Sensör füzyonu: Kalman filtresiyle ölçümleri birleştirme

Sensör füzyonu neden gerekir?

Hiçbir sensör gerçeği kusursuz ölçmez. Her sensörün kendine özgü zayıflığı vardır: kimi gürültülüdür, kimi zamanla kayar (drift), kimi gecikmeyle yanıt verir, kimi yalnızca belirli koşullarda çalışır. Sensör füzyonu, farklı sensörlerden gelen ölçümleri birleştirip tek bir sensörün verebileceğinden daha güvenilir bir kestirim üretmektir.

Klasik örnek, GPS ile hareket tahminini birleştirmektir. GPS alıcısı konumu doğrudan verir ve zamanla sapmaz, ama her ölçümü gürültülüdür. Tekerlek dönüşü ve direksiyon açısından hesaplanan konum (dead reckoning) ise pürüzsüzdür, ama hata birikir. Filtre, hareket modeliyle konumu ileri taşır, sonra her GPS ölçümünü her kaynağın güvenilirliğine göre ağırlıklandırarak kestirimi düzeltir. Aynı mantık ivmeölçer, jiroskop ve manyetometre birleştirilen yönelim kestiriminde de geçerlidir.

Füzyondan önce: kalibrasyon, zaman ve hata modeli

Füzyon algoritmaları ölçümün düzgün olduğunu varsayar. Güçlü bir filtre bile kalibre edilmemiş ya da zamanı yanlış etiketlenmiş veriyle iyi sonuç vermez. Başlamadan önce şunları kontrol edin:

• Sapma (bias) ve ölçek hatası: Sensör durağanken sıfırdan farklı değer veriyor mu? Bilinen bir referansla karşılaştırınca ölçek doğru mu? Kalibrasyon parametreleri kaydedilmeli ve ısıya bağlı değişiyorsa buna göre yenilenmelidir.
• Gürültü yapısı: Durağan sensörden uzun süre veri toplayıp dağılımına bakın. Gürültünün büyüklüğü, filtrenin ölçüm gürültüsü (R) ayarını belirler.
• Zaman damgaları: Sensörler farklı hızlarda ve gecikmeyle örnekler. Her ölçüme ortak bir saatten zaman damgası verin; zamanı aynı kabul etmek füzyonu bozar.
• Koordinat çerçevesi: İvmeölçer gövde çerçevesinde, GPS dünya çerçevesinde ölçer. Ölçümleri filtrenin kullandığı ortak çerçeveye dönüştürün ve eksen yönlerini doğrulayın.

Bu hazırlık sensör füzyonunun sıkıcı ama belirleyici kısmıdır; hataların büyük bölümü algoritmadan değil, burada yapılan varsayımlardan gelir.

Kalman filtresi nasıl düşünülür?

Kalman filtresi, gürültülü ölçümler dizisinden bir sistemin durumunu kestiren özyinelemeli bir yöntemdir. Hem durumu hem de bu kestirimin belirsizliğini (kovaryans, P) taşır. Her adımda yalnızca bir önceki kestirim ve yeni ölçüm gerekir; geçmiş verilerin tamamı saklanmaz.

Her çevrim iki aşamadan oluşur. Tahmin aşamasında durum, hareket modeli F ile ileri taşınır: yeni durum, eski durumun F ile çarpımına (varsa kontrol girdisi eklenerek) eşittir. Belirsizlik de büyür: yeni P, F çarpı eski P çarpı F devriği artı Q olur. Q, süreç gürültüsüdür; sistemin kendi dinamiklerindeki belirsizliği temsil eder.

Güncelleme aşamasında yeni ölçüm z gelir. Önce ölçüm ile tahmin arasındaki fark (innovation) hesaplanır: bu farka, durumu ölçüm uzayına taşıyan H matrisi uygulanır. Sonra fark kovaryansı S, H çarpı P çarpı H devriği artı R olarak bulunur; R ölçüm gürültüsüdür. Kalman kazancı K, P çarpı H devriği çarpı S'in tersidir. Düzeltilmiş durum, tahmine K çarpı fark eklenerek elde edilir; belirsizlik de küçülür.

