⚡ electrical engineering

The Setting of IMU Parameters in Kalman Filtering-based Information Fusion

Este artigo propõe um método para configurar parâmetros de IMU dentro de uma estrutura de filtragem de Kalman, aproveitando a relação entre a densidade espectral de potência e a variância de Allan para enfrentar os desafios de ajuste sob condições de trabalho complexas, demonstrando sua eficácia por meio de dois sistemas típicos de fusão de sensores.

Autores originais: Qiang Hu, Yanhua Zou, Shuaiyi Huo, Haibo Ge, Wei Ouyang

Publicado 2026-08-25

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Qiang Hu, Yanhua Zou, Shuaiyi Huo, Haibo Ge, Wei Ouyang

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine tentar navegar com um carro através de um nevoeiro denso onde o único mapa que você possui é uma bússola e um velocímetro que se atualizam cem vezes por segundo. Esta é a realidade para as máquinas modernas, de carros autônomos a drones, que dependem de uma unidade de medição inercial, ou IMU, para saber onde estão. Esses pequenos dispositivos contêm giroscópios giratórios e acelerômetros sensíveis que rastreiam cada curva e volta. No entanto, esses sensores não são perfeitos; eles derivam ao longo do tempo, acumulando pequenos erros que podem enviar um veículo quilômetros fora de curso se não forem verificados. Para corrigir isso, os engenheiros combinam os dados rápidos da IMU com sinais mais lentos e confiáveis de satélites ou scanners a laser. O desafio reside em dizer ao computador exatamente o quanto confiar na IMU versus os outros sensores. Se o computador achar que a IMU é perfeita demais, ele ignorará as correções úteis do mundo exterior. Se achar que a IMU é pouco confiável, descartará os valiosos dados de movimento de alta velocidade. Acertar esse equilíbrio é a diferença entre uma jornada suave e um acidente.

Por anos, os engenheiros lutaram com uma parte específica desse equilíbrio: como definir as regras para o "ruído" e o "viés" interno do sensor. O ruído é a estática aleatória que faz a leitura oscilar, enquanto o viés é um desvio lento e progressivo que faz o sensor pensar que está se movendo quando, na verdade, está parado. A prática padrão envolve testar o sensor enquanto ele está perfeitamente imóvel sobre uma mesa. Esse teste estático produz um gráfico chamado gráfico de variância de Allan, que revela as características do sensor. No entanto, o mundo real raramente está parado. Quando um sensor está vibrando em um veículo em movimento, as condições mudam, e os números derivados do teste silencioso na mesa frequentemente falham em prever como o sensor se comportará em movimento. Esse descompasso deixou muitos sistemas de navegação dependendo de suposições ou de uma experiência profunda e intuitiva, em vez de um método sólido para ajustar suas configurações.

Em um estudo recente, pesquisadores da Universidade de Tongji, em Xangai, enfrentaram esse problema criando uma ponte matemática clara entre os testes silenciosos na mesa e a realidade caótica de um veículo em movimento. Eles focaram no filtro de Kalman, um algoritmo sofisticado que atua como o cérebro do sistema de navegação, decidindo constantemente como misturar diferentes fluxos de informação. A equipe percebeu que a maneira padrão de traduzir os resultados do teste estático para as configurações do filtro era frequentemente imprecisa. Eles desenvolveram um novo método para converter os dados do gráfico de variância de Allan diretamente nos números específicos que o filtro precisa para entender a incerteza do sensor. Em vez de adivinhar, sua abordagem calcula a "densidade espectral de potência" exata — uma medida de como os erros do sensor se comportam ao longo do tempo — com base nas características comprovadas encontradas durante a calibração estática.

