IMU学习的一些记录（不含推导公式，仅做了解）

最新推荐文章于 2023-08-01 19:24:39 发布
最新推荐文章于 2023-08-01 19:24:39 发布
阅读量153 收藏
点赞数
文章标签： ubuntu 学习
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/qq_62641184/article/details/129588207
版权

    IMU（惯性测量元件）测量三个量：1.加速度 2.角速度3地磁（具体内容不展开）

原始数据采集 IMU芯片与单片机硬件享连，通过程序处理数据。上位机（一般运行Ubuntu和ros系统）通过串口接收数据。

内参外参的标定（很复杂）

数据滤波

1.均值滤波，实现起来最简单，就是对一定时间内采集的数据求均值。

2.中值滤波，可去毛刺

3.RC低通过数字滤波

4.FIR滤波

5.IIR滤波

姿态融合 就是各种信息融合成航姿信息，或位置信息，或速度信息。这时候就要用到融合算法

1.卡尔曼滤波计算量大，EKF，UKF，KSKF

2.互补滤波计算量小，Madgwick，Mahony（前者的简化版）

 

 

 

狂生144
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
IMU预积分总结与公式推导.pdf
11-11
泡泡机器人北航博士邱笑晨IMU积分公式总结和推导，很全面也很详细的知道，学习learnVIorb 代码以及VINS必备的基础知识总结， 公式推导的很详细，涉及到代码中的很多指导过程
机器人姿态估计-IMU、互补滤波算法应用
最新发布
liuphahaha的专栏
03-29 1135
机器人的姿态测量对于许多应用至关重要，如导航、运动控制等。在这篇文章中，我们将介绍如何利用MPU6050传感器以及互补滤波和卡尔曼滤波算法来实现自平衡车的姿态测量。我们将从原理出发，逐步介绍互补滤波和卡尔曼滤波的基本原理，并提供相应的C代码实现。
【IMU介绍】
weixin_55741769的博客
08-01 576
多传感器融合基本原理就像人脑综合处理信息的过程一样，将各种传感器进行多层次、多空间的信息互补和优化组合处理，最终产生对观测环境的一致性解释。在这个过程中要充分利用多源数据进行合理支配与使用，而信息融合的最终目标则是基于各传感器获得的分离观测信息，通过对信息多级别、多方面组合导出更多有用信息。2 IMU参数：量程（区间范围），非线速度，零偏，轴间灵敏度，噪声密度，温偏。· IMU数据频率高，一秒钟一百个采样点，例如摄像头只能30帧，时间上互补。1 九轴IMU 三轴加速度，三轴角速度，三轴磁力，气压。
对一阶二阶低通滤波器推导，并用IMU数据验证算法效果
su_fei_ma_su的博客
05-18 5970
文章背景 一直想学习一下数字信号处理算法，而不是每次遇到数据处理就求平均，求最值，看容差，做滑动窗。。。 数字信号处理算法已经很成熟了，但网上大部分还是用matlab跑仿真，设计几个不同频率的sin信号相加，来验证算法的有效性。但是实际工程中该如何去使用这个算法，资料还是比较少的，这篇文章重心放在实际工程，对于工程中遇到的常见信号做处理。 算法推导 学习一个算法，掌握其思想和推导是必不可少的路。这里先以一阶低通滤波算法为例，在硬件电路中我们可以通过RC电路实现低通滤波功能，利用的便是电容原件的充放电特性。在
IMU 互补滤波
AI.PLAY
07-02 699
这个误差指的是两个向量的不平行程度，和夹角的正弦成正比，叉乘=a*b*sin(角度),二两个向量又归一化了，所以就和sin(角度成正比)，进而反应了陀螺仪估计的姿态和加速度计测量的姿态误差。而单位向量的向量叉积在物理意义上在小角度意义就是轴角，轴角本身就刻画了旋转，也就是叉乘的结果可以看成是旋转误差，在这个物理意义下比任何误差表示都要合理和切合实际系统。在使用一个算法之前首先要弄清楚数据数据的单位是什么，在互补滤波算法中，角速度的单位是“弧度每秒”，加速度是数据是归一化后的数据，无单位。
