Xem mẫu
- Dương Ngọc Pháp 225
Các giải pháp giảm nhiễu cho cảm biến đo lường quán tính ứng dụng
trên robot hai bánh tự cân bằng
Dương Ngọc Pháp
Khoa Công nghệ Thông tin và Truyền thông - Đại học Đà Nẵng
dnphap@sict.udn.vn
Tóm tắt: Nghiên cứu trình bày so sánh, đánh giá các giải pháp giảm nhiễu cho cảm biến
gia tốc (Accelerometer) và cảm biến góc quay (Gyroscope) của khối đo lường quán tính
(IMU). Kết quả giảm nhiễu thu được thông qua các kỹ thuật khác nhau ứng với các phương
pháp xử lý số tín hiệu sẽ được thực hiện trên chip MPU6050. Kit phát triển trên nền tảng
Arduino sẽ được sử dụng để xử lý và mô phỏng trên mô hình robot hai bánh tự cân bằng.
Từ các kết quả mô phỏng thu được sẽ tiến hành phân tích, đánh giá để làm căn cứ lựa chọn
kỹ thuật giảm nhiễu phù hợp, từ đó thực hiện tiền xử lý cho các hệ thống ứng dụng cảm
biến đo lường quán tính. Bên cạnh đó, nghiên cứu cũng sẽ đưa ra các đề xuất phát triển tiếp
theo nhằm năng cao hiệu quả giảm nhiễu của hệ thống và xử lí đáp ứng thời gian thực.
Từ khóa: khối đo lường quán tính, cảm biến gia tốc, con quay hồi chuyển.
1 Giới thiệu
Thiết bị đo lường quán tính như Hình 1 được sử dụng ngày càng rộng rãi trong các ứng dụng
khác nhau, đặc biệt trong các hệ thống vi cơ điện tử (MEMS) ứng dụng trong lĩnh vực hỗ trợ
chăm sóc sức khỏe con người. Sự phát triển mạnh mẽ của các hệ thống MEMS đã góp phần
thúc đẩy ứng dụng các thiết bị IMU trong nhiều lĩnh vực. Liên quan đến đặc điểm vật lý của
cảm biến là các mạch điện tử và các thông số môi trường phức tạp nên giá trị cảm biến thu được
trong quá trình đo đạc của IMU bị ảnh hưởng nghiêm trọng bởi nhiễu. Theo đó, việc giảm nhiễu
là yêu cầu bắt buộc trong các hệ thống MEMS nhằm ước lượng tín hiệu cảm biến đảm bảo có
giá trị tín hiệu đo được phản ánh chính xác hướng và góc nghiêng của thiết bị, đảm bảo cho các
tiến trình xử lý tiếp theo.
Hình 1. Khối đo lường quán tính (IMU)
Các kỹ thuật ước lượng nhiễu cho cảm biến gia tốc và vận tốc góc trong thiết bị IMU chia
thành các nhóm chính bao gồm: ước lượng dựa vào vận tốc góc (chỉ sử dụng Gyroscope);
- 226 KỶ YẾU HỘI THẢO KHOA HỌC QUỐC GIA CITA 2017 “CNTT VÀ ỨNG DỤNG TRONG CÁC LĨNH VỰC”
sử dụng bộ lọc thông thấp; phương pháp tính toán truy hồi; sử dụng băng con (phân tích
wavelet); thuật toán tối ưu hóa (Majorization Minimization) và sử dụng bộ xử lý chuyển động
số (Digital Motion Processor - DMP).
Việc so sánh, đánh giá các kỹ thuật ước lượng, giảm nhiễu cho tín hiệu cảm biến được thực
hiện thông qua giản đồ tín hiệu đo đạc, đồng thời ứng dụng cụ thể trên mô hình robot hai bánh
tự cân bằng để đánh giá kết quả thực tế.
2 Các giải pháp giảm nhiễu
Theo các nhóm kỹ thuật giảm nhiễu chính cho tín hiệu cảm biến gia tốc và vận tốc góc,
nghiên cứu tập trung so sánh các kỹ thuật giảm nhiễu bao gồm: bộ lọc thông thấp, bộ lọc
Kalman, sử dụng các phép biến đổi wavelet, thuật toán tối ưu hóa và bộ xử lí chuyển động số.
