Estimação de atitude utilizando filtro de Kalman

Abstract

As IMUs (Unidades de Medição Inercial) são dispositivos que integram múltiplos sensores (como, por exemplo, giroscópio, acelerômetro e magnetômetro), cujos dados podem ser utilizados para estimar a posição e orientação de um objeto no espaço. A estimação de orientação possui diversas aplicações, como dispositivos robóticos, veículos e sistemas autônomos e equipamentos industriais. O objetivo deste trabalho é, primeiro, apresentar uma revisão teórica dos conceitos relacionados com a estimação da orientação de objetos através de IMUs, pontuando conceitos a respeito dos sensores envolvidos, dos métodos de aquisição de dados e das limitações da tecnologia. Além disso, um segundo objetivo é implementar um algoritmo chamado filtro de Kalman para a realizar a estimação da orientação de um corpo, por meio do processamento e fusão de dados medidos por um giroscópio, acelerômetro e magnetômetro. O filtro de Kalman aproveita informações re dundantes dos sensores, combinando-as para reduzir os efeitos de ruídos e incertezas. As etapas da execução do projeto são detalhadas neste documento, assim como os métodos utilizados para a aplicação prática dos conceitos apresentados. Por fim, o algoritmo é testado e comparado com métodos mais simples de estimação de orientação. Os resultados mostram que o filtro de Kalman é robusto e eficaz na estimação atitude de um corpo no espaço tridimensional, conseguindo atenuar a influência dos ruídos e imprecisões das medições dos sensores.

IMUs (Inertial Measurement Units) are devices that integrate multiple sensors (such as gyroscopes, accelerometers, and magnetometers) whose data can be used to estimate the position and orientation of an object in space. Orientation estimation has various applica tions, including robotic devices, vehicles, autonomous systems, and industrial equipment. The objective of this work is, first, to present a theoretical review of the concepts related to the estimation of object orientation using IMUs, highlighting concepts regarding the involved sensors, data acquisition methods, and technological limitations. Additionally, a second objective is to implement an algorithm called the Kalman filter to perform orientation estimation of a body through the processing and fusion of data measured by a gyroscope, accelerometer, and magnetometer. The Kalman filter leverages redundant sensor information by combining it to reduce the effects of noise and uncertainties. The project’s execution steps are detailed in this document, as well as the methods used for the practical application of the presented concepts. Finally, the algorithm is tested and compared to simpler methods of orientation estimation. The results demonstrate that the Kalman filter is robust and effective in estimating the attitude of a body in three dimensional space, successfully mitigating the influence of sensor noise and measurement inaccuracies.