IMU姿态滤波算法——Madgwick算法：原理与代码
3D视觉工坊
05-31 1207
前言之前的一次推送介绍了Mahony姿态解算算法（IMU姿态滤波算法——Mahony算法：原理与代码），这次介绍另一个经典的滤波算法：Madgwick滤波。Madgwick滤波算法根据加速度计、陀螺仪、以及磁力计，融合计算机体四元数，计算速度快、精度较高。本文详细介绍六轴融合，即根据加速度计和陀螺仪数据，计算IMU的姿态。算法2.1 重力方向对齐优化首先要指出的是，Madgwick算法假设加速度计...
IMU姿态融合（MPU9250从校正到滤波步骤）
热门推荐
草帽BOY的博客
06-08 7万+
MPU9250包括三轴加速度计、三轴陀螺仪和三轴磁力计。因为加速度/磁力计具有高频噪声（需要低通滤波），将加速度/磁力计的信号看成是音频信号，它们的信号会有很多“毛刺“，也就是说它们的瞬时值不够精确，解算出来的姿态会震荡，但长期来看姿态方向是对的。而陀螺仪具有低频噪声（需要高通滤波），即每个时刻的得到的角速度是比较精确的，使用积分就能得到旋转角度
IMU原理
yuyangyg的博客
08-10 4万+
惯性测量单元（IMU）通常指由3个加速度计和3个陀螺仪组成的组合单元，加速度计和陀螺仪安装在互相垂直的测量轴上。低精度的IMU可以通过其他方式修正，GPS用于修正位置的长期漂移，气压计用于修正高度，磁力计用于修正姿态。           传感器直接固联在载体上称为捷联惯导系统。            MEMS陀螺仪原理                      x方向是驱动方向，使m沿x
IMU学习记录
qq_54543084的博客
11-15 1049
IMU学习基础知识，角度融合算法，卡尔曼滤波
imu预积分总结和推导.pdf
10-27
对Foster 的paper中的公式进行了详尽的推导，试图将这套优雅的理论详细地展现在读者面前，使读者对IMU 预积分理论有更加完备的认识
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.
邱笑晨博士IMU预积分公式推导文档
07-25
邱笑晨博士IMU预积分公式推导文档包括: 1.李群流形的一些基本概念和性质 2.IMU 器件测量模型( Sensor Model )和运动学模型( Kinetic Model ) 3.IMU 预积分( IMU Preintegration ) 4.预积分测量值及测量噪声 5.bias ...
IMU预积分总结与公式推导201807291
08-03
本文是关于 IMU 预积分技术的总结和公式推导，涵盖了惯性导航的基本原理、IMU 预积分的理论体系、传统捷联惯导算法与预积分算法的联系等内容。文章首先介绍了惯性导航的基本思想，包括惯性导航的核心原理、加速度计...
从零开始的 IMU 状态模型推导
07-19
从三个方面讲解了IMU状态模型推导： 1. IMU运动模型推导; 2. IMU观测和噪声模型; 3. IMU状态估计误差模型. 非常完整，观测和噪声模型也很受用，对于理解MEMS传感器有非常大的帮助。
阅读笔记：关于IMU滤波
weixin_42982948的博客
09-18 1882
陀螺加计输出预滤波对SINS精度影响 (2014-06-13 09:26:01) 一般情况下为了减弱/去除激光陀螺高频抖动的影响，采用高频采样(2-4kHz)、数字滤波(20-30阶FIR)、再低频输出(100-200Hz)方案。然而由于滤波器有相位延迟效应，所以也需要对加速度计信号作相应的时间延迟处理，这样陀螺和加计信号才会满足时间同步性要求。否则如果时间不同步的话，在动态情况下极容易引...
使用IMU进行状态估计及进阶
逐日者
02-08 4160