Việc sử dụng bộ lọc số thông thấp [1] được ứng dụng đầu tiên để giảm nhiễu cho tín hiệu
cảm biến trong các hệ thống MEMS do đặc tính đơn giản của bộ lọc với phương trình làm mượt
tín hiệu bậc một ở công thức (1). Tuy nhiên do tính đơn giản của bộ lọc nên thường gây khó
khăn cho việc xác định biên của tín hiệu và nhiễu.
t
yi xi (1 - )yi với (1)
RC t
Trong đó:
- xi : Giá trị cảm biến đo được;
- yi 1 : Giá trị ước lượng trước đó;
- yi : Giá trị ước lượng hiện tại;
- : Hệ số tỷ lệ, có giá trị , được lựa chọn dựa trên điều chỉnh thực tế nên còn mang
tính chủ quan. Trong nghiên cứu giá trị được chọn bằng 0,96.
Thay vào đó, bộ lọc Kalman được ứng dụng để ước lượng dữ liệu cảm biến gia tốc dưới tác
động của nhiễu [2]. Mô hình thực hiện bộ lọc Kalman gồm có hai phương trình như ở công
thức (2):
xk 1 X k G uk wk , và zk 1 H X k 1 vk 1 (2)
Trong đó:
- xk : Vector trạng thái tại thời điểm k;
- uk : Vector điều khiển (tín hiệu đầu vào) tại thời điểm k;
- zk : Đầu ra hệ thống (tín hiệu đo được) tại thời điểm k;
- wk : Nhiễu tiến trình tại thời điểm k;
- vk : Nhiễu đo đạc tại thời điểm k;
- , G, H : Các ma trận hiệp phương;
- X k 1 : Vector trạng thái ước lượng tại thời điểm k+1.
- Dương Ngọc Pháp 227
Trong vector nhiễu tiến trình và nhiễu đo lường, giá trị khởi tạo được chọn bao gồm
Qk 102 và Rk 3 102 theo hệ thống thực tế. Tuy nhiên, nhược điểm của bộ lọc Kalman là
khó xác định chính xác thông số nhiễu trong môi trường thực theo đặc tính thống kê của nhiễu,
do đó bộ lọc Kalman mở rộng được sử dụng để thích nghi với sự thay đổi của môi trường. Tuy
kết quả giảm nhiễu khá tốt nhưng vẫn còn hạn chế lớn liên quan đến độ phức tạp của bộ lọc và
thời gian xử lý nên khó áp dụng vào các ứng dụng yêu cầu thời gian đáp ứng nhanh.
Bên cạnh đó, việc mã hóa băng con nhằm tách nhiễu ra khỏi tín hiệu cảm biến cũng được
thực hiện sử dụng các phép biến đổi trong miền wavelet. Kỹ thuật này dựa vào việc lựa chọn
sóng con tương ứng để tính toán hàm tương quan với tín hiệu bị nhiễu, qua đó ước lượng tín
hiệu thực. Tuy nhiên, việc lựa chọn sóng con cũng như mức ngưỡng để khử nhiễu cũng sẽ gây
méo tín hiệu cảm biến nếu thành phần bị loại bỏ có cả tín hiệu cảm biến cần giữ lại. Phương
pháp tiếp cận điều chỉnh căn cứ vào việc gắn kết trực tiếp từng phần (PDC) như được đề xuất ở
[3] đã thay đổi các mức khử nhiễu khác nhau đối với từng khoảng tín hiệu, qua đó giảm sự méo
ở tín hiệu cảm biến.
Một phương pháp giảm nhiễu khác cũng được thực hiện dựa vào thuật toán tối ưu (LTV) [4]
cũng được trình bày thể hiện ưu điểm cải thiện hiệu quả giảm nhiễu xấp xỉ 4-10% so với các
thuật toán bộ lọc thông thấp bằng việc đánh giá thông qua tiêu chí tỷ số tín hiệu trên nhiễu
(SNR) và mật độ phổ công suất (PSD).
Ngoài ra, trong bản thân IMU còn hỗ trợ một bộ xử lý chuyển động số (DMP) bao gồm các
khối xử lý số tín hiệu sử dụng các phép biến đổi ADC và làm mượt tín hiệu theo tài liệu kỹ thuật
của nhà sản xuất [5]. Khối chức năng DMP được kích hoạt và cho phép thu được ở đầu ra giá trị
cảm biến gia tốc và vận tốc góc theo nguyên tắc FIFO được tính toán theo bộ chia xác định.
