema af op de raakvlakruimte (tangent space) van de UAV-toestandmanifold. Dit aggregeert meerdere MAS-metingen tussen twee tijdstappen tot één enkele "delta"-meting ( $\Delta x$ ), die de relatieve verandering in toestand (positie, oriëntatie, snelheid, hoeksnelheid) vertegenwoordigt.
Factor Graph Optimization: De gepreintegreerde metingen vormen een "MAS Factor", een binaire beperking tussen twee opeenvolgende toestanden in een factor graph. Deze factor wordt gecombineerd met een LiDAR Odometry (LO) factor (afgeleid van een LiDAR scan-matching algoritme) en bias-factoren om de volledige UAV-toestand te schatten. De auteurs implementeren dit binnen het GTSAM-framework, waarbij ze een nieuw algoritme creëren genaamd Motor Angular Speed LiDAR Odometry (MAS-LO).
Bias-afhandeling: Om modelonnauwkeurigheden te compenseren (bijv. niet-gemodelleerde aerodynamische effecten, grondeffect, massa-distributie-offsets) en sensorbiases, bevat het systeem een random walk bias-factor voor lineaire en hoekvormige versnellingen.

Belangrijkste Bijdragen

MAS Preintegration Scheme: Een nieuwe afleiding van preintegratie voor motorsnelheden die opereert op de UAV-toestandmanifold, wat efficiënte staatspropagatie mogelijk maakt zonder herberekening bij linearisatie.
MAS Factor: Het ontwerp van een binaire factor gebaseerd op gepreintegreerde MAS die direct de IMU-factor kan vervangen in bestaande factor-graph-gebaseerde lokalisatieframeworks.
MAS-LO Algoritme: De integratie van de MAS-factor met LiDAR-odometrie om een volledig staatsschatting-algoritme te creëren dat niet afhankelijk is van een IMU voor staatspropagatie.
Open-Source Release: De auteurs maken de MAS-preintegratiecode, de MAS-factor, het volledige MAS-LO-algoritme en zes nieuwe datasets met MAS, LiDAR, IMU en RTK ground truth data voor diverse vluchtmanoeuvres open-source beschikbaar.

Experimentele Resultaten
De voorgestelde methode is geëvalueerd tegen het state-of-the-art LIO-SAM (LiDAR-Inertial Odometry Smoothing and Mapping) algoritme met behulp van zes buitenvlucht-datasets (Hover, Forward, Lateral, Vertical, Rectangle, Loop) met RTK ground truth.

Nauwkeurigheid: MAS-LO vertoonde een reductie van 28% in Absolute Translation Error (ATE) en een reductie van 65% in Absolute Velocity Error (AVE) vergeleken met LIO-SAM over de datasets heen.
Trade-off: Deze verbetering in lineaire schatting ging ten koste van een toename van 20% in Absolute Rotation Error (ARE), wat wordt toegeschreven aan de dubbele integratie van hoekversnellingen in het MAS-model.
Ruis en Lag: Analyse toonde aan dat MAS-afgeleide acceleraties een aanzienlijk lagere ruisamplitude hebben dan IMU-data (zelfs gefilterde IMU-data). Bovendien vertoonde MAS-preintegratie een 14% lagere meetvertraging (lag) (0,063s vs. 0,073s voor IMU), een kritieke factor voor wendbare vluchtcontrole.
Robuustheid: Een sensitiviteitsstudie toonde aan dat het MAS-LO-algoritme robuust is tegen onjuiste parametervariabelen (bijv. thrust-coëfficiënten, lichaamsafmetingen), waarbij de prestaties redelijk blijven, zelfs wanneer parameters significant afwijken van hun werkelijke waarden.

Betekenis
Het artikel stelt dat door gebruik te maken van precieze, trillingsvrije motorsnelheidsmetingen, het mogelijk is om de noodzaak van IMU's in de staatspropagatielus te elimineren, waardoor de primaire bron van ruis en kalibratiesensitiviteit in UAV-lokalisatie wordt weggenomen. De methode biedt een nauwkeurigere schatting van lineaire positie en snelheid, wat cruciaal is voor wendbare vlucht en obstakelvermijding. De auteurs positioneren dit werk als een fundamentele stap naar het combineren van de complementaire sterktes van MAS- en IMU-factoren in toekomstige hybride staatsschatting-systemen, en als een levensvatbaar alternatief voor visuele-inertiële systemen waar IMU-kalibratie en ruis limiterende factoren zijn. Het open-source karakter van het werk is bedoeld om verdere ontwikkeling van MAS-gebaseerde methoden binnen de robotica-gemeenschap te stimuleren.