Android 卡尔曼滤波-罗盘和陀螺
我正在尝试用陀螺仪、加速度计和磁强计来制作罗盘 我正在融合acc值和磁强计值来获得方向(使用旋转矩阵),它工作得很好 但现在我想添加陀螺仪来帮助补偿磁传感器不准确的情况。所以我想用卡尔曼滤波融合这两个结果,得到一个很好的滤波结果(acc和mag已经用lpf进行了滤波) 我的矩阵是:Android 卡尔曼滤波-罗盘和陀螺,android,kalman-filter,Android,Kalman Filter,我正在尝试用陀螺仪、加速度计和磁强计来制作罗盘 我正在融合acc值和磁强计值来获得方向(使用旋转矩阵),它工作得很好 但现在我想添加陀螺仪来帮助补偿磁传感器不准确的情况。所以我想用卡尔曼滤波融合这两个结果,得到一个很好的滤波结果(acc和mag已经用lpf进行了滤波) 我的矩阵是: state(Xk) => {Compass Heading, Rate from the gyro in that axis}. transition(Fk) => {{1,dt},{0,1}} m
state(Xk) => {Compass Heading, Rate from the gyro in that axis}.
transition(Fk) => {{1,dt},{0,1}}
measurement(Zk) => {Compass Heading, Rate from the gyro in that axis}
Hk => {{1,0},{0,1}}
Qk = > {0,0},{0,0}
Rk => {e^2(compass),0},{0,e^2(gyro)}
这是我的卡尔曼滤波器实现:
public class KalmanFilter {
private Matrix x,F,Q,P,H,K,R;
private Matrix y,s;
public KalmanFilter(){
}
public void setInitialState(Matrix _x, Matrix _p){
this.x = _x;
this.P = _p;
}
public void update(Matrix z){
try {
y = MatrixMath.subtract(z, MatrixMath.multiply(H, x));
s = MatrixMath.add(MatrixMath.multiply(MatrixMath.multiply(H, P),
MatrixMath.transpose(H)), R);
K = MatrixMath.multiply(MatrixMath.multiply(P, H), MatrixMath.inverse(s));
x = MatrixMath.add(x, MatrixMath.multiply(K, y));
P = MatrixMath.subtract(P,
MatrixMath.multiply(MatrixMath.multiply(K, H), P));
} catch (IllegalDimensionException e) {
e.printStackTrace();
} catch (NoSquareException e) {
e.printStackTrace();
}
predict();
}
private void predict(){
try {
x = MatrixMath.multiply(F, x);
P = MatrixMath.add(Q, MatrixMath.multiply(MatrixMath.multiply(F, P),
MatrixMath.transpose(F)));
} catch (IllegalDimensionException e) {
e.printStackTrace();
}
}
public Matrix getStateMatirx(){
return x;
}
public Matrix getCovarianceMatrix(){
return P;
}
public void setMeasurementMatrix(Matrix h){
this.H = h;
}
public void setProcessNoiseMatrix(Matrix q){
this.Q = q;
}
public void setMeasurementNoiseMatrix(Matrix r){
this.R = r;
}
public void setTransformationMatrix(Matrix f){
this.F = f;
}
}
首先给出该起始值:
Xk => {0,0}
Pk => {1000,0},{0,1000}
然后我观察两个结果(卡尔曼和罗盘)。kalman 1从0开始,以一定的速率增加,与测量值(指南针)无关,它不会停止,只是继续增加
我不明白我做错了什么?你看到的问题是,虽然陀螺仪的噪声非常低,但它不是零均值。当你使用术语
e^2(陀螺仪)
时,你正在实现一个过滤器,你声称z_gyro=true_gyro+v
其中v~N(0,e^2)
事实更像v~N(偏置,e^2)
即使偏置也有几个术语(主要是静态开启偏置加上由温度漂移引起的偏置偏移)。因此,您正在积分偏置并不断旋转
如果校准了该偏差(静止时仅测量陀螺仪的输出),则可以调用update(imu-bias)
而不是update(imu)
。您可能必须增加e^2(陀螺仪)
以说明偏差的变化,但不能像您试图说明所有偏差那样多(未补偿的偏移量将变成与磁强计和陀螺仪的R
项成比例的固定航向位移)
最好的方法是将偏差添加到状态向量中。你会得到类似于Hk={{1,0,0},{0,1,1}}
,这意味着你预测的陀螺测量值是真实速率加上偏差项。Kalman滤波器的神奇之处在于,尽管你说过你的测量值只是两项的总和,但它们在几个关键方面是不同的:
- 在
中,航向与实际转向率相关(通过F
),因此每次更新dt
时,状态协方差P
演变为与航向和转向率相关的非对角项P
- 类似地,在
中,您描述了偏差和陀螺仪速率之间的关系,表达了“要么我转得更快,要么我有更多偏差”的想法,因此过滤器根据噪声协方差更新状态以平衡这两种可能性H
- 在
中,必须将转弯率过程噪声设置得相当高,以说明您正在测量的任何意外运动。但是偏差的Q
要小得多,因为偏差的发展不是很快(事实上,最好的模型可能是一阶高斯-马尔可夫过程,我在这里不会解释,除了在“有限内存过滤器”中抛出另一个有用的谷歌术语)。在极限情况下,您可以想象偏差的Q
项为0(将偏差建模为随机常数),但这在EKF中数值上不起作用,并且由于偏差漂移,这不是严格正确的Q
- 类似地,系统的初始
偏差项(其总可能范围记录在数据表中)比完全未知的航向/角速度小得多P_0
- 在多轴系统中,偏置总是随轴变化(这是硬件的特性,与定向无关),但陀螺对“航向”等状态的影响因捷联惯性测量单元而旋转
看着EKF“学习”像陀螺偏差这样的值对我来说比预测其他状态更神奇。为什么你自己要融合这些数据?平台提供的那个有什么问题吗?如果我错了,请告诉我,但android只提供acc+mag fusingNo,好的,陀螺仪也被考虑在内。好的,我会检查一下,但不管怎样,出于学习目的,任何人都可以回答我的问题?是的。。你说得对。。android只在本机上融合了mag和acc。。不用说,没有多少设备有陀螺仪。我发现你的帖子研究了在将罗盘融合到加速计之前,将低通或卡尔曼滤波器直接传递到罗盘的选项。。如果有一个上帝,让我们希望他/她是一个开发人员。。这是一个令人麻木的问题。