卡尔曼滤波-实战IMU姿态估计

最新推荐文章于 2024-06-06 11:14:19 发布
最新推荐文章于 2024-06-06 11:14:19 发布
阅读量6.9k 收藏 162
点赞数 23
分类专栏： 无人机飞控 文章标签： 机器学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/GoolyOh/article/details/112346998
版权

实战 IMU 卡尔曼滤波

基础知识已经准备的差不多了，本章开始通过一个实际应用来真正感受一下卡尔曼滤波的魅力！

IMU 滤波

在这里插入图片描述

陀螺仪

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

加速度计

加速度计传感器得到的是 3 轴的重力分量，是基于重力的传感器，但是无法感知 Z 轴
上的旋转，我们可以通过三角函数来计算，X,Y 轴的旋转角度。
在这里插入图片描述
从图表中可以看出，在一分钟内，角度没有随着时间有漂移现象，但是伴随着的噪声很
大，必须经过滤波处理才能使用。

建立系统模型

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

代码实现卡尔曼滤波

在这里插入图片描述
关键元素：
1、 F 矩阵
2、 P 矩阵
3、 Q 矩阵
4、 H 矩阵
5、 R 矩阵
6、 I 矩阵

初始化矩阵

在这里插入图片描述
在这里插入图片描述

状态预测

在这里插入图片描述
在这里插入图片描述

协方差矩阵预测

在这里插入图片描述

计算卡尔曼增益

在这里插入图片描述
在这里插入图片描述

状态更新

在这里插入图片描述

协方差矩阵更新

在这里插入图片描述

滤波效果

在这里插入图片描述

总结

现在你可以尝试把Y和Z轴的状态量加上，这个矩阵会变的稍微复杂一些，而且Z轴的角度变化加速度计无法纠正，需要通过磁力计来纠正，这个后面再EKF中会说到。不要被复杂的矩阵所吓倒，你可以用MATLAB或者PYTHON来自动生成代码，前提是你必须保证你的公式正确！

