การทำงานของ MEMS Gyroscope และ Kalman Filter ในระบบนำทาง
การทำงานของ MEMS Gyroscope
MEMS Gyroscope คือไจโรสโคปที่ย่อส่วนโครงสร้างกลไกไว้บนแผ่นซิลิคอนขนาดไม่กี่ตารางมิลลิเมตร ทำหน้าที่วัดอัตราการหมุนเชิงมุม โดยอาศัยหลักการทางฟิสิกส์ 2 ส่วนหลัก
ปรากฏการณ์โคริออลิส (Coriolis Effect)
เมื่อวัตถุมวล m เคลื่อนที่ด้วยความเร็วเชิงเส้น v ในกรอบอ้างอิงที่กำลังหมุนด้วยความเร็วเชิงมุม Ω วัตถุนั้นจะถูกกระทำด้วยแรงโคริออลิส F = -2m(Ω × v)
โครงสร้างกลไกภายในชิป
- Drive Mode
ภายในชิปมีมวลขนาดจิ๋ว (Proof Mass) ถูกแขวนไว้ด้วยสปริงซิลิคอน ขั้วไฟฟ้าฟันหวี (Comb Drive) จะป้อนสนามไฟฟ้ากระตุ้นให้มวลก้อนนี้สั่นไป-มาในแนวแกนหนึ่งอย่างต่อเนื่อง (เช่น แกน X) ด้วยความถี่เรโซแนนซ์ เพื่อสร้างเวกเตอร์ความเร็ว v - Sense Mode
เมื่อตัวรถเลี้ยวหรือหมุนรอบแกนแนวตั้ง (แกน Z หรือ Yaw axis ด้วยความเร็วเชิงมุม Ω) แรงโคริออลิสจะดันให้มวลที่กำลังสั่นอยู่นั้นเบี่ยงตัวออกจากแนวเดิมไปตามแกนตั้งฉาก (เช่น แกน Y) - การแปลงเป็นสัญญาณไฟฟ้า
การขยับของมวลในแกน Y ทำให้ระยะห่างระหว่างแผ่นตัวเก็บประจุจิ๋ว (Capacitive Sensing Plates) เปลี่ยนไป ส่งผลให้ค่าความจุไฟฟ้า (Capacitance) เปลี่ยนแปลง วงจร ASIC ภายในตัวชิปจะแปลงความต่างความจุไฟฟ้านี้เป็นแรงดันไฟฟ้า และแปลงต่อเป็นค่าอัตราการหมุนเชิงมุมดิจิทัล - ข้อจำกัดของ MEMS Gyroscope
เนื่องจากเป็นชิปขนาดเล็ก MEMS จึงมีความไวต่ออุณหภูมิและการสั่นสะเทือนของเครื่องยนต์ ส่งผลให้เกิดปัญหาสำคัญคือ Bias Drift แม้รถจะจอดอยู่นิ่ง ๆ เซ็นเซอร์อาจส่งค่าประมาณ 0.05 องศา/วินาที หากนำค่านี้ไปอินทิเกรตตรง ๆ เพื่อหามุมทิศ (Heading Angle) แบบไม่มีการแก้ไข ภายในไม่กี่นาที ทิศทางของรถบนแผนที่จะหมุนคลาดเคลื่อนไปจากความเป็นจริงหลายสิบองศา
การทำงานของ Kalman Filter ในระบบนำทาง
Kalman Filter เป็นอัลกอริทึมทางคณิตศาสตร์แบบวนซ้ำ (Recursive Algorithm) ที่ทำหน้าที่ Sensor Fusion โดยผสานข้อมูลจากแหล่งต่าง ๆ เพื่อประมาณค่าสถานะ (State) ของระบบที่ดีที่สุดภายใต้สภาวะที่มีสัญญาณรบกวน (Noise) และความไม่แน่นอน วงรอบการทำงานแบ่งออกเป็น 2 ขั้นตอนหลัก:
- ขั้นตอนการทำนายล่วงหน้า (Predict / Time Update)
ระบบนำข้อมูลความถี่สูง (100–200 Hz) จาก IMU และความเร็วล้อมาคำนวณตำแหน่งและทิศทางถัดไปล่วงหน้า ตำแหน่งบนหน้าจอจะอัปเดตอย่างลื่นไหลและทันที ไม่กระตุก แต่ค่าความไม่แน่นอน Covariance จะค่อย ๆ ถ่างกว้างขึ้นเรื่อย ๆ ตามเวลา - ขั้นตอนการปรับแก้ค่าจริง (Update / Measurement Update)
เมื่อมีสัญญาณตรวจวัดภายนอกจาก GPS เข้ามา Kalman Gain จะทำหน้าที่เป็นค่าน้ำหนักถ่วงดุล หากสัญญาณ GPS ดี ท้องฟ้าเปิด ระบบจะเชื่อ GPS มากกว่า และใช้จังหวะนี้คำนวณย้อนกลับเพื่อชดเชยค่า Bias สะสมของ MEMS Gyroscope ทิ้งไป (Online Bias Calibration) แต่เมื่อขับเข้าอุโมงค์ Kalman Gain จะถูกลดเป็น 0 โดยอัตโนมัติ และใช้ไจโรสโคปที่ถูกคาลิเบรตไว้แล้วนำทางต่อไปได้อย่างแม่นยำ