【花雕学编程】Arduino FOC 之基于 Madgwick Filter 的姿态估计

驴友花雕

于 2024-08-13 05:39:41 发布

阅读量546

点赞数 10

分类专栏： Arduino 手册 Arduino FOC 文章标签：嵌入式硬件单片机 c++ Arduino FOC 基于 Madgwick Filter 的姿态估计

本文链接：https://blog.csdn.net/weixin_41659040/article/details/141147122

版权

Arduino 手册同时被 2 个专栏收录

1724 篇文章 214 订阅

订阅专栏

Arduino FOC

331 篇文章 2 订阅

订阅专栏

在这里插入图片描述

Arduino是一个开放源码的电子原型平台，它可以让你用简单的硬件和软件来创建各种互动的项目。Arduino的核心是一个微控制器板，它可以通过一系列的引脚来连接各种传感器、执行器、显示器等外部设备。Arduino的编程是基于C/C++语言的，你可以使用Arduino IDE（集成开发环境）来编写、编译和上传代码到Arduino板上。Arduino还有一个丰富的库和社区，你可以利用它们来扩展Arduino的功能和学习Arduino的知识。

Arduino的特点是：
1、开放源码：Arduino的硬件和软件都是开放源码的，你可以自由地修改、复制和分享它们。
2、易用：Arduino的硬件和软件都是为初学者和非专业人士设计的，你可以轻松地上手和使用它们。
3、便宜：Arduino的硬件和软件都是非常经济的，你可以用很低的成本来实现你的想法。
4、多样：Arduino有多种型号和版本，你可以根据你的需要和喜好来选择合适的Arduino板。
5、创新：Arduino可以让你用电子的方式来表达你的创意和想象，你可以用Arduino来制作各种有趣和有用的项目，如机器人、智能家居、艺术装置等。

在这里插入图片描述
Arduino FOC（Field Oriented Control，场向量控制）是一种先进的电机控制技术，它允许精确控制电机的转矩和速度。这种控制技术特别适用于无刷直流电机（BLDC）和步进电机。在Arduino平台上实现FOC可以提供平滑的运行和高度的扭矩、速度和位置控制，它通过精确控制电机的电流和电压来实现高效率、高精度和低噪声的操作。

主要特点:
1、高性能电机控制：FOC是一种高级的电机控制算法，可以精准控制PMSM(永磁同步电机)和BLDC(无刷直流)电机，实现平滑的转速和扭矩输出。
2、闭环控制架构：FOC采用闭环反馈控制，通过检测电机的位置和速度数据，实时调整输出电压和电流，确保电机动作符合预期。
3、模块化设计：Arduino FOC库采用模块化设计，包含电机建模、速度/位置/电流控制环、PWM生成等子模块，用户可根据需求灵活组合使用。
4、可移植性强：Arduino FOC可移植到多种硬件平台，如Arduino、ESP32、STM32与树莓派等，适用于功率从几十瓦到几千瓦的电机系统。
5、参数自动识别：FOC库具有自动识别电机参数的功能，可以大幅简化电机控制系统的调试过程。

应用场景:
1、工业自动化：在工厂的机器人、传送带、CNC加工设备等领域，Arduino FOC可提供高性能的电机控制解决方案。
2、电动车辆：电动自行车、电动汽车、电动叉车等车载电机驱动系统，可以采用Arduino FOC进行精准控制。
3、家用电器：在电风扇、洗衣机、空调等家用电器中，Arduino FOC可实现细腻的电机速度和扭矩控制。
4、航模和无人机：航模飞机、无人机等对电机控制性能要求很高的领域，Arduino FOC能够提供高精度的电机驱动。
5、机器人：工业机器人、服务机器人、仿生机器人等对电机控制性能有严格要求的领域，Arduino FOC是一个不错的选择。

需要注意的事项:
1、硬件要求：Arduino FOC对控制器的性能(如CPU频率、RAM/ROM容量等)有一定要求，需要选择合适的硬件平台。
2、调试复杂性：FOC算法涉及电机建模、坐标变换、PI调节器等诸多环节，调试和调优过程相对复杂，需要一定的专业知识。
3、噪声抑制：电机驱动电路容易产生噪声干扰，需要采取合理的屏蔽和滤波措施，确保信号质量。
4、安全防护：电机驱动系统可能会产生过电流、过压等故障,需要配备可靠的保护电路，确保人身和设备安全。
5、系统集成：将Arduino FOC集成到完整的电机驱动系统中时，需要考虑机械、电力、控制等各个方面的协调配合。