Kazanç, ölçüme ne kadar güvenileceğini söyler. Ölçüm gürültüsü büyükse kazanç küçüktür, filtre tahmine güvenir ve çıktı yumuşak ama tepkisiz olur. Ölçüm gürültüsü küçükse kazanç büyür ve çıktı ölçümü yakından izler, ama gürültüyü de taşıyabilir. Diğer bir deyişle filtre, tahmin ile ölçümün belirsizliğe göre ağırlıklı ortalamasını alır; daha güvenilir kaynak daha çok söz sahibi olur.

Varsayımlar: sistem ve ölçüm modeli doğrusaldır, gürültü yanlılık içermez ve zamanda birbirinden bağımsızdır, Q ve R bilinir. Gürültü Gauss dağılımıysa filtre en uygun kestirimi verir; olmasa bile bilinen kovaryanslarla en iyi doğrusal kestirimci olmaya devam eder.

Adım adım örnek: konum ölçümüyle hız ve konum kestirimi

Durumu şöyle düşünün: konum ve hız birlikte durum vektörünü oluşturur. Hareket modeli sabit hızı varsayar; ivmeyi bilinmeyen bir bozucu olarak Q'ya yazarsınız. Ölçüm yalnızca konumdur. Bu durumda H, durumdan yalnız konumu seçer. F ise yeni konumu "eski konum artı hız çarpı zaman adımı" olarak, hızı değişmeden taşır.

Başlangıç durumunu bilmiyorsanız ilk kestirimi makul bir değere koyun ve ilk belirsizliği (P) büyük tutun. Başlangıçta hiç belirsizlik tanımlamamak, "durumu mükemmel biliyorum" demektir ve filtre ilk ölçümleri neredeyse yok sayar.

Mantığı görmek için tek değişkenli (skaler) bir sürüm yazılabilir. Burada durum tek sayı, ölçüm de aynı büyüklüğün gürültülü hali:

def kalman_adimi(x, p, z, q, r): # tahmin: belirsizlik süreç gürültüsü kadar büyür p = p + q # güncelleme: kazancı hesapla k = p / (p + r) x = x + k * (z - x) p = p - k * p return x, p

Her yeni ölçüm z için bu fonksiyonu çağırıp dönen x ve p değerlerini bir sonraki çağrıya verirsiniz. r büyükse k küçülür, filtre ölçümü yumuşatır. q büyükse p büyür, k büyür ve filtre ölçüme daha duyarlı olur. Gerçek bir konum-hız filtresinde aynı adımlar matrislerle yapılır; çarpma ve tersini alma işlemleri matris karşılıklarıyla yer değiştirir.

Doğrulama için gerçek konumu bildiğiniz bir senaryoda (örneğin sabit hızda ilerleyen bir araba kaydı) kestirim hatasını, ham ölçüm hatasıyla karşılaştırın. Filtre doğru ayarlıysa kestirim ham ölçümden daha az sapar.

Q ve R ayarı, doğrusal olmayan sistemler ve alternatifler

Pratikte filtrenin kalitesini en çok Q ve R seçimi belirler ve ikisini kestirmek zordur. R için sensör ölçümlerinin durağan haldeki dağılımını kullanabilirsiniz. Q için genellikle deneme-yanılma yapılır: modelin ne kadar doğru olduğuna güveniyorsanız Q'yu küçük, güvenmiyorsanız büyük seçin. Ayarı kayıtlı verilerle çevrimdışı yapın: kazanç davranışını, innovation değerlerinin rastgele dağılıp dağılmadığını ve kestirimin tepki-gecikme dengesini izleyin. Innovation sürekli aynı yöne sapıyorsa model ya da Q yanlıştır.

