二维加速度计，陀螺仪和磁力计传感器融合

#1 楼

陀螺仪为您提供了围绕每个轴的角速度。您只需积分这些值即可获得机器人的侧倾，俯仰和偏航。由于这是2D，因此您所关心的只是偏航，并且您将集成一个值。当然，有许多不同的方法可以整合从陀螺仪读取的值。最简单的方法是对陀螺进行采样，对采样加时间戳，并假定该值一直保持到下一个采样为止。这类似于积分的黎曼总和，并且采样率越高，精度越高。您可以在样本集之间使用更高级的插值形式，例如双线性插值，但是由您决定要走多远。

加速度计为您提供沿每个轴的线性加速度。因为这是二维的，所以我们只关心沿x和y的加速度（我假设x指向车辆的正速度方向，y指向左侧，z是表格的法线）。同样，我们仅对这些值进行积分以获得速度，如果您选择第二次积分以获取位置。由于您要进行两次集成，因此会积累大量的错误。集成中的错误会随着随机游走而累积（请参阅：http://www.mit.edu/~kardar/teaching/projects/chemotaxis(AndreaSchmidt)/random.htm）。这意味着误差随着时间的增长而增加，约为sqrt（t）。第一次和第二次积分都将具有这种随机游动，这将进一步加剧您的误差。

磁力计在那里提供恒定的参考（北磁），以补偿陀螺仪的漂移。

本质上，您可以使用磁力计和陀螺仪在局部框架（在机器人启动位置处具有（0,0）的静态框架）中计算航向。加速度计可让您更改车架（其（0,0）原点固定在机器人上某处的动态车架）中的位置。您可以使用更新的航向和车辆框架中的位置变化来计算您在本地框架中的位置。 com / viewtopic.php？f = 14＆t = 24226

编辑：我要提一下，要做到这一点，您需要的只是车轮上的编码器以计算位置和速度，并使用单轴陀螺仪测量航向。然后，您可以简单地使用三角函数，以及从编码器计算出的距离变化和与陀螺仪之间的角度变化，以获得x和y的变化。最好的陀螺仪可以连续使用数小时，而不会产生很大的漂移。添加磁力计也是一个很大的帮助。理想情况下，您应该将IMU用作“姿态航向和参考系统”，并使用编码器来计算行进距离和速度的另一个来源。如果您想要最精确的速度，则可以在将每个数据点按数据的1 /方差加权后，将数据加在一起，从而将编码器的数据与加速度的积分融合在一起。

#2 楼

使用IMU，您只能测量：加速度，旋转速度和磁场方向。您无法测量速度，只能积分加速度以推断速度。您可以想象，这会导致速度漂移，进而导致很多无限制的位置漂移。

问题的三个部分： >从陀螺仪和指南针推断机器人的方位。如果机器人速度很慢，则可以忽略陀螺仪，而只需使用指南针。
从加速度计推断机器人的速度和位置
从“地标”调整位置估计>
2.的数学非常简单。如果dT是两次采样之间的时间，那么：1.的数学要复杂得多，因为我们将陀螺仪和指南针融合在一起。可以尝试以下操作：

accelerationInWorldCoordinates = accelerationInRobotCoodinates.rotate(-heading)
velocity += accelerationInWorldCoordinates * dT
position += velocity * dT

这里发生的是我们主要使用陀螺仪来更新航向，但是混入了一些罗盘读数以提供帮助长期保持稳定。

3（可能1）的数学难度更大。您正在寻找的是卡尔曼滤波器。该过滤器可以从多个来源获取信息，并生成机器人状态的最佳估计值，以及对其估计值的置信度。它与我们的1代码并无二致。实际上，您还会在Kalman过滤器中看到k和（1-k）。

Kalman过滤器的问题在于，在该主题上发现的内容往往对数学很沉重，而对于实际实施该课程的人们的实用建议却很少。

我学到的方法是通过康奈尔大学的卡尔曼滤池加注非常缓慢而谨慎地进行。我建议实施给出的示例并尝试使它们起作用。这篇论文（以及大多数其他论文）的烦人之处在于，它们通常不会告诉您算法中使用的各种矩阵的大小和形状，因此您必须手动解决这些问题。他们也没有告诉您太多关于协方差矩阵的含义或如何计算它的信息。在我的博客上进行过滤，但不要屏住呼吸。