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

Resumo Técnico: Estimativa Paramétrica e de Estado de MEMS-IMUs Estacionários

Enunciado do Problema
Os Sistemas de Navegação Inercial (INS) dependem de Unidades de Medição Inercial (IMUs) de Sistemas Micro-Eletro-Mecânicos (MEMS) para estimar posição, velocidade e orientação. No entanto, erros inerentes dos sensores — especificamente ruído estocástico e viés determinístico — propagam-se através da integração, fazendo com que as estimativas de estado derivem e se degradem ao longo do tempo. Embora hardware de alta qualidade possa mitigar esses problemas, frequentemente é proibitivo em termos de custo. Abordagens baseadas em software, como filtragem e fusão de dados, oferecem alternativas, mas muitas vezes exigem inicialização complexa ou auxílio externo. Este artigo aborda o desafio específico de mitigar erros instrumentais em MEMS-IMUs estacionários, analisando os benefícios teóricos e empíricos de empregar múltiplos sensores (arranjos de sensores) em vez de uma única unidade.

Metodologia
O estudo desenvolve um framework analítico simplificado para modelar a relação entre erro de estimação, tempo e o número de sensores ($K$).

1. Modelagem de Sensores: Os autores modelam as saídas dos sensores inerciais como combinações lineares de sinais verdadeiros, matrizes de ganho, vieses e ruído gaussiano branco. Eles assumem Estacionariedade no Sentido Amplo (WSS) e que os sensores são não correlacionados.
2. Estimação Paramétrica: O artigo deriva as propriedades estatísticas da média amostral para um único sensor e para um arranjo de $K$ sensores. Demonstra-se que, embora a média amostral seja um estimador não tendencioso, sua variância diminui inversamente proporcional ao número de amostras ($N$) e ao número de sensores ($K$). Especificamente, a variância da média para $K$ sensores é reduzida por um fator de $1/(NK)$.
3. Estimação de Estado: O framework estende-se ao vetor de estado de navegação (posição, velocidade, desalinhamento e vieses). Utilizando um modelo de espaço de estados linear, os autores propagam a matriz de covariância do erro ao longo do tempo. Eles demonstram que a covariância do ruído do processo e as incertezas de estado resultantes também escalam inversamente com o número de sensores ($1/K$).
4. Validação Experimental: Para validar os modelos analíticos, os autores conduziram experimentos utilizando dez MEMS-IMUs idênticos Xsens-DOT dispostos em uma configuração estacionária e nivelada. Os dados foram coletados por 100 segundos a 100 Hz. O estudo comparou o desempenho de um único sensor contra um arranjo de dez sensores, analisando a redução de viés, a densidade de ruído (RMS) e a propagação de erros e incertezas de estado.

Principais Contribuições
O artigo apresenta três contribuições primárias:

• Visão Geral Amigável ao Usuário: Desdobra tópicos complexos de estimação em uma análise passo a passo, tornando a relação entre erro, tempo e contagem de sensores acessível tanto a iniciantes quanto a praticantes avançados.
• Validação Abrangente: O estudo fornece uma comparação rigorosa entre os modelos analíticos hipotetizados e os resultados experimentais, confirmando as previsões teóricas quanto à redução de erro.
• Acesso de Código Aberto: Todos os dados e códigos utilizados no estudo são disponibilizados publicamente para facilitar a integração fluida e a reprodutibilidade.

Resultados
Os resultados experimentais alinham-se estreitamente com as hipóteses analíticas:

• Nível Paramétrico: À medida que o número de sensores ($K$) aumentou, o desvio padrão do viés estimado e do ruído diminuiu. Os resultados confirmaram que o desvio padrão do erro escala com $1/\sqrt{K}$. Para $K=10$, a redução foi de aproximadamente $1/\sqrt{10}$, correspondendo a uma melhoria de -5 dB.
• Nível de Estado: Na ausência de auxílio externo, a solução do INS deriva devido a vieses não compensados. O estudo mostrou que o uso de um arranjo de sensores reduz significativamente tanto a magnitude dos erros de estado (posição, velocidade, desalinhamento) quanto as incertezas de estado associadas (covariância).
• Redução de Covariância: A covariância de incerteza de estado para o arranjo de 10 sensores foi observada ser aproximadamente $1/10$ da incerteza de um único sensor, consistente com a Proposição 5.
• Confirmação Visual: Elipsoides de erro representando a incerteza de posição após 100 segundos demonstraram uma redução dramática no volume e no deslocamento do centróide ao utilizar o arranjo de sensores em comparação com um único sensor.

Significado e Alegações
Os autores afirmam que suas descobertas substantivam a validade do uso de múltiplas MEMS-IMUs como um "multiplicador de força" para navegação inercial. O estudo demonstra que aumentar o número de sensores atua como um método robusto para mitigar erros instrumentais e outliers, levando a uma melhoria na precisão (cancelamento de viés) e na exatidão (redução de ruído).

O artigo postula que essa abordagem oferece implicações práticas para o projeto de sistemas de alta precisão, particularmente em cenários onde condições não ideais (como contaminação ou tempo de média limitado) poderiam degradar o desempenho. Ao adicionar mais sensores, as restrições operacionais relacionadas ao tempo de inicialização e à precisão podem ser atendidas de forma mais eficaz, sem a necessidade de hardware caro de alta qualidade. O estudo conclui que, embora a análise tenha sido conduzida sob condições estacionárias, os princípios fundamentais de redução de erro através da média fornecem uma base teórica sólida para estender esses benefícios a cenários dinâmicos e estratégias ótimas de integração de INS.