总的来说，Arduino FOC是一种功能强大、性能优秀的电机控制解决方案,适用于工业自动化、电动车辆、家用电器等众多领域。但在硬件选型、算法调试、噪声抑制和安全防护等方面都需要谨慎考虑，以确保系统稳定可靠地运行。

附录：系列目录
1、Arduino FOC的特点、场景和使用事项
http://t.csdnimg.cn/WZhYL
2、Arduino FOC 之简单FOC库 - 跨平台的无刷直流和步进电机FOC实现
http://t.csdnimg.cn/p9ADE
3、Arduino FOC 之无刷直流电机速度控制
http://t.csdnimg.cn/gZ7CY
4、Arduino FOC 之步进电机位置控制
http://t.csdnimg.cn/VYbIb
5、Arduino FOC 之无刷直流电机电流控制
http://t.csdnimg.cn/wWGVu
6、Arduino FOC 之 SimpleFOC 库的主要函数
http://t.csdnimg.cn/S26MC
7、Arduino FOC 之 ArduinoFOC库的核心函数
http://t.csdnimg.cn/3VLzF
8、Arduino FOC 之传感器校准
http://t.csdnimg.cn/NS3TR
9、Arduino FOC 之SimpleFOCShield v2.0.4无刷电机驱动板
http://t.csdnimg.cn/g9mP7
10、Arduino FOC 之 AS5600角度读取
http://t.csdnimg.cn/dmI6F
11、Arduino FOC 之 FOC算法
http://t.csdnimg.cn/ENxc0
12、Arduino FOC 之 SimpleFOC库的适配电机方案
http://t.csdnimg.cn/QdH6k

在这里插入图片描述
1、主要特点:
Madgwick Filter 是一种高效的互补滤波算法,能够利用来自加速度计、陀螺仪和磁力计等多传感器的数据,估计出物体的三维姿态(roll、pitch和yaw)。
Arduino FOC 为 Madgwick 姿态估计算法的实施提供了硬件支持,可以高效地采集和处理各种传感器数据,并执行复杂的滤波计算。
该方案集成了传感器校准、数据融合、姿态估计等功能于一体,在Arduino平台上实现了低成本、低功耗的嵌入式姿态估计解决方案。
Madgwick Filter 算法具有收敛速度快、抗干扰性强、计算量小等特点,非常适合应用于各种动态环境下的机器人、无人机等姿态估计需求。
Arduino FOC 提供了友好的软件接口,使得姿态估计功能能够轻松集成到更高级的控制或导航系统中。

2、应用场景:
机器人/无人机姿态控制:在机器人、无人机等平台上,采用基于Arduino FOC和Madgwick Filter的姿态估计可以为姿态反馈和闭环控制提供可靠的数据支撑。
虚拟/增强现实交互:在VR/AR应用中,利用Arduino FOC与Madgwick Filter实现的便携式姿态估计模块,可以为头戴式显示设备、手柄等提供精准的姿态跟踪。
运动捕捉和姿态分析:在运动捕捉、体育训练、康复治疗等领域,基于Arduino FOC的便携式姿态估计系统可用于捕捉和分析人体动作姿态。
工业设备监测:在工业自动化设备、机械臂等场合,采用Arduino FOC与Madgwick Filter的姿态估计技术,可以实时监测设备运行状态,提高故障诊断能力。

3、需要注意的事项:
传感器选型与标定:需要选用高性能的MEMS加速度计、陀螺仪和磁力计传感器,并通过精确标定校准其测量偏差,以确保姿态估计的准确性。
传感器安装与数据采集:需要合理地安装传感器,使其坐标系与所需估计的姿态坐标系一致,同时采集数据时需注意采样频率、数字滤波等因素。
Madgwick Filter参数调优:算法的收敛速度和抑制噪声的能力与Madgwick Filter的参数设置密切相关,需要针对实际应用环境进行调试优化。
姿态估计与控制融合:将姿态估计模块与上层的控制或导航算法无缝集成,确保姿态数据的实时性和可靠性,满足系统的实际应用需求。
系统功耗和资源管理:针对嵌入式Arduino平台的资源限制,需要优化系统功耗,合理安排传感器采样、数据处理、通信等任务,确保系统长时间稳定运行。

