- 博客(7)
- 收藏
- 关注
RSS订阅原创 mpu6050姿态解算与卡尔曼滤波（5）可应用于51单片机的卡尔曼滤波器
博客4中给出的滤波器状态维数为4维，测量量为3维，每次滤波需要做不少矩阵乘法和求逆运算。考虑应用场合可以对滤波器适当做一些简化，计算量会大大减小。选取状态为俯仰角和滚转角带来的问题是状态方程必须使用欧拉角微分方程，而欧拉角微分方程中包含三角函数计算，反而增加了计算量。首先，陀螺和加速度计融合只能保证俯仰和滚转角收敛，而且从测量方程来看，加速度计的测量只与俯仰和滚转角有关。这样一来状态和测量方程都变得十分简单，计算量也大大减小，应用在51这样的单片机上也能在10ms内完成姿态解算。对于测量方程，也可简化为。
2024-04-20 20:59:45
1171
原创 mpu6050姿态解算与卡尔曼滤波（4）姿态解算
到这里我们就获得了线性化的状态方程和测量方程了，按照博客(2)http://t.csdnimg.cn/EYpJ7里标准卡尔曼滤波的公式即可进行滤波，即可获得融合陀螺和加速度计的姿态四元数了。尽管滤波器估计出的姿态中方位角是发散的，我们仍然可以取初始化时的方位角为0，这样滤波器估计出的方位角就是相对初始时的方位，在短时间内它仍是可信赖的信息。阵，由于初始方位角被设定为0，它是我们极其确定的一个值，因此。通常情况下，卡尔曼滤波器是收敛的，因此滤波器的初值。的初值应当被设置为很小，一般的可以取。
2024-04-17 22:53:59
1466
1
原创 esp32官方提供的矩阵类计算速度
都计算一个3x3矩阵的逆，官方的库调用imverse()方法，自己的库写了一个mat_inv3()，结果是官方方法计算耗时620us，自己方法耗时90us。可能官方方法用了高斯消去法而自己方法直接用伴随矩阵求解的？有空会自己实现下高斯消去法，到时候再跟官方的库比较下。发现esp32官方提供了一个矩阵类，正好自己也实现了一个矩阵类，于是想比较下两者的计算速度。
2024-03-02 22:51:26
182
原创 C++下扩展卡尔曼类（EKF）的实现
最初的卡尔曼滤波用于解决离散系统的滤波问题，然而工程中常遇到的滤波问题是连续系统产生的滤波问题。 卡尔曼滤波器具有如下形式的离散的状态方程： Xk+1=Ψk+1,kXk+Wk(1)X_{k+1}=\Psi_{k+1,k} X_{k}+W_{k} \tag{1} 但这只是一个高度简化的方程，更多的时候我们能获得的是关于连续系统的如下形式的方程： X˙=f(X)+W(2)\dot X=f(X
2018-01-05 11:59:46
9235
2
原创 mpu6050姿态解算与卡尔曼滤波（3）加速度计标定
考虑单轴加速度计的测量模型为： am=k⋅atrue+a0+wa_{m}=k\cdot a_{true}+a_{0}+w ama_{m}为加速度计测量值，atruea_{true}为真实加速度值，k为刻度因数，a0a_{0}为固定偏差，ww为正态分布的噪声。 对于三轴加速度计，认为三轴是正交的，测量模型为： amxamyamz=kx⋅ax+a0x+wxky⋅ay+a0y+wykz⋅az+a
2017-05-06 21:25:41
13541
2
原创 mpu6050姿态解算与卡尔曼滤波（2）卡尔曼滤波
卡尔曼滤波，是当前最优估计理论中十分重要的一个部分。 要全面地理解卡尔曼滤波，你需要一点统计学的知识，以及一点矩阵理论。通常最优估计理论的教材是从最小二乘估计讲起，接着讲到最小方差估计，极大似然估计以及维纳滤波，再到卡尔曼滤波、扩展卡尔曼、无迹卡尔曼——-这是从统计的角度来理解卡尔曼滤波。 事实上，卡尔曼滤波与《自动控制原理》中的状态观测器非常相似。状态观测器利用原系统的输入输出来估计系统状态
2017-03-09 12:10:59
24013
原创 mpu6050姿态解算与卡尔曼滤波（1）数学
定义地理坐标系n系：x轴指向东，y轴指向北，z轴指向天。在mpu6050芯片上定义载体坐标系b系。那么b系的姿态就是指n系与b系相对的旋转关系，即如何由n系旋转到b系。描述这种旋转关系通常使用欧拉角(ψ,θ,γ)T(\psi, \theta,\gamma)^T，姿态矩阵T(3x3)，四元数Q=(q0，q1，q2，q3)TQ=(q_0，q_1，q_2，q_3)^T。欧拉角指的是将n系按照z轴
2017-03-01 20:38:20
25353
3
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人