基于卡尔曼滤波的MEMS陀螺仪漂移补偿
卡尔曼滤波在多点位姿测量中的应用
卡尔曼滤波在多点位姿测量中的应用随着现代计算机视觉技术、传感器技术和机器人技术的不断进步,精准的多点位姿测量正逐渐成为智能制造和机器人技术中不可或缺的一部分。
然而,由于传感器存在噪声干扰、误差和不确定性等因素,使得多点位姿测量过程中难以达到精准的测量结果。
为了解决这个问题,卡尔曼滤波被广泛应用于多点位姿测量中,以提高准确度和鲁棒性。
一、卡尔曼滤波的基本原理卡尔曼滤波是一种基于状态空间模型的最优估计方法,其基本思想是通过将当前观测值与模型预测值进行加权平均,使得结果逼近真实值。
具体过程中,其原理可简述为以下步骤:1. 状态空间方程的构建:根据实际情况,将测量模型的状态量x以及观测量z,利用动态方程和观测方程描述为:x(k+1)=Ax(k)+Bu(k)+w(k)z(k)=Hx(k)+v(k)其中,A和H为状态转移矩阵和观测矩阵,B为外部信号控制矩阵,u为控制量,w和v为系统噪声和观测噪声。
2. 进行预测:根据上一个时刻的状态量,通过状态转移矩阵预测状态量的值。
x^−=Ax+Bu其中,x^−为预测的状态量。
3. 进行观测:根据当前时刻的观测值,利用观测矩阵计算出观测量的值。
z^=Hx^−其中,z^为预测的观测值。
4. 更新状态量:根据预测的状态量和观测值,利用卡尔曼滤波的公式对状态量进行更新。
x(k+1)=x^−+K(z(k)−z^)其中,K为卡尔曼增益。
以上是卡尔曼滤波的基本流程,通过不断进行预测和更新,得出最优估计结果,从而提高了多点位姿测量的精确度和鲁棒性。
二、多点位姿测量中的卡尔曼滤波应用1. 视觉测量在视觉测量中,卡尔曼滤波可以用于解决追踪问题,如目标追踪、姿态估计等。
以目标追踪为例,通过卡尔曼滤波对测量模型进行建模,可以预测目标的位置和速度,以及对目标位置的不确定性进行估计。
通过多次迭代运算,得到目标位置和速度的最优估计。
2. 测距仪测量在测距仪测量中,卡尔曼滤波可以用于解决直接反演和噪声抗干扰问题。
基于卡尔曼滤波和互补滤波的AHRS系统研究
本栏目责任编辑:梁书计算机工程应用技术基于卡尔曼滤波和互补滤波的AHRS 系统研究蔡阳,胡杰❋(长江大学计算机科学学院,湖北荆州434023)摘要:AHRS 航姿参考系统中通常需要融合MEMS 传感器数据来进行姿态解算,由于MEMS 传感器自身的一些缺陷导致在姿态解算中会出现较为严重的误差。
AHRS 中常见对加速度计、陀螺仪和磁力计进行卡尔曼滤波、互补滤波的方法,由于使用单一的滤波算法时会出现误差,导致姿态角解算精度不高。
本文采用卡尔曼滤波融合互补滤波的滤波算法,通过卡尔曼滤波对加速度计和陀螺仪起抑制漂移作用,进而得到最优估计姿态角,减小传感器引起的误差,再由估计值和磁力计经过互补滤波滤除噪声,提高姿态角的解算精度。
仿真实验表明:融合滤波算法可以抑制漂移和滤除噪声,在静态和动态条件下,都有良好表现。
关键词:AHRS;MEMS ;姿态解算;卡尔曼滤波;互补滤波中国分类号:TP301文献标识码:A 文章编号:1009-3044(2021)10-0230-03开放科学(资源服务)标识码(OSID ):Research on AHRS System Based on Kalman Filter and Complementary Filter CAI Yang,HU Jie(School of Computer Science,Yangtze University,Jingzhou 434023,China)Abstract:AHRS heading and attitude reference system usually needs to fuse MEMS sensor data for attitude calculation.Due to some defects of MEMS sensor itself,there will be more serious errors in attitude calculation.Kalman filtering and complementary filtering methods for accelerometers,gyroscopes,and magnetometers are common in AHRS.Due to errors when a single filtering al⁃gorithm is used,the accuracy of the