总之,基于Arduino FOC和Madgwick Filter的姿态估计方案,能够在Arduino平台上实现低成本、低功耗的高性能姿态测量,在机器人、虚拟现实、运动分析等领域都有广泛的应用前景。在实际应用中需要重点关注传感器选型与标定、数据采集与处理、算法参数调优,以及与上层应用的融合等关键环节,确保整个系统的可靠性和实用性。

在这里插入图片描述
1、基于 MPU6050 的姿态估计

#include <Wire.h>
#include <Madgwick.h>
#include <SpinFRC.h>

// MPU6050 相关定义
const int MPU6050_ADDR = 0x68;
int16_t acc_x, acc_y, acc_z, gyro_x, gyro_y, gyro_z;

// Madgwick 滤波器定义
Madgwick filter;
float q[4] = {1.0f, 0.0f, 0.0f, 0.0f};

void setup() {
  Serial.begin(115200);
  Wire.begin();
  Wire.beginTransmission(MPU6050_ADDR);
  Wire.write(0x6B);  // PWR_MGMT_1 寄存器
  Wire.write(0);     // 唤醒 MPU6050
  Wire.endTransmission(true);
  filter.begin(150);  // 初始化 Madgwick 滤波器,更新频率为 150Hz
}

void loop() {
  // 读取 MPU6050 传感器数据
  Wire.beginTransmission(MPU6050_ADDR);
  Wire.write(0x3B);  // 从 ACCEL_XOUT_H 开始
  Wire.endTransmission(false);
  Wire.requestFrom(MPU6050_ADDR, 14, true);
  acc_x = Wire.read() << 8 | Wire.read();
  acc_y = Wire.read() << 8 | Wire.read();
  acc_z = Wire.read() << 8 | Wire.read();
  gyro_x = Wire.read() << 8 | Wire.read();
  gyro_y = Wire.read() << 8 | Wire.read();
  gyro_z = Wire.read() << 8 | Wire.read();

  // 使用 Madgwick 滤波器进行姿态估计
  filter.updateIMU(gyro_x * 0.0175, gyro_y * 0.0175, gyro_z * 0.0175,
                   acc_x, acc_y, acc_z);
  filter.getQuaternion(&q[0], &q[1], &q[2], &q[3]);

  // 输出姿态数据
  Serial.print("Roll: ");
  Serial.print(atan2(2 * (q[0] * q[1] + q[2] * q[3]), 1 - 2 * (q[1] * q[1] + q[2] * q[2])) * 57.3);
  Serial.print(", Pitch: ");
  Serial.print(asin(2 * (q[0] * q[2] - q[3] * q[1])) * 57.3);
  Serial.print(", Yaw: ");
  Serial.println(atan2(2 * (q[0] * q[3] + q[1] * q[2]), 1 - 2 * (q[2] * q[2] + q[3] * q[3])) * 57.3);

  delay(10);
}

要点解读:
使用 MPU6050 传感器获取加速度和角速度数据
使用 Madgwick 滤波器对传感器数据进行姿态估计,得到四元数
从四元数计算出Roll、Pitch和Yaw角度,并输出

2、基于 BNO055 的姿态估计

#include <Wire.h>
#include <Adafruit_Sensor.h>
#include <Adafruit_BNO055.h>
#include <Madgwick.h>
#include <SpinFRC.h>

// BNO055 相关定义
Adafruit_BNO055 bno = Adafruit_BNO055(55);
sensors_event_t a, g, m, r;

