Math 如何使用传感器数据计算移动设备的移动路径？

我想用加速计、陀螺仪和其他智能手机传感器绘制设备在3D空间的运动

经过一点研究，我发现了一个方程，它可以通过对

a*t^2

方程进行双重积分来实现，但这会带来巨大的累积误差和漂移。我的解决方案是跳过二重积分，而是计算梯形的面积-

（（a（t）-a（t-1））*dt/2）+（dt*a（t））

，但是这会给出离散的结果，这些结果加起来并不能提供正确的路径（即使没有应用重力过滤器，并且在平面上移动设备）

---

有没有一种更精确的方法来实时执行这些计算，因为我有一个增量时间的常数，并且在每个时间间隔上都有一个传感器数据样本，其中N个样本是在时间N*dt处采集的。

不幸的是，如果你只是使用加速计和陀螺仪数据，那么你通常会看到相当多的漂移你的数据的时间。您还使用了哪些传感器？您有权访问GPS数据吗？你有没有一个数学模型来描述你期望智能手机会经历的运动

这就是说，如果你被IMU困住了，那么有各种各样的过滤器可以给你提供比简单集成更好的估计。其中最简单的可能是a，实现起来很简单，只需将线性加速度计和陀螺仪数据结合起来。这里的一个重要收获是将陀螺传感器数据转换并更新为四元数

这给出了IMU数学模型的一个非常好的概述，以及一些可以测试的过滤器。最复杂的是它的类型和种类，就像，它们可能很难调谐，但一般都有很好的性能

---

对不起，你的问题没有一个简单的答案。但是你问了一个广泛的问题，答案很大程度上取决于你的申请。但我建议您使用该教程中列出的Madgwick或互补过滤器，它们非常简单，可能会使您的初始估计值快速提高。

谢谢您的回答。为了提供一些反馈，我可以使用移动设备（智能手机）上可用的所有传感器，但是使用GPS，我失去了室内跟踪的能力，这对我的用例至关重要。这实际上是我正在开发的更大的基于SLAM的跟踪和检测工具的一部分。预期的移动将是缓慢且可预测的（由于用户需要创建关键点的3D地图，因此不会出现快速或不协调的移动）。此外，更大的问题是，它必须实时工作，因此需要进行计算，实时过滤和预测，这不仅占用大量CPU，而且很难计算出数学。然后我肯定会研究Madgwick过滤器或类似的东西。就实现和计算时间而言，它们的成本非常低，并且可能会为您提供比集成更好的数据。无论您使用什么语言，都有开源的实现。