Android 用于坠落检测的卡尔曼滤波传感器融合：加速计+；陀螺仪

我试图了解传感器融合的过程以及卡尔曼滤波

我的目标是使用加速计和陀螺仪检测设备的坠落

在大多数论文中，例如，都提到了如何克服陀螺仪引起的漂移和加速度计引起的噪声。最终，传感器融合为我们提供了更好的横摇、俯仰和偏航测量，而不是更好的加速度

是否有可能通过传感器融合获得更好的“加速结果”，并反过来将其用于“坠落检测”？因为只有更好的侧倾、偏航和俯仰不足以检测到坠落

然而，这建议单独使用卡尔曼滤波器平滑加速计（Ax、Ay、Az）和陀螺仪（Gx、Gy、Gz），并使用一些分类算法，如k-NN算法或聚类，以使用监督学习检测坠落

---

分类部分不是我的问题，而是我是否应该融合传感器（3D加速计和3D陀螺仪）或分别平滑传感器，以检测坠落。

我认为你不需要使用KF来检测坠落。使用简单的加速计将能够检测设备的坠落。若将低通滤波器应用于平滑加速计，并检查总加速度是否接近零（在自由落体装置中为-g（9.8 m/s2）acc）超过一定时间，则可检测为下降。

---

上述方法的问题是，如果设备旋转很快，那么加速度就不会接近于零。对于健壮的解决方案，您可以在此应用程序中实现简单的互补（搜索Mahony）过滤器，而不是KF。

我认为您不需要使用KF来检测坠落检测。使用简单的加速计将能够检测设备的坠落。若将低通滤波器应用于平滑加速计，并检查总加速度是否接近零（在自由落体装置中为-g（9.8 m/s2）acc）超过一定时间，则可检测为下降。 上述方法的问题是，如果设备旋转很快，那么加速度就不会接近于零。对于健壮的解决方案，您可以为该应用程序实现简单的互补（搜索Mahony）过滤器，而不是KF。

一些澄清

卡尔曼滤波器通常用于执行位置和方向估计的传感器融合，通常将IMU（加速度和陀螺仪）与一些无漂移绝对测量（计算机视觉、GPS）相结合

互补滤波器，通常通过结合加速度（噪声但不漂移）和陀螺仪（精确但漂移）来获得良好的方向估计。使用加速度计并结合陀螺仪，可以获得相当好的方位估计。您可以使用陀螺仪将方向估计视为主要的，但使用accel进行校正

对于使用IMU进行坠落检测的应用，我认为加速度非常重要。目前还没有已知的方法“纠正”加速度读数，这种方法很可能是错误的。我的建议是使用加速度作为系统的输入之一，收集一组模拟坠落情况的数据，您可能会惊讶地发现那里有许多可行的信号。

几点澄清

卡尔曼滤波器通常用于执行位置和方向估计的传感器融合，通常将IMU（加速度和陀螺仪）与一些无漂移绝对测量（计算机视觉、GPS）相结合

互补滤波器，通常通过结合加速度（噪声但不漂移）和陀螺仪（精确但漂移）来获得良好的方向估计。使用加速度计并结合陀螺仪，可以获得相当好的方位估计。您可以使用陀螺仪将方向估计视为主要的，但使用accel进行校正

---

对于使用IMU进行坠落检测的应用，我认为加速度非常重要。目前还没有已知的方法“纠正”加速度读数，这种方法很可能是错误的。我的建议是使用加速度作为系统的输入之一，收集一组模拟坠落情况的数据，你可能会惊讶地发现那里有很多可行的信号。

对于典型的IMU，静止的手机会有加速度读数（0，9.8，0），因为重力始终在工作：）重力在Z方向工作，不是在Y方向。读数为（0,0,9.8），重力的符号取决于你使用的是哪种约定：）谢谢，你完全正确。我的评论主要是为了澄清陀螺读数应该是静止时的（0,0,9.8）和自由落体时的（0,0,0），以防混淆OP。对于典型的IMU，静止时的手机会有加速度读数（0,9.8,0），因为重力总是在工作：）重力在Z方向工作，而不是在Y方向。读数为（0,0,9.8），重力的符号取决于你使用的是哪种约定：）谢谢，你完全正确。我的评论主要是为了澄清陀螺读数应该是静止时的（0，0，9.8）和自由落体时的（0，0，0），以防混淆OP。你能帮我这个代码吗？你能帮我这个代码吗-