// Madgwick 滤波器定义
Madgwick filter;
float q[4] = {1.0f, 0.0f, 0.0f, 0.0f};

void setup() {
  Serial.begin(115200);
  if (!bno.begin()) {
    Serial.println("无法初始化 BNO055 传感器!");
    while (1);
  }
  bno.setMode(Adafruit_BNO055::OPERATION_MODE_IMUPLUS);
  filter.begin(150);  // 初始化 Madgwick 滤波器,更新频率为 150Hz
}

void loop() {
  // 读取 BNO055 传感器数据
  bno.getEvent(&a, Adafruit_BNO055::VECTOR_ACCELEROMETER);
  bno.getEvent(&g, Adafruit_BNO055::VECTOR_GYROSCOPE);

  // 使用 Madgwick 滤波器进行姿态估计
  filter.updateIMU(g.gyro.x * 0.0175, g.gyro.y * 0.0175, g.gyro.z * 0.0175,
                   a.acceleration.x, a.acceleration.y, a.acceleration.z);
  filter.getQuaternion(&q[0], &q[1], &q[2], &q[3]);

  // 输出姿态数据
  Serial.print("Roll: ");
  Serial.print(atan2(2 * (q[0] * q[1] + q[2] * q[3]), 1 - 2 * (q[1] * q[1] + q[2] * q[2])) * 57.3);
  Serial.print(", Pitch: ");
  Serial.print(asin(2 * (q[0] * q[2] - q[3] * q[1])) * 57.3);
  Serial.print(", Yaw: ");
  Serial.println(atan2(2 * (q[0] * q[3] + q[1] * q[2]), 1 - 2 * (q[2] * q[2] + q[3] * q[3])) * 57.3);

  delay(10);
}

要点解读:
使用 Adafruit_BNO055 库初始化 BNO055 传感器,并设置为 IMU 模式
使用 Madgwick 滤波器对从 BNO055 获取的加速度和角速度数据进行姿态估计,得到四元数
从四元数计算出Roll、Pitch和Yaw角度,并输出

3、基于 MPU9250 的姿态估计

#include <Wire.h>
#include <Madgwick.h>
#include <SpinFRC.h>

// MPU9250 相关定义
const int MPU9250_ADDR = 0x68;
int16_t acc_x, acc_y, acc_z, gyro_x, gyro_y, gyro_z, mag_x, mag_y, mag_z;

// Madgwick 滤波器定义
Madgwick filter;
float q[4] = {1.0f, 0.0f, 0.0f, 0.0f};

void setup() {
  Serial.begin(115200);
  Wire.begin();
  Wire.beginTransmission(MPU9250_ADDR);
  Wire.write(0x6B);  // PWR_MGMT_1 寄存器
  Wire.write(0);     // 唤醒 MPU9250
  Wire.endTransmission(true);
  filter.begin(150);  // 初始化 Madgwick 滤波器,更新频率为 150Hz
}

void loop() {
  // 读取 MPU9250 传感器数据
  Wire.beginTransmission(MPU9250_ADDR);
  Wire.write(0x3B);  // 从 ACCEL_XOUT_H 开始
  Wire.endTransmission(false);
  Wire.requestFrom(MPU9250_ADDR, 20, true);
  acc_x = Wire.read() << 8 | Wire.read();
  acc_y = Wire.read() << 8 | Wire.read();
  acc_z = Wire.read() << 8 | Wire.read();
  gyro_x = Wire.read() << 8 | Wire.read();
  gyro_y = Wire.read() << 8 | Wire.read();
  gyro_z = Wire.read() << 8 | Wire.read();
  mag_x = Wire.read() << 8 | Wire.read();
  mag_y = Wire.read() << 8 | Wire.read();
  mag_z = Wire.read() << 8 | Wire.read();

  // 使用 Madgwick 滤波器进行姿态估计
  filter.update(gyro_x * 0.0175, gyro_y * 0.0175, gyro_z * 0.0175,
                acc_x, acc_y, acc_z, mag_x, mag_y, mag_z);
  filter.getQuaternion(&q[0], &q[1], &q[2], &q[3]);