Os pesquisadores testaram esse novo método de ajuste em dois sistemas de navegação muito diferentes. Primeiro, utilizaram uma configuração que combina sensores inerciais com sinais de satélite, uma configuração comum para veículos. Eles compararam suas configurações ajustadas com os padrões de fábrica e descobriram que seu método permitiu que o sistema mantivesse uma posição mais precisa, especialmente quando o sinal de satélite era brevemente perdido. O sistema foi melhor em resistir ao desvio lento que costuma assolar esses sensores. Em seguida, testaram o método em um cenário mais difícil: um sistema que utiliza scanners a laser e sensores inerciais para navegar através de grandes áreas abertas onde há poucos pontos de referência para se fixar. Nesses ambientes "degenerados", o scanner a laser frequentemente tem dificuldades, forçando o sistema a depender fortemente do sensor inercial. Aqui, a diferença foi marcante. Enquanto as configurações padrão usadas em softwares de código aberto populares apresentaram desempenho adequado em alguns casos, elas foram significativamente piores nas sequências de teste mais desafiadoras em comparação aos parâmetros ajustados. Na sequência de teste mais difícil, as configurações padrão resultaram em um erro médio de posição de mais de 11 metros, enquanto o sistema usando os parâmetros ajustados dos pesquisadores reduziu esse erro para aproximadamente 3,2 metros.

O estudo destaca que a maneira como configuramos esses sensores atualmente é muitas vezes muito rígida. Ao usar a relação específica entre os resultados do teste estático do sensor e seu comportamento em movimento, os pesquisadores mostraram que é possível extrair um desempenho muito melhor do hardware existente. Eles não inventaram um novo sensor ou um novo tipo de computador; eles simplesmente forneceram uma maneira melhor de dizer ao computador como ouvir o sensor que ele já possui. Seu trabalho sugere que, para muitas tarefas de navegação, a chave para uma melhor precisão não reside em comprar equipamentos mais caros, mas em compreender a linguagem sutil do ruído e do desvio que cada sensor produz. Essa abordagem oferece um caminho prático para engenheiros que precisam que suas máquinas naveguem pelo mundo real com maior confiança e precisão.

Resumo Técnico: Configuração de Parâmetros de IMU em Fusão de Informação Baseada em Filtro de Kalman

Definição do Problema
A configuração e o ajuste dos parâmetros da Unidade de Medida Inercial (IMU) dentro de estruturas de fusão de sensores, particularmente aquelas baseadas em filtro de Kalman, apresentam um desafio significativo. Embora as instabilidades de ruído e de viés (bias) das IMUs sejam tipicamente caracterizadas sob condições de calibração estática usando variância de Allan, essas especificações frequentemente falham em acomodar a complexidade das condições de trabalho dinâmicas. Consequentemente, o ajuste eficaz dos parâmetros de incerteza do processo (especificamente ruído e instabilidade de viés) na matriz de covariância do filtro de Kalman frequentemente depende da experiência empírica em vez de uma ligação teórica rigorosa entre os dados de calibração e os parâmetros do filtro. Essa lacuna é exacerbada pela distinção entre a modelagem de ruído em tempo contínuo (Densidade Espectral de Potência, PSD) e a implementação do filtro em tempo discreto, o que pode levar a uma fusão de informação subótima se os parâmetros forem configurados incorretamente.

Metodologia
Os autores propõem um método sistemático para configurar os parâmetros da IMU, estabelecendo uma ponte entre os resultados de calibração de variância de Allan e a matriz de covariância de ruído do processo em tempo contínuo usada no filtro de Kalman.

Formulação Teórica: O artigo revisita a discretização dos modelos de estado de erro em tempo contínuo para navegação inercial. Estabelece a relação matemática entre a matriz de Densidade Espectral de Potência (PSD) em tempo contínuo ( $S$ ) e a matriz de covariância de ruído do processo em tempo discreto ( $Q$ ). Os autores derivam que, para pequenos intervalos de tempo, $Q \approx G S \Delta t G^T$ , onde $G$ é a matriz de entrada.
Conversão de Variância de Allan para PSD: O núcleo da metodologia envolve a conversão das especificações padrão de variância de Allan (Caminhada Aleatória de Ruído $N$ $N$ e Instabilidade de Viés $B$ $B$ ) nos coeficientes de PSD necessários para o filtro.
- Para a Caminhada Aleatória de Ruído, a PSD está diretamente relacionada ao coeficiente $N^2$ .
- Para a Instabilidade de Viés, os autores modelam o viés como um processo de Gauss-Markov de primeira ordem. Eles derivam uma relação específica entre o valor da variância de Allan na região "plana" do gráfico e o coeficiente de PSD ( $S_B$ ). Através da integração e análise da função $F(\lambda)$ , determinam que a PSD para instabilidade de viés é aproximadamente $S_B \approx 5.25 \frac{\sigma_{zB}^2}{T_B}$ , onde $\sigma_{zB}$ é o valor da instabilidade de viés do gráfico de variância de Allan e $T_B$ é o tempo de correlação.
Estratégia de Ajuste: Os autores introduzem fatores de escala ( $k_{bg}$ e $k_{ba}$ ) para ajustar os parâmetros de instabilidade de viés calculados. Isso permite o ajuste fino baseado no desempenho específico do sistema, reconhecendo que o tempo de correlação ( $T_B$ ) extraído dos gráficos de variância de Allan pode não ser isotrópico e ser sensível ao período de integração escolhido.

