Na Tabela 2.9 apresentam-se alguns trabalhos correlatos à fusão sensorial com IMUs de baixo custo. Nesta Tabela detalham-se diferentes caraterísticas, tais como: (a) descrição, (b) sensores, (c) taxa de amos- tragem, (d) algoritmo utilizado e (e) métrica de avaliação. Cabe ressaltar que em todos os trabalhos os sensores das IMUs foram calibrados prévio a processamento (fusão sensorial).
Tabela 2.9: Revisão bibliográfica dos trabalhos correlatos de fusão sensorial de IMUs para determinar a posição e orientação
Ref. Descrição Sensores
Taxa de amostragem (IMUs) Algoritmo Métrica de avaliação (CARON et al., 2006)
Determinação da posição e velocidade de um veículo terrestre com uma abordagem de multisensores (giroscópios e acelerômetros)
IMU de 6 DOF
e GPS 13 ms / 75 Hz KF Metros
(SCHOPP et al., 2009)
Cálculo da posição linear de um corpo, através de multiplicações de matrizes
utilizando só acelerômetros
4 IMUs de 3
DOF 4 ms / 250 Hz UKF RMSE
(LOU et al., 2011)
Estimação da attitude para um sistema de navegação de um robô móvel, a fim de minimizar os erros sistemáticos dossensores
(giroscópios, acelerômetros e magnetômetros) e otimizar a fusão sensorial
IMU de 9 DOF 10 ms / 100 Hz DCM Graus
(ZHAO; WANG, 2012)
Método de compensação dos erros dos sensores inerciais (giroscópios e acelerômetros) para localização de movimento através da fusão sensorial
IMU de 6 DOF, magnetômetro e ultrassom 40 ms / 25 Hz EKF Graus (LIGORIO; SABATINI, 2013)
Comparação de duas abordagens com EKFs para estimação de orientação de um sistema câmera-IMU(giroscópios, acelerômetros e magnetômetros), o primeiro baseado em
DLT e o segundo nos erros de projeção
IMU de 9 DOF
e camêra 10 ms / 100 Hz EKF RMSE
(BENINI; MANCINI;
LONGHI, 2013)
Localização em ambiente interior de um UAV usando rede de sensores (giroscópios e
acelerômetros) sem fio
IMU de 6 DOF
e odômetro 100 ms / 10 Hz EKF Metros
(LIU; NOGUCHI; ISHII, 2014)
Estimação da attitude para um robô agrícola, utilizando um filtro de média para o giroscópio com o intuito de apagar o ruído
gerado ao ar livre, além do uso do acelerômetro
IMU de 6 DOF - KF Graus
(BERGAMINI et al., 2014)
Estimação da orientação para diferentes abordagens de fusão sensorial, sendo avaliados em tarefas manuais e locomoção de
pessoas através degiroscópios, acelerômetros e magnetômetros
IMU de 9 DOF 10 ms / 100 Hz KF e CF Graus
(ABYARJOO et al., 2015)
Deteção da orientação em três dimensões, através da fusão sensorial para determinar a
attitude com o giroscópio e acelerômetro, enquanto para a heading só é usado o
magnetômetro
IMU de 9 DOF 112 ms / 9 Hz KF Graus
Este trabalho
Fusão sensorial flexível para estimação da posição (rolagem e arfagem) e orientação (guinada) através de modelos não lineares e
(giroscópios, acelerômetros e magnetômetros)
IMU de 9 DOF 7 ms / 143 Hz EKF NRMSE
Da Tabela 2.9 pode ser observado que a maior parte dos trabalhos de fusão sensorial para estimação da posição e/ou orientação utilizam IMUs de 6 DOF (acelerômetros e giroscópios); sendo que a taxa de amostragem depende do número de sensores que compõem as IMUs. Todos os trabalhos referenciados fizeram uma calibração dos sensores prévia ao processamento, devido que basearam-se em IMUs de baixo custo. No entanto, diversos algoritmos são utilizados para fusão sensorial, entre esses o mais comum é o KF (vide referências da Tabela 2.9), tendo em conta que o mesmo gera uma boa precisão, a um custo computacional moderado. Cabe destacar que nenhum dos trabalhos citados utilizou uma técnica flexível de fusão sensorial para IMUs de 9 DOF. Este quesito é muito importante porque permite projetar sistemas independentes a fim de determinar a posição e a orientação. Isto é, no caso que se quiser estimar só a posição, utilizaria-se uma IMU de 6 DOF e mesmo assim a técnica projetada para 9 DOF funcionaria. Além disso, alguns trabalhos não utilizaram métricas para avaliar a estimação da fusão sensorial, devido que nesses trabalhos os resultados obtidos foram avaliados e comparados de acordo às unidades utilizadas (graus ou metros).