  // 输出姿态数据
  Serial.print("Roll: ");
  Serial.print(atan2(2 * (q[0] * q[1] + q[2] * q[3]), 1 - 2 * (q[1] * q[1] + q[2] * q[2])) * 57.3);
  Serial.print(", Pitch: ");
  Serial.print(asin(2 * (q[0] * q[2] - q[3] * q[1])) * 57.3);
  Serial.print(", Yaw: ");
  Serial.println(atan2(2 * (q[0] * q[3] + q[1] * q[2]), 1 - 2 * (q[2] * q[2] + q[3] * q[3])) * 57.3);

  delay(10);
}

要点解读:
使用 MPU9250 传感器获取加速度、角速度和磁力数据
使用 Madgwick 滤波器对传感器数据进行姿态估计,得到四元数
从四元数计算出Roll、Pitch和Yaw角度,并输出
这三个示例程序演示了如何在 Arduino 上使用 Madgwick 滤波器进行姿态估计,适用于不同的 IMU 传感器,包括 MPU6050、BNO055 和 MPU9250。它们的核心思路都是:

读取 IMU 传感器数据(加速度、角速度和磁力)
使用 Madgwick 滤波器对数据进行处理,得到四元数
从四元数计算出Roll、Pitch和Yaw角度,并输出
您可以根据实际使用的传感器选择对应的程序,并根据需求进行适当的修改和调整。

在这里插入图片描述
4、基本的Madgwick Filter姿态估计:

#include <SimpleFOC.h>
#include <MPU6050.h>
#include <MadgwickAHRS.h>

// IMU设置
MPU6050 imu;
Madgwick filter;

// 姿态角
float roll, pitch, yaw;

void setup() {
  // IMU初始化
  imu.begin();
  filter.begin(100); // 100Hz更新率
}

void loop() {
  // 读取IMU数据
  imu.readSensor();
  float ax = imu.getAccelX_mss();
  float ay = imu.getAccelY_mss();
  float az = imu.getAccelZ_mss();
  float gx = imu.getGyroX_rads();
  float gy = imu.getGyroY_rads();
  float gz = imu.getGyroZ_rads();

  // Madgwick Filter更新
  filter.update(gx, gy, gz, ax, ay, az);

  // 获取姿态角
  roll = filter.getRoll();
  pitch = filter.getPitch();
  yaw = filter.getYaw();

  // 输出姿态角
  Serial.print("Roll: ");
  Serial.print(roll * RAD2DEG);
  Serial.print("°, Pitch: ");
  Serial.print(pitch * RAD2DEG);
  Serial.print("°, Yaw: ");
  Serial.print(yaw * RAD2DEG);
  Serial.println("°");

  delay(10); // 100Hz更新率
}

要点解读:
使用MPU6050获取加速度和角速度数据
使用Madgwick Filter算法对姿态角进行估计
将滤波后的Roll、Pitch和Yaw角度输出到串口

5、基于姿态估计的力矩控制:

#include <SimpleFOC.h>
#include <MPU6050.h>
#include <MadgwickAHRS.h>

// 电机设置
BLDCMotor motor = BLDCMotor(7, 6, 5);
BLDCDriver3PWM driver = BLDCDriver3PWM(9, 10, 11, 8);

// IMU设置
MPU6050 imu;
Madgwick filter;

// 控制参数
float roll_ref = 0;
float pitch_ref = 0;
float kp = 0.5;
float kd = 0.1;

void setup() {
  // 电机和驱动器初始化
  motor.linkDriver(&driver);
  motor.controller = MotionControlType::torque;
  motor.initFOC();

  // IMU初始化
  imu.begin();
  filter.begin(100); // 100Hz更新率
}

void loop() {
  // 读取IMU数据
  imu.readSensor();
  float ax = imu.getAccelX_mss();
  float ay = imu.getAccelY_mss();
  float az = imu.getAccelZ_mss();
  float gx = imu.getGyroX_rads();
  float gy = imu.getGyroY_rads();
  float gz = imu.getGyroZ_rads();

  // Madgwick Filter更新
  filter.update(gx, gy, gz, ax, ay, az);

  // 获取Roll和Pitch角
  float roll = filter.getRoll();
  float pitch = filter.getPitch();

  // PD控制
  float torque_roll = kp * (roll_ref - roll) - kd * roll;
  float torque_pitch = kp * (pitch_ref - pitch) - kd * pitch;
  float torque_ref = torque_roll + torque_pitch;