3 Kết quả thực nghiệm
Để thực hiện kết quả so sánh đánh giá, nghiên cứu sử dụng cảm biến IMU 6 trục (chứa trong
IC MPU6050) bao gồm hai tham số đo lường là gia tốc kế 3 trục và vận tốc góc 3 trục. Mạch
Arduino Nano được sử dụng để thu nhận giá trị cảm biến và thực hiện các thuật toán ước lượng
giảm nhiễu. Kết quả đo đạc và ước lượng giảm nhiễu tham số cảm biến gia tốc được chỉ ra ở
Hình 2 và Hình 3. Kết quả mô phỏng cho thấy rằng các thuật toán đều cho kết quả cải thiện
đáng kể so với tín hiệu thô thu được từ IMU đo đạc.
Hình 2. So sánh tốc độ hội tụ của ba kỹ thuật khác nhau sử dụng bộ lọc bù, bộ lọc Kalman và DMP
- 228 KỶ YẾU HỘI THẢO KHOA HỌC QUỐC GIA CITA 2017 “CNTT VÀ ỨNG DỤNG TRONG CÁC LĨNH VỰC”
Trong ba kỹ thuật thì bộ lọc bù có tốc độ đáp ứng nhanh nhất ứng với sự thay đổi của tín hiệu
đo đạc tuy nhiên vẫn còn bị ảnh hưởng nhiều bởi nhiễu do tính đơn giản của cấu trúc. Còn lại,
bộ lọc Kalman mặc dù có cấu trúc phức tạp và tốn thời gian xử lý nhưng tốc độ hội tụ cũng cao
hơn đáng kể và ổn định hơn so với kỹ thuật giảm nhiễu sử dụng bộ xử lí chuyển động số tích
hợp sẵn bên trong IMU. Thông qua kết quả so sánh dễ nhận thấy rằng bộ lọc Kalman cho kết
quả giảm nhiễu tốt hơn nhiều so với hai kỹ thuật còn lại.
Hình 3. So sánh các giá trị cảm biến gia tốc trục x xử lý bởi ba kỹ thuật khác nhau
sử dụng bộ lọc bù, bộ lọc Kalman và DMP so với tín hiệu gốc
Kết quả giảm nhiễu tín hiệu cảm biến trên IMU được áp dụng cho mô hình robot hai bánh tự
cân bằng như sơ đồ khối ở Hình 4 và mô hình thực tế ở Hình 5, bên cạnh sử dụng giải thuật điều
khiển động cơ (PID) đáp ứng với giá trị góc đo đạc cũng cho thấy khả năng giảm nhiễu của các
kỹ thuật nói trên.
Hình 4. Sơ đồ khối mô hình robot hai bánh tự cân bằng
- Dương Ngọc Pháp 229
Hình 5. Mô hình robot hai bánh tự cân bằng so sánh thực nghiệm các kỹ thuật giảm nhiễu có kết hợp với
giải thuật PID để điều khiển động cơ
4 Kết luận
Nghiên cứu đã trình bày việc so sánh các kỹ thuật thực hiện giảm nhiễu cho tín hiệu cảm
biến của khối đo lường quán tính ứng dụng trên robot hai bánh tự cân bằng. Việc lựa chọn kỹ
thuật sẽ phụ thuộc vào từng ứng dụng cụ thể với những yêu cầu về tốc độ hội tụ, tính ổn định và
đáp ứng thời gian thực. Thông qua một số kết quả đánh giá sẽ làm cơ sở để tiếp tục mở rộng so
sánh với các kỹ thuật khác, đồng thời đưa ra lựa chọn kỹ thuật phù hợp với hệ thống, ứng dụng
thực tế.
Tài liệu tham khảo
1. Badri, Abdellatef E., Jyoti K. Sinha, and Alhussein Albarbar. "A typical filter design to improve the
measured signals from MEMS accelerometer". Measurement 43.10 (2010): 1425-1430.
2. Kownacki, Cezary. "Optimization approach to adapt Kalman filters for the real-time application of
accelerometer and gyroscope signals' filtering". Digital Signal Processing 21.1 (2011): 131-140.
3. Edu, Ioana-Raluca, et al. "Inertial Sensor Signals Denoising with Wavelet Transform." INCAS
Bulletin 7.1 (2015): 57.
4. Abbasi-Kesbi, R., and A. Nikfarjam. "Denoising MEMS accelerometer sensors based on L2-norm
total variation algorithm". Electronics Letters 53.5 (2017): 322-324.
5. InvenSense Inc. "Embedded Motion Driver v5.1.1: APIs Specification". (Dec 14th, 2012).
nguon tai.lieu . vn