Análise comparativa de desempenho entre o filtro de Kalman estendido e a fusão Madgwick-Kalman na navegação inercial de VANTS

Abstract

Este trabalho apresenta uma análise comparativa de duas arquiteturas de filtragem para a estimação de trajetória em VANTs: uma abordagem híbrida desacoplada, que combina o Filtro de Madgwick e um Filtro de Kalman Linear, e um Filtro de Kalman Estendido acoplado de cinco estados (posição, velocidade e orientação). O desempenho foi avaliado em dois contextos distintos: em trajetórias simuladas com um ground truth conhecido, utilizando as métricas de RMSE e MAE; e em dados experimentais reais, onde a qualidade do modelo foi aferida pela análise estatística das inovações (erros de previsão). Os resultados revelaram uma notável dicotomia de desempenho. No ambiente de simulação idealizado, o EKF demonstrou uma superioridade inequívoca, com sua precisão aumentando com a complexidade da trajetória. Contudo, na aplicação com dados reais, a abordagem híbrida provou ser mais robusta e eficaz, apresentando um erro de previsão menor. Conclui-se que a otimalidade teórica de um filtro complexo como o EKF, evidente em simulações, não garante a superioridade em cenários práticos, onde a simplicidade e a robustez de uma arquitetura desacoplada podem ser mais vantajosas. A escolha do estimador ideal é, portanto, fortemente dependente do contexto da aplicação.

This work presents a comparative analysis of two filtering architectures for trajectory estimation in UAVs: a decoupled hybrid approach, which combines the Madgwick Filter and a Linear Kalman Filter, and a coupled five-state Extended Kalman Filter encompassing position, velocity, and orientation. The performance was evaluated in two distinct contexts: simulated trajectories with a known ground truth, using RMSE and MAE metrics; and real experimental data, where model quality was assessed through statistical analysis of innovations (prediction errors). The results revealed a notable performance dichotomy. In the idealized simulation environment, the EKF demonstrated unequivocal superiority, with its accuracy increasing alongside trajectory complexity. However, when applied to real data, the hybrid approach proved to be more robust and effective, exhibiting lower prediction error. It is concluded that the theoretical optimality of a complex filter like the EKF, evident in simulations, does not guarantee superiority in practical scenarios, where the simplicity and robustness of a decoupled architecture may be more advantageous. Therefore, the choice of the optimal estimator is strongly dependent on the application context.