IMU/光电鼠标/轮式编码器的多传感器融合（非线性卡尔曼滤波）

已于 2022-03-12 11:29:10 修改
阅读量1.4k 收藏 12
点赞数
分类专栏： 多传感器融合 嵌入式 文章标签： 自动驾驶 人工智能 计算机视觉
于 2022-02-13 19:42:32 首次发布
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/z15f34/article/details/122912817
版权
本文探讨了平面移动机器人如扫地机器人的传感器使用，重点在于IMU的陀螺仪偏航角及其漂移误差，以及轮式编码器在运动模型中的作用。还提到了光电鼠标传感器在定位中的应用，并介绍了卡尔曼滤波在融合不同传感器数据中的预测模型和观测模型构建。论文引用和GitHub资源提供了进一步研究的方向。
摘要由CSDN通过智能技术生成

各传感器分析

imu

对于平面移动机器人（如扫地机器人），IMU只需要一般只需要使用陀螺仪的偏航角（YAW），陀螺仪的偏航角有时间漂移的误差存在，一般分为系统漂移误差（offset）和随机时间漂移误差。

轮式编码器

没啥好说的，两轮差分机器人有对应的运动模型，累计误差随着打滑等因素逐步变大。需要把轮径和两轮中心距标定出来，标定的方法比较多（todo:更新三种标定方法）。

参考论文：

Ego- and object motion estimation

论文中的工程：

GitHub - tum-phoenix/drive_ros_localize_odom_fusion: Fuses odometry message from various sources