Capítulo 3
Plataformas para implementar a fusão
sensorial usando IMUs
Neste capítulo apresentam-se diversas propostas de arquiteturas que têm sido desenvolvidas com o intuito de embarcar algoritmos específicos de fução sensorial. Cada arquitetura tem diferentes vantagens e desvantagens, sendo que a escolha destas depende principalmente: (a) complexidade do algoritmo a embarcar, (b) eficiência de processamento do algoritmo embarcado, (c) consumo energético e (d) espaço ocupado na plataforma (MOSQUERA, 2016). Estas propostas de arquiteturas são classificadas aqui de: (a) arquiteturas programáveis via software, as quais são aquelas de propósito geral (General Purpose Pro- cessors - GPPs), (b) arquiteturas de propósito específico, tais como as Unidades de Processamento Gráfico (Graphics Processing Unit - GPU) e (c) as arquiteturas reconfiguráveis baseadas em Arranjos de Portas Programáveis em Campo (Field Programmable Gate Arrays - FPGAs).
Para aplicações em tempo real, diferentes etapas devem ser feitas antes da leitura do resultado; isto é, durante o processamento a informação pode passar por uma ou mais operações, tais como compara- ções, deslocamentos, operações aritméticas (multiplicações, divisões, somas e subtrações), etc. Portanto, o tempo de execução no processamento é uma das variáveis mais relevantes neste tipo de aplicações (LE- NART, 2008).
No caso dos algoritmos de fusão sensorial, os mesmos têm sérias restrições computacionais devido ao: (a) processamento em tempo real, (b) cálculos e operações de alta complexidade matemática e (c) sincro- nização de diferentes instrumentos de medição (sensores). As arquiteturas que suportam essas exigências, são aquelas que têm alta capacidade de processamento a fim de acelerar ou paralelizar esses algoritmos. Tanto as GPUs quanto o FPGAs são tecnologias candidatas para realizar essas duas funções: aceleração e paralelismo. A principal diferença está em que os FPGAs são projetados para permitir a reconfiguração do hardware, a fim de criar circuitos que permitam aproveitar o paralelismo intrínseco dos algoritmos. Por outro lado, as GPUs têm uma configuração de arquitetura de hardware pré-definida (BERTEN, 2016).
Na Figura 3.1 apresenta-se uma comparação qualitativa entre GPUs e FPGAs, na qual detalham-se as vantagens e as desvantagens de cada uma dessas plataformas. As GPUs são melhores em termos da capa- cidade total de processamento de ponto flutuante, esforço de desenvolvimento e custo do dispositivo. No entanto, os FPGAs têm bons recursos de processamento, além da alta eficiência térmica e energética, assim
como a flexibilidade na integração com outros dispositivos através das interfaces de comunicação. Adici- onalmente, os FPGAs têm alta flexibilidade através da integração de lógica programável e de periféricos padronizados, enquanto as GPUs estão limitadas ao protocolo PCIe (BERTEN, 2016).
Figura 3.1: Comparação qualitativa entre a GPU e o FPGA (adaptado de (BERTEN, 2016)).