Simulador de sensores: calibración y fusión sensorial

Controles

Elija una señal real suave o escalonada y ajuste la frecuencia de muestreo, cuantización, ruido aleatorio, deriva, sesgo, pérdidas de lectura y memoria del filtro. Compare las lecturas directas con estimaciones de media móvil, paso bajo, mediana y filtro complementario. Los preajustes permiten recrear de manera determinista comportamientos ruidosos, sesgados o inestables.

Teoría

Todo sensor posee rango de medición, resolución, precisión, ancho de banda, latencia y modos característicos de fallo. La precisión indicada en la hoja de datos describe solo una fracción del sistema; el montaje mecánico, la temperatura, el ruido en la fuente de alimentación, las interferencias electromagnéticas y las propiedades de las superficies suelen predominar en aplicaciones reales.

La fusión sensorial funciona cuando las fuentes aportan información complementaria y sus incertidumbres se modelan de manera rigurosa. Combinar dos lecturas con sesgo sistemático no produce automáticamente la verdad. El procedimiento correcto inicia con la calibración individual, marcas de tiempo precisas, alineación de marcos de coordenadas y validación de calidad de datos.

Algoritmo

1. Asignar marca de tiempo y comprobar límites de rango a cada muestra en el límite de adquisición.
2. Convertir unidades crudas aplicando factor de escala, sesgo (offset) y alineación geométrica de ejes.
3. Rechazar saltos físicamente imposibles o marcarlos como inválidos en lugar de interpolar datos falsos.
4. Aplicar el filtro digital más liviano que satisfaga el nivel de ruido admisible para la aplicación.
5. Transformar las mediciones al marco de coordenadas común y fusionarlas según su covarianza e incertidumbre.
6. Registrar simultáneamente las lecturas sin procesar y las filtradas para reproducir cualquier fallo de calibración.

Código fuente

Un filtro de paso bajo exponencial resulta adecuado cuando su constante temporal se calibra deliberadamente:

class LowPass:
    def __init__(self, alpha):
        self.alpha = alpha
        self.value = None

    def update(self, sample):
        if self.value is None:
            self.value = sample
        else:
            self.value += self.alpha * (sample - self.value)
        return self.value

Guarde la muestra cruda junto con el resultado filtrado. De lo contrario, un gráfico visualmente limpio puede encubrir saturaciones, pérdidas de paquetes o errores sistemáticos de calibración.

Supuestos y diferencias con el hardware físico

Este laboratorio interactivo constituye un modelo didáctico de señales, no la hoja de características de un sensor comercial específico. El ruido se genera de forma determinista (gaussiano o uniforme) con un control ajustable; una IMU o un sensor de distancia ToF real añade sesgos dependientes de la temperatura, picos no gaussianos y jitter en los buses de comunicación que este modelo sintetiza. En el simulador el muestreo es rigurosamente periódico, mientras que en un microcontrolador las variaciones del bucle y las interrupciones hacen indispensables las marcas de tiempo. Todo suavizado aporta un desfase que en un robot físico se traducirá en retraso de control; este equilibrio se analiza en detalle en el tutorial de ruido y filtrado de sensores.

Diagrama de circuito

Compruebe la tensión de bus, requisitos de resistencias pull-up, direcciones I²C y longitud máxima de cable antes de interconectar múltiples transductores.

Experimentos guiados

Los selectores de este laboratorio permiten inducir deliberadamente fallos en los sensores para comprender qué herramienta algorítmica los soluciona. Realizar este proceso de forma práctica supera con creces la lectura pasiva.

1. Demostrar que el filtrado no corrige el sesgo (bias)

Ajuste el ruido a cero y configure un sesgo evidente. Pruebe sucesivamente cada filtro: media móvil, paso bajo y mediana. Ninguno de ellos desplazará la estimación hacia el valor real, ya que todos atenúan la variabilidad y el sesgo es una desviación constante.

Luego, configure el sesgo en cero e incremente el ruido: los mismos filtros responderán con gran eficacia. Esta distinción es fundamental en instrumentación: ruido, sesgo y deriva se manifiestan de forma parecida en una gráfica pero exigen soluciones distintas, y ningún nivel de filtrado corregirá jamás un sesgo.

2. Observar cómo la media propaga un pico que la mediana descarta

Active picos anómalos o pérdidas de lectura y compare una media móvil contra una mediana con la misma longitud de ventana.

El ruido en sensores ultrasónicos y de tiempo de vuelo (ToF) no suele ser gaussiano: consiste en lecturas anómalas esporádicas sobre una señal mayormente estable. Ese es precisamente el caso que la media promedia de forma deficiente.

3. Cuantificar el coste del desfase temporal (lag)

Cambie a la señal de referencia escalonada y reduzca el parámetro alpha del filtro (o aumente la ventana). La estimación ganará suavidad pero responderá más tarde. Calcule el retardo observado en la gráfica:

La última fila produce una curva sumamente limpia, pero hace que el robot maniobre según la posición en que se encontraba el obstáculo hace 15 cm. Evalúe siempre el retardo en las magnitudes físicas del robot y no solo en muestras de muestreo; este es el error más frecuente al diseñar filtros en robótica.

4. Comprender las posibilidades y límites de la fusión

Configure una fuente con ruido pero sin sesgo y otra suave pero con deriva lenta; compruebe cómo la estimación complementaria extrae las mejores características de cada una. Luego, aplique a ambas fuentes un mismo sesgo y observe cómo la estimación fusionada lo asimila idénticamente.

La fusión explota la independencia estadística de los errores. Un error de modo común persiste intacto, razón por la cual la calibración debe preceder siempre a la etapa de fusión sensorial.

Qué debería observar

Aplicación en hardware físico

El método práctico ante un sensor físico es directo: mantener el sensor estático ante un estímulo patrón conocido, registrar varios millares de muestras con sus marcas de tiempo y graficar tanto la serie temporal como su histograma. El histograma es la herramienta más reveladora y comúnmente olvidada: el ruido gaussiano produce una campana normal, mientras que las interferencias y lecturas atípicas crean colas ensanchadas, requiriendo filtros radicalmente distintos. El procedimiento completo se describe en el tutorial de ruido, sesgo y filtrado de sensores.