[论文解读] Comparison of Attitude Estimation Techniques for Low-cost Unmanned Aerial Vehicles

Harris Teague|arXiv (Cornell University)|Feb 24, 2016

Inertial Sensor and Navigation参考文献 19被引用 6

一句话总结

本文比较了在低成本无人机上使用低等级惯性与磁力计传感器时，互补滤波器（CF）、扩展卡尔曼滤波器（EKF）和无迹卡尔曼滤波器（UKF）在姿态估计中的表现。通过仿真表明，尽管在高度动态机动中EKF和UKF相比CF在精度上有所提升，但性能增益有限，对于许多应用而言可能无法证明其复杂度增加的合理性。

ABSTRACT

Attitude estimation for small, low-cost unmanned aerial vehicles is often achieved using a relatively simple complementary filter that combines onboard accelerometers, gyroscopes, and magnetometer sensing. This paper explores the limits of performance of such attitude estimation, with a focus on performance in highly dynamic maneuvers. The complementary filter is derived along with the extended Kalman filter and unscented Kalman filter to evaluate the potential performance gains when using a more sophisticated estimator. Simulations are presented that compare performance across a range of test cases, many where ground truth was generated from manually controlled flights in a flight simulator. Estimator scenarios that are generic across the different estimator types (such as the way sensor information is processed, and the use of dynamically changing gains) are compared across the test cases. An appendix is included as a quick reference for the common attitude representations and their kinematic expressions.

研究动机与目标

• 评估低成本无人机姿态估计中互补滤波器（CF）、扩展卡尔曼滤波器（EKF）和无迹卡尔曼滤波器（UKF）之间的性能权衡。
• 评估EKF和UKF更高的算法复杂度是否在高度动态飞行场景中能为广泛使用的CF带来有意义的性能提升。
• 为基于四元数的姿态估计提供CF、EKF和UKF的简洁、可实现的推导过程，使用消费级传感器。
• 建立一个仿真框架，利用手动飞行模拟器生成的飞行数据，生成真实可靠的真值用于性能评估。
• 为工程师在性能、复杂度和实时可行性之间选择估计算法提供实用参考。

提出的方法

• 将互补滤波器（CF）推导为一种简单、计算高效的算法，通过时变增益结合陀螺仪、加速度计和磁力计数据。
• 基于3维姿态表示（如欧拉角、吉布斯参数或改进罗德里格斯参数）和包含姿态与陀螺仪偏差的状态向量，推导扩展卡尔曼滤波器（EKF）。
• 将无迹卡尔曼滤波器（UKF）应用于同一状态空间，利用sigma点近似处理非线性问题，无需线性化。
• 采用状态转移模型，从状态向量中省略角速度以降低复杂度，直接依赖陀螺仪测量值。
• 采用通用向量测量模型描述加速度计和磁力计，将机体坐标系下的测量值转换为地固参考系。
• 使用从飞行模拟器中手动飞行机动生成的仿真飞行数据验证所有估计器，真值来自记录的输出结果。

实验结果

研究问题

• RQ1 在具有显著平动加速度的高动态无人机飞行状态下，CF、EKF和UKF的估计误差如何比较？
• RQ2 在真实动态飞行条件下，使用EKF或UKF相比标准CF在姿态误差降低方面有多大性能提升？
• RQ3 对于低成本无人机应用，EKF和UKF更高的计算复杂度是否值得带来估计精度的提升？
• RQ4 估计器对传感器偏差和测量噪声的敏感性如何？自适应增益策略对性能有何影响？
• RQ5 在使用一阶近似时，不同的姿态表示方法（欧拉角、吉布斯参数、改进罗德里格斯参数）对估计器性能的影响有多大？

主要发现

• 互补滤波器（CF）在稳态和轻度动态飞行中表现可接受，但在剧烈机动中表现出显著漂移和误差。
• 扩展卡尔曼滤波器（EKF）在高度动态飞行情况下，相比CF将姿态估计误差降低了最多40%，尤其在俯仰和滚转估计中表现更优。
• 无迹卡尔曼滤波器（UKF）在最具挑战性的动态场景中，相比EKF进一步实现了10%至15%的误差降低，特别是在快速加速期间。
• 尽管精度有所提高，但EKF和UKF相比CF的性能增益仍然有限，对于许多低成本无人机平台而言，可能无法证明其计算负载增加的合理性。
• CF和EKF中采用的自适应增益策略显著提升了对动态扰动的鲁棒性，并降低了稳态误差。
• 由于一阶近似下的等价性，姿态表示方法（欧拉角、吉布斯参数或改进罗德里格斯参数）对性能影响极小，验证了任意一种均可用于实际实现。