Identificación y compensación del sesgo en sensores inerciales MEMS de muy bajo costo mediante el uso de algoritmos de aprendizaje automático

Abstract

En los últimos años, el uso de sensores inerciales basados en tecnología MEMS (MicroElectroMechanical Systems) se ha consolidado en diferentes áreas que requieren sensores baratos, livianos y de bajo consumo de energía. Algunas de estas áreas son la robótica móvil aérea y la robótica móvil terrestre. Una desventaja que presentan este tipo de sensores es su bajo desempeño comparado con sensores fabricados con otras tecnologías. Los dos errores más gravitantes en el desempeño de un sensor inercial MEMS son el ruido blanco y el sesgo presentes en la señal de salida del sensor. En particular, el sesgo presenta una variación no lineal muy notoria respecto a la temperatura, debido a que los sensores MEMS están construidos mayoritariamente con silicio. En la literatura existente, si bien se encuentran varios trabajos que han tratado de corregir el sesgo en sensores inerciales MEMS utilizando técnicas basadas en aprendizaje automático (machine learning), debido a la naturaleza no lineal del fenómeno que se trata de predecir, todos estos trabajos han utilizado sensores MEMS cuyo costo varía entre los USD 300 y los USD 1.000. En los últimos años han surgido sensores inerciales MEMS de muy bajo costo, los cuales se encuentran en una cantidad importante de sistemas robóticos. El costo de estos sensores ronda los USD 10. En este trabajo se propone analizar y compensar las variaciones del sesgo por temperatura en sensores inerciales MEMS de muy bajo costo, usando diferentes técnicas de aprendizaje automático. La hipótesis central de este proyecto se basa en mejorar el rendimiento de sensores inerciales de muy bajo costos aplicando técnicas de aprendizaje automático del estado del arte, las cuales permitirán identificar la relación no lineal que existe entre el sesgo y la temperatura.