  // 输出力矩
  motor.setPhaseVoltage(torque_ref);

  // 更新电机
  motor.loop();
}

要点解读:
在上一个示例的基础上增加了电机控制部分
使用Madgwick Filter估计的Roll和Pitch角度作为反馈
实现简单的PD控制算法,根据设定的参考角度计算力矩输出
将力矩输出到电机,实现基于姿态估计的力矩控制

6、基于姿态估计的多轴控制:

#include <SimpleFOC.h>
#include <MPU6050.h>
#include <MadgwickAHRS.h>

// 电机设置
BLDCMotor motor_roll = BLDCMotor(7, 6, 5);
BLDCMotor motor_pitch = BLDCMotor(4, 3, 2);
BLDCDriver3PWM driver_roll = BLDCDriver3PWM(9, 10, 11, 8);
BLDCDriver3PWM driver_pitch = BLDCDriver3PWM(14, 15, 16, 13);

// IMU设置
MPU6050 imu;
Madgwick filter;

// 控制参数
float roll_ref = 0;
float pitch_ref = 0;
float kp = 0.5;
float kd = 0.1;

void setup() {
  // 电机和驱动器初始化
  motor_roll.linkDriver(&driver_roll);
  motor_pitch.linkDriver(&driver_pitch);
  motor_roll.controller = MotionControlType::torque;
  motor_pitch.controller = MotionControlType::torque;
  motor_roll.initFOC();
  motor_pitch.initFOC();

  // IMU初始化
  imu.begin();
  filter.begin(100); // 100Hz更新率
}

void loop() {
  // 读取IMU数据
  imu.readSensor();
  float ax = imu.getAccelX_mss();
  float ay = imu.getAccelY_mss();
  float az = imu.getAccelZ_mss();
  float gx = imu.getGyroX_rads();
  float gy = imu.getGyroY_rads();
  float gz = imu.getGyroZ_rads();

  // Madgwick Filter更新
  filter.update(gx, gy, gz, ax, ay, az);

  // 获取Roll和Pitch角
  float roll = filter.getRoll();
  float pitch = filter.getPitch();

  // PD控制
  float torque_roll = kp * (roll_ref - roll) - kd * roll;
  float torque_pitch = kp * (pitch_ref - pitch) - kd * pitch;

  // 输出力矩
  motor_roll.setPhaseVoltage(torque_roll);
  motor_pitch.setPhaseVoltage(torque_pitch);

  // 更新电机
  motor_roll.loop();
  motor_pitch.loop();
}

要点解读:
在上一个示例的基础上增加了第二个电机控制
使用两个独立的BLDC电机分别控制Roll和Pitch轴
仍然使用Madgwick Filter估计的Roll和Pitch角度作为反馈
同样实现简单的PD控制算法,分别计算Roll和Pitch轴的力矩输出
分别输出力矩到两个电机,实现基于姿态估计的多轴力矩控制

注意，以上案例只是为了拓展思路，仅供参考。它们可能有错误、不适用或者无法编译。您的硬件平台、使用场景和Arduino版本可能影响使用方法的选择。实际编程时，您要根据自己的硬件配置、使用场景和具体需求进行调整，并多次实际测试。您还要正确连接硬件，了解所用传感器和设备的规范和特性。涉及硬件操作的代码，您要在使用前确认引脚和电平等参数的正确性和安全性。

在这里插入图片描述

驴友花雕

关注

10
点赞
踩
17

收藏

觉得还不错? 一键收藏
打赏
0
评论
【花雕学编程】Arduino FOC 之基于 Madgwick Filter 的姿态估计

在Arduino平台上实现FOC可以提供平滑的运行和高度的扭矩、速度和位置控制，它通过精确控制电机的电流和电压来实现高效率、高精度和低噪声的操作。总之,基于Arduino FOC和Madgwick Filter的姿态估计方案,能够在Arduino平台上实现低成本、低功耗的高性能姿态测量,在机器人、虚拟现实、运动分析等领域都有广泛的应用前景。5、创新：Arduino可以让你用电子的方式来表达你的创意和想象，你可以用Arduino来制作各种有趣和有用的项目，如机器人、智能家居、艺术装置等。
复制链接

扫一扫