Choopper
关注
  • 23
    点赞
  • 踩
  • 162
    收藏
    觉得还不错? 一键收藏
  • 8
    评论
专栏目录
IMU方向位姿估计
qq_35635374的博客
12-30 2720
系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 TODO:写完再整理 文章目录系列文章目录前言一、方法一：IMU方向位姿可以直接从IMU本身提供的专有算法中获得（调包侠拿来就用）二、方法二：使用IMU陀螺仪和加速度计读数估计躯干方向姿态R和角速W（自己写状态估计算法）参考资料 前言 认知有限，望大家多多包涵，有什么问题也希望能够与大家多交流，共同成长！ 本文先对IMU方向位姿估计做个简单的介绍，具体内容后续再更，其他模块可以参考去我其他文章 提示：以下是本篇文章正文
【滤波跟踪】扩展卡尔曼滤波器IMU和GPS数据计算无人机的姿态【含Matlab源码 2531期】
Matlab领域的博客
04-23 328
扩展卡尔曼滤波器IMU和GPS数据计算无人机的姿态 完整的代码，方可运行；可提供运行操作视频！适合小白！
SLAM-使用单目+IMU+GPS实现的SLAM算法-优质项目实战.zip
02-25
SLAM_使用单目+IMU+GPS实现的SLAM算法_优质项目实战
状态估计-融合GPS+IMU+编码器传感器实现的准确的状态估计-附项目源码-优质项目实战.zip
05-14
状态估计_融合GPS+IMU+编码器传感器实现的准确的状态估计_附项目源码_优质项目实战
【滤波跟踪】基于间接卡尔曼滤波的IMU与GPS数据融合附MATLAB代码
最新发布
m0_57702748的博客
06-06 241
在自动驾驶、机器人导航、运动捕捉等领域，精确的定位和姿态估计至关重要。惯性测量单元（IMU）能够提供高频的加速度和角速度测量，但由于其自身漂移和噪声，长时间累积会导致较大的误差。而全球定位系统（GPS）则可以提供较准确的绝对位置信息，但其更新频率较低，且在遮挡环境下无法使用。为了克服各自的缺点，将IMU和GPS数据进行融合，构建一个能够同时估计位置、速度和姿态的系统，成为当前研究的热点。本文将介绍一种基于间接卡尔曼滤波的IMU与GPS数据融合方法，并详细阐述其原理、实现步骤以及应用场景。
卡尔曼滤波（我亲测可以用）
02-17
亲测卡尔曼滤波 void Angle Calcu void { aax GetData ACCEL XOUT H ; aax aax 16 384; if aax>1500 { aax 1998 aax 2; } else aax aax; gy GetData GYRO YOUT H ; gy gy 102; ggy gy; if ggy>30000 { ggy ggy 65536; } else ggy ggy 1 8; ggy ggy 16 4; kalmanCalculate x aax ggy 0 003 ; }">亲测卡尔曼滤波 void Angle Calcu void { aax GetData ACCEL XOUT H ; aax aax 16 384; if aax>1500 { aax 1998 aax 2; } else aax aax; gy GetData GYRO YOUT H ; gy gy 102; ggy gy; if ggy>30000 [更多]
卡尔曼滤波器融合六轴IMU数据
zhang_xiaoqiang的博客
10-18 1318
这是因为卡尔曼滤波是一种线性高斯滤波器，它假设噪声是零均值的高斯白噪声，并且系统状态的转移和测量模型都是线性的。在实际应用中，通常可以通过对干扰的均值进行估计，然后进行补偿处理，从而使得干扰的期望值为零。卡尔曼滤波是一种常用的状态估计方法，其基本原理是。为系统状态的先验估计，根据上一时刻的估计值计算。过程噪声，符合正态分布，期望为0，协方差矩阵为。测量噪声，符合正态分布，期望为0，协方差矩阵为。为先验估计状态量和观测量计算得到，对应。是由角速度计算出的姿态角。是先验误差协方差矩阵，是上一时刻状态估计，
如何使用卡尔曼滤波实现imu和轮式里程计融合定位，具体代码怎么写
weixin_42598278的博客
01-04 1775
卡尔曼滤波是一种常用的状态估计方法，可以用来融合多种传感器的测量值，来获得更准确的状态估计。在实现IMU和轮式里程计融合定位时，你需要首先定义系统状态，然后根据卡尔曼滤波的方程对系统状态进行更新。 具体来说，你需要定义系统状态的转移方程，这个转移方程表示了系统状态在时间上的变化。然后你需要定义观测方程，这个方程表示了你的传感器测量值和系统状态之间的关系。 然后你就可以使用卡尔曼滤波的方程来更新系统...
用IMU数据进行位置和姿态估计
01-10
用IMU的数据进行机器人位置和姿态的估计，比如acc或者gyro积分每个sample怎么进行坐标变换，怎么由rawdata得到位置和姿态信息的计算细节等。 In recent years, microelectromechanical system (MEMS) inertial sensors (3D accelerometers and 3D gyroscopes) have become widely available due to their small size and low cost. Inertial sensor measurements are obtained at high sampling rates and can be integrated to obtain position and orientation information. These estimates are accurate on a short time scale, but suer from integration drift over longer time scales. To overcome this issue, inertial sensors are typically combined with additional sensors and models. In this tutorial we focus on the signal processing aspects of position and orientation estimation using inertial sensors. We discuss dierent modeling choices and a selected number of important algorithms. The algorithms include optimization-based smoothing and ltering as well as computationally cheaper extended Kalman lter and complementary lter implementations. The quality of their estimates is illustrated using both experimental and simulated data.
