Experto en fusión de sensores

Visión general

La fusión de sensores es la tecnología clave para mejorar la precisión de la estimación de estado del drone. En este proyecto aprenderás a desarrollar un sistema de fusión de datos de múltiples sensores.

Lo que aprenderás

• Principios del filtro de Kalman (KF)
• Filtro de Kalman extendido (EKF)
• Filtro de Kalman sin perfume (UKF)
• Fusión de múltiples sensores

Materiales necesarios

Artículo	Cantidad	Descripción
Drone ya ensamblado	1	Con sensores MPU6050, BMP280, VL53L0X, etc.
Ordenador	1	Con entorno VS Code + ESP-IDF
Cable de datos USB	1	Para programar

Paso 1: Conocer la fusión de sensores

El objetivo de la fusión de sensores es combinar la información de varios sensores para obtener una estimación de estado más precisa.

Algoritmos de fusión de sensores habituales:

• Filtro de Kalman (KF)
• Filtro de Kalman extendido (EKF)
• Filtro de Kalman sin perfume (UKF)
• Filtro de partículas (PF)

Paso 2: Elección del algoritmo

Elige un algoritmo de fusión adecuado para el drone, como EKF (para sistemas no lineales).

Diseña el vector de estado y el vector de observación, y construye el modelo del sistema.

Paso 3: Implementación en código

En el directorio components/core/crazyflie/modules/src/estimator, crea un nuevo archivo de estimador:

estimator_ekf.c

typedef struct {
    float x[12];      // vector de estado
    float P[12][12];  // matriz de covarianza
    float Q[12][12];  // covarianza del ruido de proceso
    float R[6][6];    // covarianza del ruido de medición
} EKF_State;

void ekf_predict(EKF_State *ekf, float dt) {
    // Paso de predicción
    // x = f(x, u)
    // P = F * P * F' + Q
}

void ekf_update(EKF_State *ekf, float *measurement) {
    // Paso de actualización
    // K = P * H' * (H * P * H' + R)^-1
    // x = x + K * (z - h(x))
    // P = (I - K * H) * P
}

void ekf_fuse_sensors(EKF_State *ekf,
                       MPU6050_Data *imu,
                       BMP280_Data *baro,
                       VL53L0X_Data *tof) {
    // Fusionar los datos de la IMU
    ekf_predict(ekf, 0.01);

    // Fusionar los datos del barómetro
    float z_measurement[1] = {baro->altitude};
    ekf_update(ekf, z_measurement);

    // Fusionar los datos TOF
    float tof_measurement[1] = {tof->distance};
    ekf_update(ekf, tof_measurement);
}

Paso 4: Compilar, grabar y probar

1. Compila y graba el código
2. Realiza pruebas de vuelo y compara la precisión de la estimación de estado del nuevo estimador frente al original

Solución de problemas

La estimación diverge

• Comprueba las matrices de covarianza de ruido Q y R
• Confirma la calidad de los datos de los sensores

Retardo en la respuesta

• Optimiza la eficiencia de cálculo del algoritmo
• Reduce la dimensión del vector de estado

Sensación de logro

¡Enhorabuena! Ya dominas la tecnología central de la fusión de sensores, ¡clave para la estimación de estado del drone!

Siguiente paso

En el siguiente proyecto aprenderás a implementar la localización en interiores con los datos de flujo óptico de la cámara.