mediaTUM - Media and Publication Server

光电鼠标传感器

可以测出来xy偏移量的，放在机器人不同的位置和放法是有讲究的。

卡尔曼融合滤波

预测模型

模型就是两轮差分轮的模型，这里要做一个偏导，算出雅可比矩阵，即状态转移矩阵F，也就是这里体现了非线性，其他按照卡尔曼滤波算法的流程走就可。

起始模型方差P0设为0.1×单位矩阵，过程噪声Q从小往大了调。

观测模型

todo

搞个状态变换矩阵H出来

测量噪声协方差R根据静止/直线运动和圆周运动统计出来，算出来×9倍（按照3sigma高斯噪声模型来处理）

妄想出头的工业炼药师
关注
专栏目录
在ros中进行多传感器融合定位
如果想成为中心，那么就到中心去吧。
12-12 1560
ROS 中的 robots_localization 包是一个非常有用的包，可以使用各种卡尔曼滤波器融合任意数量的传感器！我们将使用它将全局姿势数据（x、y、z 和orientation）与机器人上的现有传感器融合，以实现更强大的定位！
【状态估计与多传感器数据融合】卡尔尔曼滤波(KF)、扩展卡尔曼滤波器(EKF)、 迭代扩展卡尔曼滤波器(IEKF)（附C++代码）
qq_35635374的博客
11-04 5039
系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 TODO:写完再整理 文章目录系列文章目录前言一、使用卡尔曼的作用与特点1.卡尔曼滤波的作用2.卡尔曼滤波的算法的特点二、卡尔曼中的各类矩阵的含义1.协方差矩阵P（1）协方差矩阵作用（2）协方差矩阵的含义（3）协方差矩阵的性质（4）噪声协方差矩阵P的传递2.观测矩阵H（1）观测矩阵H的作用（2）观测矩阵H举例（3）注意3.观测协方差矩阵R（1）观测协方差矩阵R的作用4.状态转移矩阵F（1）状态转移矩阵F作用5.控制矩阵B（1）
IMU惯性导航-编码器滤波融合-应用SLAM中的全流程
最新发布
zysss_的博客
05-23 1048
这里将从IMU是如何在EKF中使用为主流程然后去逐步讲解里面的公式推导，即从应用出发返回去理解公式。
IMU/电子罗盘/轮式编码器的多传感器融合（非线性卡尔曼滤波）
z15f34的博客
02-13 1531
传感器分析 电子罗盘 对于平面运动机器人而言，只需要xy平面上的数据即可求出来绝对角度，这里电子罗盘需要做椭圆->圆的传感器标定
多传感器信息融合的典型应用_多传感器信息融合算法设计及仿真——融合系统结构的设计...
weixin_39638526的博客
12-10 709
融合系统结构的设计由于应用领域的不同，信息融合的功能模型也不尽相同。历史上出现过很多种融合模型，在实际应用系统中，应用最为广泛的功能模型是 JDL（Joint Directors of Laboratories）模型，如图 5.1 所示。石显：多传感器信息融合算法设计及仿真——BP 神经网络算法及数据相关性分析​zhuanlan.zhihu.comJDL 信息融合模型经过多次修改，虽然比较完善，但...
多传感器信息融合的典型应用_无线传感器的综述及物联网领域的典型应用实例...
weixin_39615956的博客
12-05 1024
近年来，随着物联网时代的兴起及通信技术的发展，给无线传感器的发展带来一个十分重要的契机。无线传感器的应用愈加广泛，越来越多的无线传感器网络产品开始投入使用，可以说，生活中随处一件电子器件均包含无线传感器。为进一步增进大家对无线传感器的认识，本文将对无线传感器、无线传感器的应用予以介绍。首先，无线传感器分为近距离无线传输和远距离无线传输。远距离无线传输技术包括2G、3G、4G、NB-IoT、Sigf...
fpga多摩川编码器开源代码_轮式编码器与VIO的融合（一）
weixin_39543647的博客
11-26 738
论文标题：Visual-Inertial Odometry Tightly Coupled with Wheel Encoder Adopting Robust Initialization and Online Extrinsic Calibration由于轮式机器人基本上都是在平面上运动的，这就会导致vio系统不可观的自由度增加，比如说尺度。为了解决这一问题，就引用了编码器，编码器的引用会解决...
融合 GPS、IMU 和编码器传感器以进行准确的状态估计_C++_代码_相关文件_下载
07-13
EKF 融合 GPS、IMU 和编码器读数，以估计地面机器人在导航框架中的姿态。 维基百科写道：在扩展卡尔曼滤波器中，状态转换和观察模型不必是状态的线性函数，而是可能是可微函数。 其中w_k和v_k是过程和观察噪声，它们分别被假设为零均值的多元高斯噪声与协方差矩阵Q和R。 该函数g可用于根据先前估计计算预测状态，类似地，该函数h可用于根据预测状态计算预测测量值。但是，g不能h直接应用于协方差。而是计算偏导数矩阵（雅可比矩阵）。 在每个时间步，雅可比都用当前预测状态进行评估。这些矩阵可用于卡尔曼滤波器方程。这个过程基本上线性化当前估计周围的非线性函数。 v在这里，我们有一个速度传感器（编码器/GPS 速度），它测量车头方向（）上的车速（）psi，一个偏航率传感器psi_dot（从 GPS 传感器。xy 更多详情、使用方法，请下载后细读README.md文件