Gerçek sistemlerin çoğu doğrusal değildir; örneğin yönelim kestiriminde dönmeler ya da menzil ve açı ölçen radar gibi. Bu durumda genişletilmiş Kalman filtresi (EKF) modeli her adımda yerel olarak doğrusallaştırır; Kalman ailesinden unscented Kalman filtresi ise doğrusallaştırma yerine seçilmiş örnek noktalar kullanır. Kullanımları daha karmaşıktır ve hataya duyarlıdır; ilk adımda gerçekten doğrusal modelin yetmediğini gördükten sonra tercih edin.

Basit bir yönelim uygulamasında çoğu zaman tamamlayıcı filtre yeterlidir: jiroskop verisi kısa vadede güvenilirdir ama zamanla kayar, ivmeölçer uzun vadede doğrudur ama gürültülüdür. Tamamlayıcı filtre jiroskop tabanlı kestirime yüksek ağırlık, ivmeölçer tabanlı kestirime düşük ağırlık vererek ikisini birleştirir:

aci = alfa * (aci + jiro * dt) + beta * ivme_aci

Burada alfa ile beta birbirini bütünler. Kalman filtresinden hafiftir ama belirsizliği açıkça izlemez. Karar ölçütü: hesaplama bütçesi çok kısıtlıysa ve belirsizlik bilgisi gerekmiyorsa tamamlayıcı filtre; birden çok sensör, değişken güven ve belirsizlik takibi gerekiyorsa Kalman ailesi.

Gömülü sistemde uygulama ve doğrulama

Algoritma masaüstünde çalışınca iş bitmez; mikrodenetleyicide gerçek zamanlı koşmak ayrı bir mühendislik işidir. Bellek ve işlem gücü kısıtlıdır, kayan nokta birimi yoksa sabit nokta aritmetiği gerekebilir ve zamanlama kritiktir.

Pratik noktalar:

• Zamanlama: Filtre sabit ve bilinen bir adım süresiyle çalışmalı. Kesme (interrupt) gecikmeleri ve değişken dt, kestirimi bozar; gerçek ölçülen dt'yi kullanın.
• Sayısal kararlılık: Kovaryans matrisinin simetrik ve pozitif kalmasını sağlayan formülleri tercih edin; uzun çalışmada yuvarlama hataları filtreyi bozabilir.
• Çevrimdışı önce: Sensör verisini kaydedip masaüstünde yeniden oynatın; ayarları orada bitirin, sonra cihaza taşıyın.
• Referansla doğrulama: Mümkünse daha iyi bir referans sensörle (veya bilinen bir test düzeneğiyle) karşılaştırıp kestirim hatasını hesaplayın. Farklı koşullarda test edin: durağan, hızlı hareket, sıcaklık değişimi, sensör arızası.
• Hata durumları: Sensör verisi gelmezse ya da aykırıysa filtre ne yapacak? Belirsizliğin büyümesine izin veren ve güvenli bir moda geçen mantık ekleyin.

Sık hatalar: kalibrasyonu atlamak, Q ve R'yi yalnızca "çalışıyor gibi" görününce bırakmak, eksen yönlerini yanlış çevirmek, zaman damgalarını göz ardı etmek, tek bir test koşuluna güvenmek ve belirsizlik kestirimini hiç izlememek.

Sensör füzyonunu nerede çalışırsınız?

Mindset'in Sensör Füzyonu ve Gömülü Sinyal İşleme eğitimi bu konudaki adımları modül modül izler: sensör teknolojileri ve arayüzleri, sinyal işleme temelleri, kalibrasyon ve hata modelleri, füzyon algoritmaları, gerçek zamanlı uygulama ve optimizasyon, doğrulama, test ve saha uygulaması. Gömülü tarafta temel gereksinim için Gömülü Sistem Programlama (Embedded C) eğitimi de ayrı bir başlık olarak sunulur.

Eğitim, sensör verisinden anlamlı kestirim üretmesi gereken gömülü yazılım, robotik, otomotiv ve endüstriyel ölçüm ekipleri için uygundur. Kurumsal ekiplerde ürün ekibi, donanım ve yazılım mühendislerinin ortak bir kalibrasyon ve doğrulama dili oluşturmasına yardımcı olur.