卡尔曼滤波在平衡小车中的使用和参数选择

在自平衡小车读取IMU的陀螺仪数据过程中，零漂移严重影响计算小车俯仰角的准确性，因此引入卡尔曼滤波来处理陀螺仪读数。

在这里介绍卡尔曼滤波的使用，卡尔曼滤波一共有5个公式。其中2个用于预测状态，2个用于更新状态，1个是卡尔曼系数的计算：

先说2个预测状态的公式：

预测状态方程：

 

 这一个公式是用上一个时刻（t-1时刻）的状态，乘以状态转移矩阵F，再加上控制量上的变换矩阵乘以控制增益，得到公式左边带帽子和减号的东西，就是当前t时刻的状态量。我们来一个一个解释。公式左边的状态量为什么带一个减号，因为它只是一个预测值，是不完整的（我是这么用于记忆的，可能不准确，希望不要杠）。公式右边的F，叫作状态转移矩阵，用于从上一个时刻t-1推测当前时刻t的状态。

至于如何确定F和公式最右边的控制增益，我想代入平衡小车的实际例子中来说。这里就要引入第一个假设，小车在俯仰的过程中，由于采样时间足够小（5ms）ÿ