基于多传感器融合的车辆里程计系统设计
02-26
相比于传统的卡尔曼滤波器，ESKF更加适用于非线性系统和大规模系统。在本研究中，ESKF被用于融合来自不同传感器的数据，以获得更精确的车辆位置、速度和姿态估计。 ##### 2. 惯性测量单元（Inertial Measurement ...
融合GPS、IMU和编码器传感器进行精确状态估计的深入C++指南
m0_57781768的博客
09-24 650
全球定位系统是一个卫星导航系统，可为用户提供时间信息和位置信息。GPS数据可以为我们提供地球上的精确位置，但在某些环境下可能会受到干扰。IMU是一种测量对象三维空间内角速度和加速度的设备。尽管它可以很快地提供数据，但随着时间的推移，误差会累积。编码器通常与机器人的轮子相连，可以测量轮子的旋转次数和速度。它们非常准确，但只能提供局部的移动信息。通过这篇文章，我们深入探讨了如何在C++中融合GPS、IMU和编码器传感器的数据进行状态估计。传感器融合是一种强大的技术，能够提高系统的准确性和稳定性。
惯性导航matlab开源程序（GPS&IMU;数据融合）
03-24
matlab程序，使用扩展的卡尔曼滤波完成GPS和IMU数据的融合
imu 里程计融合_轮式编码器和VIO的融合（二）
weixin_33261455的博客
12-31 2422
论文VINS on Wheels发布于2017年的ICRAvins的可观性分析对于原本的vins系统，只有4个不可观的方向（位置和yaw角），但是对于在平面运动的vins系统，随着运动模式的不同，不可观性的自由度会增加。本文提出并证明了在两种状况下vins的自由度增加的结果，证明过程也可以参考论文[1]（我是不会推导）。匀加速运动会导致尺度的不客观，没有旋转的运动会导致除yaw角之外，roll和p...
似乎传感器都得标定，相机，编码器，IMU
诗筱涵的博客
05-30 239
似乎传感器都得标定，相机，编码器，IMU 之前vins有相机IMU联合标定，现在看深蓝学院的多传感器融合 里面说到编码器的标定IMU的标定。
openni+nite体感鼠标模拟
wi162yyxq的博客
11-16 1174
最近在学openni，所以做一个体感鼠标练练。主要功能，就是一只手负责定位鼠标在屏幕的位置，一只手进行点击或者其他的操作，并且可以通过一些特定方式进行左右手切换等操作。 第一步就是设置鼠标以及屏幕等的参数，为了方便，我们使用ini文档进行配置，主要包含：屏幕尺寸，帧数，左右击键等配置。 [Setting] ScreenRes_X=1440 ScreenRex_Y=900 nFPS=30 Lef
openni+nite体感鼠标模拟4（鼠标点击模拟）
wi162yyxq的博客
11-18 700
void MouseButtonDown() { INPUT Input={0}; Input.type = INPUT_MOUSE; Input.mi.dwFlags = MOUSEEVENTF_LEFTDOWN; ::SendInput(1,&Input,sizeof(INPUT)); } void MouseButtonUp() { INPUT Input
使用UInput模拟系统键盘鼠标动作
hjwang1的专栏
11-18 3235
转自：http://blog.sina.com.cn/s/blog_602f87700100llew.html 在最近的项目中，Sam需要将设备数据解析后以系统键盘鼠标的消息发送出去。选用UInput（关于UInputDriver以及编译，（ http://blog.sina.com.cn/s/blog_602f87700100liyk.html）。   当uinput driver
基于EKF的IMU和轮速计融合方法
luoyihao123456的博客
04-15 3793
自动泊车APA需要短程高精度的定位，受限于平台算力，找到一种基于EKF的IMU和轮速计融合方法。2、将加速度的零偏作为待估计量，不必时刻update，等脉冲发生变化后再进行update。因为后续项目中采用了基于标定的方法，该方案暂时搁置，待有空后再进行新的尝试。1、不再使用轮速，改用轮速脉冲和标定准确的轮胎直径。待估计量：横摆角、加速度、速度和位置。观测值：速度、相邻两帧的角度差、距离。求解雅可比矩阵F和H。
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
22.IMU和里程计融合
热门推荐
PIBOT导航机器人
06-22 4万+
1.概述 实际使用中会出现轮子打滑和累计误差的情况，这里单单使用编码器得到里程计会出现一定的偏差，虽然激光雷达会纠正，但一个准确的里程对这个系统还是较为重要 2.IMU数据获取 IMU即为 惯性测量单元，一般包含了三个单轴的加速度计和三个单轴的陀螺仪，简单理解通过加速度二次积分就可以得到位移信息、通过角速度积分就可以得到三个角度，实时要比这个复杂许多 2.1 PIBOT IMU ...
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