Bộ lọc Dual-Stage Quaternion Estimator: Một phương pháp ước lượng định hướng và động học góc tiên tiến dựa trên tổng hợp dữ liệu IMU
DOI:
https://doi.org/10.54939/1859-1043.j.mst.106.2025.40-47Từ khóa:
Bộ lọc Kalman; Quaternion; IMU; Ổn định bệ; Vận tốc góc; Gia tốc góc; Sensor fusion.Tóm tắt
Trong các ứng dụng định hướng và điều khiển hiện đại như robot, phương tiện không người lái, hoặc hệ thống ổn định pan-tilt, việc ước lượng chính xác các góc định hướng, vận tốc góc và gia tốc góc từ dữ liệu cảm biến quán tính (IMU) là một thách thức lớn do nhiễu, sai lệch con quay hồi chuyển và tính phi tuyến của hệ thống. Các giải pháp xây dựng các bộ lọc EKF đã thể hiện được nhiều ưu điểm khi cải thiện đáng kể chất lượng “lọc”, tuy nhiên, hầu hết chỉ tập trung vào các góc định hướng và vận tốc góc, bỏ qua gia tốc góc – một đại lượng quan trọng trong các điều kiện chuyển động phức tạp. Bài báo này đề xuất một bộ lọc cải tiến "Dual-Stage Quaternion Estimator" (DSQE), sử dụng cấu trúc hai giai đoạn với giai đoạn 1 áp dụng Unscented Kalman Filter (UKF) dựa trên quaternion và giai đoạn 2 sử dụng bộ lọc Kalman tuyến tính để ước lượng động học góc, bao gồm cả độ giật góc. Phương pháp này cải thiện độ chính xác trong ước lượng định hướng nhờ khai triển Taylor bậc hai và khả năng xử lý phi tuyến của UKF, đồng thời cung cấp các góc định hướng chính xác trong các điều kiện chuyển động phức tạp. Kết quả mô phỏng cho thấy DSQE với UKF vượt trội so với các phương pháp truyền thống, đặc biệt trong các kịch bản rung lắc mạnh hoặc gia tốc lớn.
Tài liệu tham khảo
[1]. S. B. Farahan et al., “9-DOF IMU-Based Attitude and Heading Estimation Using an Extended Kalman Filter With Bias Consideration,” Sensors, Vol. 22, No. 9, p. 3416, (2022).
[2]. M. M. Rahman et al., “Upper Limb Joint Angle Estimation Using Wearable IMUs and Personalized Calibration Algorithm,” Mathematics, Vol. 11, No. 4, p. 970, (2023).
[3]. M. Oei and O. Sawodny, “Quaternion Attitude and Disturbance Observer Mass Estimation With Low-Cost Sensors for Industrial Vehicles With Trailers,” Mechatronics, Vol. 86, (2023).
[4]. W. Youn, S. A. Gadsden, “Combined Quaternion-Based Error State Kalman Filtering and Smooth Variable Structure Filtering for Robust Attitude Estimation,” IEEE Access, Vol. 7, pp. 132–145, (2019).
[5]. L. Di, T. Fromm, and Y. Q. Chen, “A Data Fusion System for Attitude Estimation of Low-Cost Miniature UAVs,” J. Intell. Robot. Syst., Vol. 66, pp. 505–515, 2012.
[6]. S. Sabatelli et al., “A Double-Stage Kalman Filter for Orientation Tracking With an Integrated Processor in 9-D IMU,” IEEE Trans. Instrum. Meas., Vol. 61, No. 9, pp. 2530–2540, (2012).
[7]. D. S. Eliahu et al., “A Two-Stage multiplicative Kalman filter for attitude estimation of the human wrist” in Proc. IEEE/ION Position Location and Navigation Symposium (PLANS), pp. 944–951, (2018).
[8]. S. Majumder and M. J. Deen, “Wearable IMU-Based System for Real-Time Monitoring of Lower-Limb Joints,” IEEE Sensors J., Vol. 20, No. 23, pp. 14167–14175, (2020).
[9]. J. Lu, W. Nie, P. Xing, Z. Wang, Y. Cao, and Y. Wu, “An EKF Based on Aerodynamic Constraints for Fixed-Wing UAV Attitude Estimation,” IEEE Sensors Lett., vol. 9, no. 2, pp. 1–4, (2025).
