Calibración de unidades de medición inercial utilizando geometría y redes neuronales

En el presente trabajo, se presentan dos métodos de calibración de Unidades de Medición Inercial (Inertial Measurement Unit, IMU) que son comúnmente utilizadas en la estimación de la orientación de plataformas que la transportan, lo que ha impulsado el uso en aplicaciones de tracking de movimiento e...

Full description

Autores:
Mesa Pérez, Diver Joao
Betancur Vásquez, Daniel
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2017
Institución:
Instituto Tecnológico Metropolitano
Repositorio:
Repositorio ITM
Idioma:
spa
OAI Identifier:
oai:repositorio.itm.edu.co:20.500.12622/3986
Acceso en línea:
http://hdl.handle.net/20.500.12622/3986
Palabra clave:
Unidad de medición inercial (IMU)
Geometría
Redes neurales
Calibración
Sistemas Microelectromecánicos (MEMS)
Automatización
Campos magnéticos
Robotics
Servomechanisms
Data processing
Magnetometers
Gyroscopes
Accelerometers
Root mean square error
Robotics
Parameter estimation
Robótica
Servomecanismos
Procesamiento de datos
Magnetómetros
Acelerómetros
Giroscopio
Error cuadrático medio
Robótica
Estimación de parámetros
Rights
License
http://creativecommons.org/licenses/by-nc-nd/4.0/
Description
Summary:En el presente trabajo, se presentan dos métodos de calibración de Unidades de Medición Inercial (Inertial Measurement Unit, IMU) que son comúnmente utilizadas en la estimación de la orientación de plataformas que la transportan, lo que ha impulsado el uso en aplicaciones de tracking de movimiento en muchas áreas entre ellas la robótica móvil. El procedimiento de calibración está compuesto por tres etapas, la primera es una plataforma basado en un mecanismo de dos grados de libertad (DoF) utilizando servomotores de bajo consumo de potencia, permitiendo obtener los ángulos de navegación yaw, pitch y roll. La segunda, realiza el procesamiento de los datos adquiridos por la unidad de medición inercial constituida de nueve grados de libertad (un magnetómetro, un acelerómetro y un giroscopio, todos triaxiales). Como tercera etapa, se implementa mininos cuadrados para determina la matriz de calibración y una red neuronal perceptrón multicapa para la adaptación a la respuesta de la unidad inercial reduciendo el error cuadrático medio y usando el valor de los ángulos de los servomotores como referencia. La matriz de calibración se construye mediante compensaciones del campo mágnetico, factores de escala y sesgo generando una reducción del error bajo perturbaciones. La arquitectura de la red consta de cinco capas, con 10 neuronas en cada capa, y una función de activación tangencial sigmoide. Finalmente se construye el modelo cinemático que permite observar el rendimiento en la medida con un error de 1%.