滤波中imu噪声设置注意事项

连续时间噪声

imu的datasheet里面给出的通常是连续时间噪声,单位分别如下:

噪声参数代码中的表示文档中的表示单位1单位2
陀螺仪白噪声gyr_n σ g \sigma_{g} σg r a d s 1 H Z \frac{rad}{s}\frac{1}{\sqrt{HZ}} sradHZ 1 r a d s \frac{rad}{\sqrt{s}} s rad
加速度计白噪声acc_n σ a \sigma_{a} σa m s 2 1 H Z \frac{m}{s^{2}}\frac{1}{\sqrt{HZ}} s2mHZ 1 m s s \frac{m}{s\sqrt{s}} ss m
陀螺仪偏置不稳定性gyr_w σ b g \sigma_{bg} σbg r a d s H Z \frac{rad}{s} \sqrt{HZ} sradHZ r a d s s \frac{rad}{s\sqrt{s}} ss rad
加速度计偏置不稳定性acc_w σ b a \sigma_{ba} σba m s 2 H Z \frac{m}{s^{2}} \sqrt{HZ} s2mHZ m s 2 s \frac{m}{s^{2}\sqrt{s}} s2s m

注: 上面单位1和单位2可通过 H Z = 1 / s HZ = 1/s HZ=1/s 进行转换。

离散时间噪声

假设imu的输出数据时间间隔为 Δ t \Delta t Δt,转换公式如下:
σ g d = σ g Δ t ( 单位 r a d s ) σ a d = σ a Δ t ( 单位 m s 2 ) σ b g d = σ b g Δ t ( 单位 r a d s ) σ b a d = σ b a Δ t ( 单位 m s 2 ) \begin{aligned} \sigma_{gd} &= \frac{\sigma_{g}}{\sqrt{\Delta t}}(单位\frac{rad}{s}) \\ \sigma_{ad} &= \frac{\sigma_{a}}{\sqrt{\Delta t}}(单位\frac{m}{s^{2}}) \\ \sigma_{bgd} &= \sigma_{bg}\sqrt{\Delta t}(单位\frac{rad}{s}) \\ \sigma_{bad} &= \sigma_{ba}\sqrt{\Delta t}(单位\frac{m}{s^{2}}) \end{aligned} σgdσadσbgdσbad=Δt σg(单位srad)=Δt σa(单位s2m)=σbgΔt (单位srad)=σbaΔt (单位s2m)

使用时注意事项(注意单位)

举例ESKF论文中的噪声设置,其噪声项单位如下:
在这里插入图片描述
从单位可见,测量白噪声是采用离散时间噪声单位,而偏置不稳定性采用的是连续时间噪声单位,所以在实际应用时,不能简单的使用allan方差标定工具输出的噪声结果,要结合公式确定是否要进行离散和连续噪声之间的转换。