一文读懂卡尔曼滤波——卡尔曼滤波融合IMU的陀螺仪和加速度计实践(一)
qq_31775031的博客
06-25 1万+
卡尔曼的基本原理以及公式网上有很多，可以参照大神博客： https://blog.csdn.net/m0_38089090/article/details/79523784?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522162147991616780271580764%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=162147991
对IMU数据进行卡尔曼滤波
qq_53576285的博客
03-19 3431
我们要使用IMU数据，必须对数据进行预处理，卡尔曼滤波就是很好的方式。有c++的卡尔曼滤波代码实现还有利用MATLAB自带模块进行滤波。
浅谈基于卡尔曼滤波器的姿态解算（一）
m0_37835056的博客
04-21 1199
浅谈基于卡尔曼滤波器的姿态解算推导过程和结论公式
【无人机】【扩展卡尔曼滤波器从IMU和GPS数据计算无人机的姿态】使用不变扩展卡尔曼滤波器对微型无人机状态估计进行传感器融合（Matlab代码实现）
Yan_she_He的博客
03-07 395
摘要—随着微型空中飞行器（MAVs）变得更加价格实惠和普及，它们在复杂的城市环境中的用途将变得更加理想，例如检查、监测和投递。在这个项目中，我们使用不变扩展卡尔曼滤波器（InEKF）来估计MAV在具有挑战性的城市环境中的位置。标准的扩展卡尔曼滤波器（EKF）通过线性化动态方程来估计状态之间的协方差。与此同时，增强卡尔曼滤波器（In-EKF）可以解决上述问题，并且具有严格的数学推导作为保证。文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。行百里者，半于九十。
【滤波定位】卡尔曼滤波GPS+IMU融合定位【含Matlab源码 3604期】
Matlab领域的博客
12-10 1466
卡尔曼滤波GPS+IMU融合定位 完整的代码，方可运行；可提供运行操作视频！适合小白！
基于卡尔曼滤波器融合的激光IMU激光里程计学习
qq_42700518的博客
06-21 3958
主要学习的是港科大今年开源的LINS算法. 该算法是直接在lego上面改的,主要针对的还是16线激光. 算法主要的核心是在激光里程计节点, 只需要重点学习这部分就可以了.
卡尔曼滤波实现车辆IMU 9轴姿态解算附Matlab实现
m0_60703264的博客
12-21 1550
姿态解算是指通过传感器获取的数据，计算出物体在三维空间中的姿态角度，包括俯仰角、横滚角和偏航角。在车辆控制系统中，姿态解算是非常重要的，因为它可以提供精确的车辆姿态信息，帮助车辆控制系统更好地控制车辆。在车辆姿态解算中，IMU（惯性测量单元）是非常重要的传感器，它可以测量车辆的加速度、角速度和磁场强度等参数。使用IMU进行姿态解算，需要将IMU测量的数据进行处理，计算出车辆的姿态角度。基于卡尔曼滤波的姿态解算方法是目前比较常用的一种方法。
【附源码+代码注释】误差状态卡尔曼滤波(error-state Kalman Filter)，扩展卡尔曼滤波，实现GPS+IMU融合，EKF ESKF GPS+IMU
热门推荐
一点儿也不萌的萌萌
03-04 3万+
卡尔曼滤波器在1958年被卡尔曼等人提出之后，经历了60多年，这期间有各种变体被提出来，但是核心的思想并没有变化。这其中比较突出的工作有，EKF、IEKF、ESKF、UKF等等。它们的方程有一些差异，但是用法基本区别不大，只要学会应用其中的一种，别的就问题不大了。卡尔曼滤波器的公式推导，并不重要!卡尔曼滤波器的公式推导，并不重要!卡尔曼滤波器的公式推导，并不重要!
误差状态卡尔曼滤波(error-state Kalman Filter)，扩展卡尔曼滤波，实现GPS+IMU融合，EKF ESKF GPS+IMU
hjwang1的专栏
08-07 3444
如果你初学卡尔曼滤波器，千万不要在公式推导和理解上花费太多的精力，这将会得不偿失，根据我的学习经验，想直接从卡尔曼的公式推到上去理解用法是比较难的，但是先不管原因，边应用边学习，将会是一个非常正确的做法，对于理解卡尔曼滤波器将会事半功倍！红色的GPS的测量数据，蓝色是轨迹的真值，绿色是融合之后的轨迹，可以看到融合了imu之后的轨迹，相比于只有GPS的情况提升了很多，甚至与真实值都非常接近了。在这篇博客中，我将会向你解释GPS融合IMU的扩展卡尔曼的推导过程，并且还会提供完整的源代码和数据。...
matlab对imu的卡尔曼滤波
09-08
MATLAB对IMU的卡尔曼滤波功能非常强大。IMU（惯性测量单元）是一种用于测量物体加速度和角速度的设备。然而，由于其工作原理的限制以及环境噪声的干扰，IMU所获取到的数据往往存在一定程度的误差。 卡尔曼滤波是一种递归的滤波算法，可以根据测量值和预测模型对系统状态进行估计。MATLAB中提供了多种用于实现卡尔曼滤波的函数和工具箱。 首先，我们需要定义IMU的数学模型，包括系统的状态、观测值和状态转移矩阵等。然后，通过MATLAB的卡尔曼滤波函数，可以使用IMU的测量数据进行滤波处理。MATLAB中常用的卡尔曼滤波函数包括`kf`和`kalman`。 在使用MATLAB进行IMU数据的卡尔曼滤波时，一般会包括以下几个步骤：1. 系统初始化，设置状态和观测向量、状态转移矩阵、测量矩阵、噪声协方差矩阵等参数；2. 根据IMU的测量值更新状态向量；3. 根据测量值对状态进行预测并更新协方差矩阵；4. 不断迭代更新状态向量和协方差矩阵，从而获得滤波后的IMU数据。 MATLAB的卡尔曼滤波函数还提供了很多关于滤波性能评估和调优的方法，如观测模型控制、状态收敛速度分析、误差分析等。因此，使用MATLAB进行IMU的卡尔曼滤波不仅能够提高数据的准确性，还能够帮助用户分析和优化滤波算法，提升系统的性能。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 8
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值