Um estudo sobre arquiteturas de hardware para técnicas de fusão sensorial através do EKF e da estimação de estados baseada em filtros híbridos otimizados

Abstract

Este trabalho apresenta um estudo e uma implementação em hardware de uma técnica de fusão sensorial de Unidades de Medição Inercial (IMUs) de 9 graus de liberdade (DOF) baseada no Filtro de Kalman Estendido (EKF) como mecanismo de fusão; com o objetivo de estimar a posição (attitude) e a orientação (heading) em tempo real. A IMU usada está composta por sensores (giroscópio, acelerômetro e magnetômetro) nos três eixos ortogonais (X, Y e Z). A técnica de fusão de sensores foi baseada em dois Filtros de Kalman Estendidos (EKFs), um para estimar a posição (rolagem e arfagem) e o outro para estimar a orientação (guinada). Portanto, o giroscópio foi usado como modelo do sistema nos dois casos, enquanto o acelerômetro e o magnetômetro foram usados independentemente como modelos de medição. Esses sensores foram calibrados previamente à filtragem (processamento). O estudo dessa abordagem de fusão sensorial foi realizado através de uma bancada (plataforma) fabricada em impressão 3D, afim de facilitar os movimentos durante a calibração e os testes das IMUs. Nesse estudo, as leituras dos sensores e o processamento dos dados foram feitos através do Arduino e do Matlab R2015a, respectivamente. A arquitetura foi embarcada em FPGA (Field Programmable Gate Array) e desenvolvida usando a linguagem de descrição de hardware VHDL (Very High Description Language). A arquitetura opera a uma frequência de 50MHz e faz uso de operadores em ponto flutuante de 27 bits. Adicionalmente, a comunicação entre a IMU e o FPGA foi realizada através do protocolo I2C implementado em software, através do processador Nios II. Portanto, a leitura das medições fornecidas pelos sensores foi feita pelo Nios II, enquanto o processamento de dados foi realizado na arquitetura embarcada no FPGA. Com respeito ao estudo do desempenho de diferentes filtros híbridos otimizados para problemas de estimação de estados, tiveram-se em conta quatro tipos de resamplings diferentes (multinomial, systematic, stratified e residual). Isto foi feito com o intuito de avaliar diferentes abordagens que poderiam ser utilizadas em aplicações onde seja fundamental ter uma boa qualidade de estimação das variáveis de estado (e.g. rede multi-sensor em um exoesqueleto). Essas abordagens combinam o Filtro de Partículas (PF), o Filtro de Kalman (KF) e o algoritmo de Otimização por Enxame de Partículas (PSO). Onde o KF e o PSO são implementados na etapa de amostragem e após do resampling do PF, respectivamente. Além disso, dois métodos de adição de diversidade foram utilizados (Aprendizagem Baseada em Oposição (OBL) e Atrativo e Repulsivo (AR)). Com o intuito de avaliar essas abordagens híbridas foram levados em consideração dois sistemas não lineares (benchmarks). Finalmente, os resultados em hardware apresentados neste trabalho mostraram um ganho significativo na velocidade de processamento da fusão sensorial, pois o processamento na arquitetura é 6023 vezes mais rápido do que o mesmo algoritmo implementado no Nios II (operando a 100 MHz). Com respeito aos resultados dos filtros híbridos otimizados, os que atingiram menor erro (RMSE) na estimação de estados foram o UKF PF OPSO para o benchmark 1 e o UKF PF PSO para o benchmark 2.