使用两个加速度计数据将角加速度积分到角速度中的漂移

#1 楼

您提供的论文的作者给出了不使用陀螺仪的两个原因（据我所知）。首先是陀螺仪承受最大角速度。第二是功耗。关于这两个方面，只有您才能确定这两个短时间的影响是否会影响您。话虽如此，这两个问题在大多数应用程序中将不是问题。假设它们不影响您的应用程序，那么我建议您使用除了线性加速度外还带有陀螺仪测量功能的IMU（如果可能的话，用磁力计获得更精确的航向）。如果已经对信号进行了整理，则需要确定测量的噪声是否为高斯噪声（正态分布）。如果是这样，则应按照其他答案的建议考虑使用卡尔曼滤波器（对于线性数据使用原始数据，对于非线性数据使用无味或扩展）。如果您的噪声不符合正态分布，则需要研究非参数方法，例如粒子滤波器。

完成后要考虑的下一个问题是数值积分。这是一个非常棘手的问题，不幸的是，没有真正的解决方案。数值积分不仅容易出错，而且即使在处理无噪声数据时，也基本上保证了结果将不准确。当您尝试对嘈杂的数据执行数值积分时，您将在系统中看到的错误会爆炸。结果，我们只能希望尽可能减少误差，以延迟使人衰弱的漂移的发生。

对于您的数值积分技术，我建议从使用陷阱规则切换为使用辛普森规则。通常情况下，使用Simpson's可以获得更准确的结果，因此集成带来的错误不会那么糟糕。

附带说明一下，我认为这是一个很酷的想法，但似乎没有真正起步的想法是在数值积分（基于神经网络算法的数值积分）中使用神经网络。我建议坚持使用辛普森法则，但如果有时间，您可能想尝试遵循作者的介绍。

#2 楼

我的建议是在卡尔曼滤波器中工作。使用此工具，您可以获得加速度计实际经历的更加准确的图像，而不会产生来自漂移的信号噪声。反过来，这将为您的角速度积分数据提供更清晰的分辨率。不幸的是，我对卡尔曼滤波器背后的数学感到很不满意，所以您必须自己弄清楚这部分。 :)如果您想看看维基百科页面，这是维基百科页面，并且如果您也不擅长矩阵数学，那么这里有大量专门针对卡尔曼滤波器中矩阵数学的教程，您可以查看一下。 br />

#3 楼

一些解决方案：


当您知道自己不在移动时，零漂移。
使用更好的加速度计（即，分辨率更高，G值更高，测量速度更快）。因为您正在积分，所以任何传感器噪声都会被放大。另外，如果传感器在其最大G值处饱和，那也将使您的结果不正确。
请使用角速度传感器，也称为“陀螺仪”。它们将为您提供更直接的测量，而无需集成。

通常，加速度计和陀螺仪一起使用，并一起放入卡尔曼滤波器中。加速度计通过一次和两次积分用于跨国加速度/速度/位置，而陀螺仪通过一次积分用于角速度和位置。