Attitude-Aided Linear Calibration of Triaxial Accelerometers

Resumo Técnico: Calibração Linear Auxiliada por Atitude de Acelerômetros Triaxiais (ALAC)

Definição do Problema
Acelerômetros MEMS triaxiais são críticos para sensoriamento inercial e navegação, mas sofrem com erros determinísticos (offset, fator de escala, não-ortogonalidade e desalinhamento) e ruído estocástico. Os métodos de calibração existentes enfrentam um compromisso:

• Métodos baseados em referência (ex.: usando mesas giratórias de alta precisão) dependem do alinhamento rigoroso do sensor com o referencial e frequentemente exigem otimizações iterativas complexas ou configurações de fixação específicas, limitando sua aplicabilidade em cenários de baixo custo ou em campo.
• Métodos de autocalibração (baseados apenas em dados do acelerômetro) evitam equipamentos externos, mas tipicamente requerem otimização iterativa não linear (ex.: Levenberg-Marquardt, algoritmos genéticos). Essas abordagens são propensas à sensibilidade de inicialização, problemas de convergência e mínimos locais, tornando-as computacionalmente caras e menos robustas para aplicações online.

Há uma necessidade de um método de calibração que seja computacionalmente eficiente (não iterativo), robusto ao desalinhamento da plataforma e capaz de operar em qualquer sistema que forneça informações de atitude (ex.: braços robóticos, IMUs, mesas giratórias) sem exigir o alinhamento estrito entre o sensor e a plataforma.

Metodologia: Calibração de Acelerômetro Linear Auxiliada por Atitude (ALAC)
Os autores propõem o ALAC, um algoritmo de calibração linear de forma fechada que utiliza informações de atitude externas para estimar erros do sensor. A metodologia central envolve:

1. Modelo de Calibração Unificado: Os autores introduzem uma Matriz de Erro Combinada (CEM), denotada por $C$, que unifica os fatores de escala ($S$), a não-ortogonalidade ($T$) e a rotação de alinhamento ($^e_sR$) do sensor em uma única matriz $3 \times 3$. O modelo relaciona as medições brutas do acelerômetro ($acc$) com a aceleração do referencial externo ($^eA$) via:
   $$^eA = C \cdot acc - ^eA_0$$
   onde $^eA_0$ é o bias expresso no referencial externo.

2. Restrição Auxiliada pela Atitude: Sob condições estáticas, a aceleração real é zero e o sensor mede apenas a gravidade. Ao incorporar a orientação conhecida da plataforma (ex.: através da cinemática direta de um robô ou da estimativa de atitude de uma IMU), o vetor gravidade no referencial externo é restringido. Isso leva a uma equação homogênea:
   $$C \cdot acc - ^eA_0 - ^e_bR \cdot ^bA_g = 0$$
   onde $^e_bR$ é a rotação conhecida da base para o sensor e $^bA_g$ é o vetor gravidade no referencial da base (com uma norma $g$ conhecida).

3. Mínimos Quadrados Homogêneos Restritos (CHLS): Os parâmetros desconhecidos (elementos de $C$, bias $^eA_0$ e vetor gravidade $^bA_g$) são empilhados em um único vetor $x$. A calibração é formulada como um problema de CHLS:
   $$\min_x \| \bar{A}x \|_2^2 \quad \text{sujeito a} \quad \| Dx \|_2 = 1$$
   Este problema é resolvido em forma fechada utilizando técnicas padrão de álgebra linear, especificamente Decomposição de Valor Singular (SVD) ou Problemas de Autovalor Generalizado (GEVP). Nenhuma otimização iterativa é necessária.

4. Extração de Parâmetros: Uma vez que a CEM $C$ é estimada, os parâmetros individuais de calibração (fatores de escala, não-ortogonalidade e matriz de rotação) são extraídos analiticamente através de um processo de decomposição semelhante ao Gram-Schmidt. A ambiguidade de sinal inerente às soluções homogêneas é resolvida garantindo que a matriz de rotação resultante tenha um determinante $+1$.

5. Extensão Recursiva: A formulação linear permite uma extensão recursiva, possibilitando a calibração online/em campo, onde os parâmetros são atualizados conforme novos dados chegam, facilitando a compensação de deriva dinâmica.

Principais Contribuições

• Modelo Linear Unificado: A formulação da CEM permite a estimativa simultânea de escala, não-ortogonalidade e rotação de alinhamento dentro de um único framework linear, eliminando a necessidade de solvers iterativos.
• Flexibilidade Auxiliada pela Atitude: O método é aplicável a qualquer plataforma que forneça dados de orientação (braços robóticos, mesas giratórias, IMUs) e não exige orientações pré-definidas do sensor ou alinhamento mecânico estrito, ao contrário dos métodos tradicionais baseados em referência.
• Solução de Forma Fechada: O algoritmo fornece uma solução direta e não iterativa, garantindo eficiência computacional e evitando problemas de convergência associados à otimização não linear.
• Robustez: O método estima conjuntamente o bias e o vetor gravidade, contabilizando implicitamente os erros de desalinhamento da plataforma.

Resultados Experimentais
Os autores validaram o ALAC usando dados sintéticos, uma IMU montada em um robô (MPU6050 em um manipulador EFFORT) e um conjunto de dados público de IMU quase-estática.

• Experimentos Robóticos Estáticos:

  • O ALAC alcançou um Erro Quadrático Médio (RMSE) de 0,00913 m/s² e um erro de compensação de 0,338 m/s² usando 24 orientações estáticas.
  • Ele superou significativamente os baselines de referência (ex.: TLS, quasi-Newton, UKF) que sofreram com grandes erros devido a suposições de alinhamento ou instabilidade de convergência.
  • A precisão do ALAC foi comparável à de métodos de autocalibração iterativos (Newton, LM, Elipsoide), mas alcançou isso sem a necessidade de otimização iterativa.
  • Uma estratégia de amostragem de "seis posições" (24 orientações) provou ser mais eficaz que a amostragem aleatória, convergindo mais rápido e proporcionando melhor condicionamento numérico.

• Experimentos de IMU Quasi-Estática:

  • Em dados de trajetória ruidosos e brutos, o ALAC (tanto nos modos offline quanto online) alcançou o menor RMSE e erro de compensação entre todos os métodos de baseline avaliados, incluindo métodos de filtro de Kalman online e autocalibração iterativa.
  • Em dados filtrados, a precisão do ALAC foi equivalente à dos melhores métodos de autocalibração iterativa.
  • A implementação recursiva (online) demonstrou estabilidade e convergência em tempo real superiores em comparação aos baselines offline.

Significância e Alegações
O artigo afirma que o ALAC fornece um esquema de calibração prático, robusto e eficiente para plataformas baseadas em MEMS. Sua principal significância reside em preencher a lacça entre a calibração de laboratório de alta precisão e as aplicações de baixo custo em campo. Ao aproveitar a informação de atitude, o método remove a dependência de mesas giratórias caras e alinhamento estrito, enquanto sua natureza linear e de forma fechada o torna adequado para calibração em tempo real e online, onde métodos iterativos seriam muito lentos ou instáveis. Os autores afirmam que o método é particularmente bem adequado para calibração de fábrica e aplicações de fusão de sensores em campo, onde incertezas do sistema (ruído do sensor, erros de atitude, desalinhamento mecânico) estão presentes.