前言 本文章将汇总我这么长时间来，使用IMU进行姿态估计的总结，所以会很多内容，并且不能够一次性完成。我会分成很多次，一步步介绍下去。 目前的计划是，从零开始介绍姿态估算，然后进一步介绍姿态估算与滤波的关系，然后介绍各个我知道的进阶算法。 本文将采用状态估计，而不是姿态估计。因为姿态估计的范围比较狭小，是状态估计中的一部分，后续可能会介绍状态估计中的位置，速度等估计。 基本思想 状态估计=计算公式+数据 首先，我们需要知道的是，给你一些传感器的数据，我们怎么根据这些数据来计算得到姿态？这个就是计算公式的作
IMU（惯性测量单元）学习
向阳而生的博客
11-29 1694
惯性测量单元（英文：Inertial measurement unit，简称IMU）是测量物体三轴姿态角(或角速率)以及加速度的装置。 IMU（Inertial Measurement Unit）惯性测量单元：加速度计，陀螺仪构成，输出加速度和角速度，并可以解算出姿态，结合加速度和角速度计可以获得较为准确的Roll和Pitch（旋转轴与重力方向垂直），yaw（旋转轴与重力方向平行）主要通过角速度积分获得，会有偏移误差无法长时间使用。 欧拉角 ...
2. IMU原理及姿态融合算法详解
weixin_43662553的博客
12-04 1万+
IMU原理及姿态融合算法详解
slam学习笔记七----IMU传感器
YOULANSHENGMENG的博客
04-02 3849
一，IMU 惯性测量单元 惯性测量单元（IMU）包含了三个单轴的加速度计和三个单轴的陀螺仪，加速度计检测物体在载体坐标系统独立三轴的加速度信号，而陀螺仪检测载体相对于导航坐标系的角速度信号，测量物体在三维空间中的角速度和加速度，并以此解算出物体的姿态。在导航中用着很重要的应用价值。 IMU可获得载体的姿态、速度和位移等信息，被广泛用于汽车、机器人领域，也被用于需要用姿态进行精密位移推算的场合，如潜艇、飞机等惯性导航设备中。 IMU模块IMU的定义及功能慣性测量单元被...
轮速计和imu预积分详细公式推导过程
06-09
首先，我们需要了解一些基本概念： - 轮速计（Wheel Encoder）：用于测量车辆轮子的转速和行进距离。 - IMU（Inertial Measurement Unit）：惯性测量单元，用于测量车辆的角速度和加速度。 - 预积分（Pre-integration）：将IMU测量的角速度和加速度进行积分，得到车辆位姿和速度的变化量。 接下来，我们假设轮速计测量的车轮转速为$v_r$，IMU测量的角速度和加速度分别为$\omega$和$a$，车辆在两次测量之间的时间间隔为$\Delta t$。 根据轮速计的测量结果，我们可以得到车辆移动的距离： $$\Delta s = v_r \Delta t$$ 根据IMU的测量结果，我们可以得到车辆的加速度和角速度： $$\Delta a = a \Delta t$$ $$\Delta \omega = \omega \Delta t$$ 接着，我们对IMU测量结果进行预积分。假设车辆在两次测量之间的位姿和速度分别为$R$、$p$和$v$，则： $$\Delta R = \exp([\omega]_\times \Delta t)$$ $$\Delta p = v \Delta t + \frac{1}{2} R \Delta t^2 a$$ $$\Delta v = v + R \Delta t a$$ 其中，$[\omega]_\times$表示将角速度向量$\omega$转换为反对称矩阵的运算符。 最后，我们将车辆移动的距离和IMU预积分结果相结合，得到车辆的新位姿和速度： $$R_{new} = R \Delta R$$ $$p_{new} = p + \Delta p$$ $$v_{new} = v + \Delta v$$ 这就是轮速计和IMU预积分的详细公式推导过程。需要注意的是，这只是一个简单的模型，实际的车辆运动可能还会受到其他因素的影响，例如摩擦力、空气阻力等，需要根据实际情况进行修正。

“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
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