寻找结论过程中的一些结论

  1. 仓库 https://github.com/gaowenliang/imu_utils 标定出来的噪声是连续时间噪声,其输出的结果文件中未注明正确的单位。
  2. ORB_SLAM3 使用的噪声参数是连续时间的
    在这里插入图片描述
    代码里面有将连续时间噪声转换成离散时间噪声
  3. VINS-Mono使用的噪声公式有问题
    参考 推导 里面的误差状态估计方程如下(该公式与代码基本一致):
    在这里插入图片描述
    式中 δ b w k + 1 = δ b w k + 1 + δ t ∗ n b w \boldsymbol{\delta b}_{w_{k+1}} = \boldsymbol{\delta b}_{w_{k+1}} + \delta t * \mathbf{n}_{bw} δbwk+1=δbwk+1+δtnbw,该等式在单位上是不成立的, δ b w k + 1 \boldsymbol{\delta b}_{w_{k+1}} δbwk+1 δ b w k \boldsymbol{\delta b}_{w_{k}} δbwk的单位是 r a d s \frac{rad}{s} srad,但 n b w \mathbf{n}_{bw} nbw 不管是离散的 ( r a d s ≠ s ∗ r a d s ) (\frac{rad}{s} \ne s*\frac{rad}{s}) (srad=ssrad)还是连续的 ( r a d s ≠ s ∗ r a d s s ) (\frac{rad}{s} \ne s*\frac{rad}{s\sqrt{s}}) (srad=sss rad)都不成立的。还是推荐看 Forster预积分论文 吧,该论文里面非常严谨的在公式上区分了离散imu噪声和连续imu噪声。
  • 1
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于间接卡尔曼滤波IMU与GPS融合MATLAB仿真(IMU与GPS数据由仿真生成) 基于间接卡尔曼滤波IMU与GPS融合MATLAB仿真(IMU与GPS数据由仿真生成) 基于间接卡尔曼滤波IMU与GPS融合MATLAB仿真(IMU与GPS数据由仿真生成) 基于间接卡尔曼滤波IMU与GPS融合MATLAB仿真(IMU与GPS数据由仿真生成) 基于间接卡尔曼滤波IMU与GPS融合MATLAB仿真(IMU与GPS数据由仿真生成) 基于间接卡尔曼滤波IMU与GPS融合MATLAB仿真(IMU与GPS数据由仿真生成) 基于间接卡尔曼滤波IMU与GPS融合MATLAB仿真(IMU与GPS数据由仿真生成) 基于间接卡尔曼滤波IMU与GPS融合MATLAB仿真(IMU与GPS数据由仿真生成) 基于间接卡尔曼滤波IMU与GPS融合MATLAB仿真(IMU与GPS数据由仿真生成) 基于间接卡尔曼滤波IMU与GPS融合MATLAB仿真(IMU与GPS数据由仿真生成) 基于间接卡尔曼滤波IMU与GPS融合MATLAB仿真(IMU与GPS数据由仿真生成) 基于间接卡尔曼滤波IMU与GPS融合MATLAB仿真(IMU与GPS数据由仿真生成) 基于间接卡尔曼滤波IMU与GPS融合MATLAB仿真(IMU与GPS数据由仿真生成) 基于间接卡尔曼滤波IMU与GPS融合MATLAB仿真(IMU与GPS数据由仿真生成) 基于间接卡尔曼滤波IMU与GPS融合MATLAB仿真(IMU与GPS数据由仿真生成) 基于间接卡尔曼滤波IMU与GPS融合MATLAB仿真(IMU与GPS数据由仿真生成) 基于间接卡尔曼滤波IMU与GPS融合MATLAB仿真(IMU与GPS数据由仿真生成) 基于间接卡尔曼滤波IMU与GPS融合MATLAB仿真(IMU与GPS数据由仿真生成)
卡尔曼滤波是一种常用的数据融合算法,可以将多个传感器的测量结果进行合并,提高系统的追踪和估计精度。对于结合GPS和IMU传感器进行定位和导航的问题,卡尔曼滤波可以显著改善系统的性能。 GPS(全球定位系统)是一种利用卫星信号进行定位的导航系统,通过接收来自卫星的信号,可以测量出接收器与卫星之间的距离。然而,GPS存在着一些问题,例如信号受阻或者误差累积等,会导致实际位置的偏差。IMU(惯性测量单元)则是利用加速度计和陀螺仪等传感器测量出物体的加速度和角速度,可以提供相对准确的即时运动状态。 通过卡尔曼滤波,可以将GPS和IMU的测量结果进行融合,得到更加准确和可靠的定位和导航信息。卡尔曼滤波的核心思想是通过预测模型和测量模型,结合先验信息和观测数据,给出最优估计。具体地,卡尔曼滤波利用IMU的测量数据进行系统状态的预测,并通过GPS的测量数据进行更新,最终得到精确的位置和姿态。 卡尔曼滤波可以克服GPS定位精度的局限性,提供更准确和稳定的位置和姿态解算,尤其在信号不稳定或者断的情况下有很好的效果。通过结合两种不同类型的传感器,卡尔曼滤波可以充分利用各自的优点,弥补彼此的不足,从而实现更精确和鲁棒的定位和导航系统。 综上所述,卡尔曼滤波在结合GPS和IMU传感器进行定位和导航问题发挥着重要的作用,可以提高系统的性能,实现更准确和可靠的定位和导航。

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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