4 实验 15
4.1 互补滤波与原始数据的对比 15
4.2 扩展卡尔曼滤波与原始数据的对比 16
结论 18
致谢 19
参考文献 20
1 引言
惯性测量单元(Inertial measurement unit,简称 IMU)是测量物体三轴加速度以及角速度的装置。因为它拥有可以测定物体三轴瞬时加速度和角速度的能力,辅以合适的融合算法,便可以精确的解算出该被测物体的空间姿态,包括俯仰角、翻滚角,若是再融合三轴磁力计,便可以再精确测定出航偏角。因此,它被广泛应用于航海、航空、运动跟踪等领域。本文就惯性测量单元的信息融合与滤波算法进行深入探究。
1.1 研究的目的与意义
惯性测量单元广泛应用于各种航海、航空领域,对于物体的空间姿态的确定起着至关重要的作用,因此对于惯性测量单元的测量精确度有着极高的要求。而事实上是,没有任何一种传感器可以精确测量而不出现丝毫偏差。于是各种辅助滤波算法被提出,例如互补滤波算法、卡尔曼滤波算法等。而在卡尔曼滤波的基础上进一步发展了扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)等[1]。在这些滤波算法的基础上,IMU的测定精度有了大幅度的提升。
而随着科技的发展,微型惯性测量单元开始普遍进入人们的生活。例如当前的智能手机、汽车导航仪、微型无人机、体感游戏手柄等,都是人们耳熟能详的事物。而它们内部都镶嵌着一个微型惯性测量单元,用以实现这些功能,并且这些IMU是必不可少的硬件设备。由于需求量极大,几乎每个人都要接触到或者拥有这些带有IMU的设备,成本自然而然成为了必须要考虑在内的因素。而由于成本的极大降低,惯性测量单元的精度也大幅度下降。于是,能显著改善廉价IMU精度的算法显得尤为重要。本文正是基于低成本IMU,研究能够提升其测量性能的滤波算法。
1.2 IMU与滤波算法国内外研究现状
1.3 研究内容
本论文研究的具体内容是如何利用IMU上的三轴加速度计、三轴陀螺仪和三轴磁力计进行物体空间姿态的解算。利用当前最为流行的扩展卡尔曼滤波(EKF)算法进行物体空间姿态的融合与解算,将该算法与本实验平台进行结合,为该实验平台进行系统建模,并将该算法转化为本实验平台的程序源码,消除低精度传感器因随机误差造成的波动,并估算出最接近准确值的姿态向量。同时又做了一阶互补滤波、二阶互补滤波进行横向对比,利用示波器做出动态运行轨迹图像,并根据这些对比总结出扩展卡尔曼滤波、互补滤波的优缺点。
1.4 论文结构
第一章为引言,简单介绍了论文研究背景和研究的主要内容,以及简单阐述本论文的结构安排。
第二章介绍系统硬件平台,包括所需要的芯片模块、上位机IDE的相关信息以及模块中我们需要用到的传感器等。并且将IMU上的传感器进行数值量化,为之后的融合滤波进行准备。并且确定该系统使用的姿态定量方法,使其直观、通用。
第三章详细介绍滤波器算法,包括互补滤波器和扩展卡尔曼滤波器。并着重介绍了扩展卡尔曼滤波算法,将该滤波器与系统实验平台进行整合,使该平台可以应用扩展卡尔曼滤波器。
第四章内容为实验结果,就第三章中的滤波算法在本平台上运行效果的对比分析并用该两种滤波器在本项目所用实验平台上进行试验,并对结果做出详细对比,比较其优缺点。
最后为本论文的结论,包括对主要章节的总结、该项目完成的工作,以及其存在的不足等。 惯性测量单元的信息融合及测试(2):http://www.751com.cn/jisuanji/lunwen_30095.html