Principais Contribuições
O artigo apresenta duas contribuições primordiais:

Reformulação de Matrizes de Ruído: Os autores revisitam e esclarecem a derivação das matrizes de ruído em tempo contínuo e tempo discreto, propondo explicitamente um método para definir a matriz de covariância do processo com base nos dados de calibração de variância de Allan.
Validação em Cenários Degenerados: O método de configuração de parâmetros proposto é verificado experimentalmente em dois sistemas distintos:
- Integração INS/GNSS: Utilizando o framework de código aberto KFGINS.
- Odometria LiDAR-Inercial: Utilizando o framework de código aberto FASTLIO2, testado especificamente sob cenários degenerados de larga escala onde as características de LiDAR são escassas, forçando a dependência da propagação da IMU.

Resultos Experimentais

INS/GNSS: Experimentos com a IMU ADIS16465 mostraram que o sistema geralmente preferiu a configuração padrão de parâmetros calibrados (fator de escala $k=1$ ). Embora a redução leve dos parâmetros de instabilidade de viés (fator de escala $k=0,5$ ) também tenha alcançado uma precisão de posicionamento satisfatória, os resultados indicaram uma preferência pelos valores calibrados padrão.
Odometria LiDAR-Inercial: Testes na IMU Xsens MTi-600 usando conjuntos de dados degenerados (ex: Seq4) demonstraram a importância crítica do ajuste de parâmetros.
- As configurações padrão do FASTLIO2 resultaram em erros elevados em sequências desafiadoras (ex: RMSE de 11,7m na Seq4).
- A aplicação do método de ajuste proposto mostrou que a escolha do fator de escala foi crítica. Um fator de escala de $k=10$ causou a divergência do sistema na Seq4. Aumentar o fator para $k=25$ resultou em um alto RMSE médio de 18,4m, enquanto o aumento adicional para $k=50$ melhorou o resultado para 5,58m.
- O ajuste mais eficaz foi alcançado selecionando fatores companheiros específicos ( $k_{bg}=20, k_{ba}=40$ ), o que reduziu significativamente o RMSE médio na Seq4 para 3,26m.
- O estudo observou que os valores de covariância discreta padrão no FASTLIO2 eram ordens de magnitude diferentes daqueles derivados via conversão de variância de Allan para PSD proposta, destacando a necessidade da abordagem de ajuste proposta para sensores de nível industrial.

Significância e Alegações
O artigo afirma que o ajuste eficaz dos parâmetros da IMU não é meramente uma tarefa empírica, mas pode ser fundamentado na relação rigorosa entre a variância de Allan e a Densidade Espectral de Potência. Ao fornecer uma derivação clara para converter dados de calibração em parâmetros de filtro, os autores oferecem um método para melhorar a confiabilidade da navegação baseada em inerciais, particularmente em cenários onde as medições externas (como GNSS ou LiDAR) estão degradadas ou indisponíveis. O trabalho enfatiza que, enquanto os parâmetros de caminhada aleatória de ruído são frequentemente confiáveis, os parâmetros de instabilidade de viés exigem derivação cuidadosa e potencial escalonamento para corresponder à dinâmica específica do sistema de fusão. Os autores concluem que seu método demonstra viabilidade tanto em sistemas INS/GNSS quanto em sistemas LiDAR-Inerciais, com trabalhos futuros visando o desenvolvimento de metodologias de ajuste ainda mais eficientes.

Mais como este