attitude angle calculation is not high.In this paper,the Kalman filter fusion complementary fil⁃ter filter algorithm is used to suppress drift of the accelerometer and gyroscope through Kalman filter,and then obtain the optimal estimated attitude angle,reduce the error caused by the sensor,and then pass the estimated value and the ple⁃mentary filtering filters out noise and improves the accuracy of attitude angle calculation.Simulation experiments show that the fu⁃sion filtering algorithm can suppress drift and filter noise,and it performs well under static and dynamic conditions.Keywords:AHRS;MEMS;attitude calculation;Kalman filter;complementary filter航姿参考系统AHRS(Attitude and Heading Reference Sys⁃tem)由MEMS(Micro-Electro Mechanical System)惯性传感器三轴陀螺仪、三轴加速度计和磁力计的数据融合来进行姿态解算[1]。
MEMS陀螺仪静态漂移模型与滤波方法研究
l 数据 采集 与噪声分 析
陀螺仪漂移有 静态漂 移与 动态漂 移 , E M MS陀螺 的零
点信号( 角速度 为零 时的 陀螺输 出信号 ) 够较好 地反 映 能
其噪声特 性 , 故本文采 用静态 漂移 。陀 螺噪声信 号是 连续 信号 , 而时序建模的对象是离散的时 间序列 , 这就需要对 连 续信号进行采 样。 以 轴 的 陀螺为例 , 采样 周期 为 1 s 0m 。
丑
0
萋 _0 o1 .
-
0.2 0
比传统制造工艺制造 的惯性传感 器 , 输 出数据 的 随机噪 其
声较大 , 因此 , 必须建立合理 的 随机 噪声模 型 , 据建 立的 根 模 型进行 补偿 , 以减小其对系统精度的影响 。 针对第 二炮 兵工程学 院 自制 的 ‘ 风 ’ 移动 机器 人 东 号 内部 装配 的 ME MS陀 螺仪 , 采用 了一种 针 对微 陀螺 仪 随 机 噪声 数 据 的 A 模 型 建 模 方 法 和 K l n滤 波 方 R a ma
关键词 :ME MS陀螺仪 ; R模 型 ; A 卡尔曼滤波 ;辨识 ; 漂移 中图分类号 :U 6 . 661 文献标识码 :A 文章编号 :10 -9 8 (0 7 1 一O4 - 3 00 7720 )1 o8 0
Re e r h o le t o n d lo EM S s a c n f tr me h d a d mo e fM l
gr . h i lainrslss o a h to fmo eiga d K l n l rcn a heeg o efr n c n yo T esmu t eut h w t t emeh d o d l n ama ft a c iv o dp r ma eo o h t n i e o
imu位姿解算与滤波
IMU(惯性测量单元)位姿解算和滤波是在基于惯性传感器的数据(如加速度计和陀螺仪)进行姿态估计时常用的技术。
IMU位姿解算是利用加速度计和陀螺仪的数据来计算物体相对于参考坐标系的姿态信息,即物体的旋转角度和位置。
常见的解算算法有卡尔曼滤波(Kalman Filtering)和互补滤波(Complementary Filtering)等。
卡尔曼滤波是一种基于状态估计的优化方法,通过融合测量数据和系统模型来估计系统的状态。
在IMU位姿解算中,卡尔曼滤波算法可以结合加速度计和陀螺仪的测量数据,通过动态模型和观测模型来计算系统状态的最优估计,即姿态信息。
互补滤波是一种简单且常用的滤波方法,通过将加速度计和陀螺仪的数据进行加权融合来得到姿态估计。
加速度计主要用于低频信号的姿态估计,陀螺仪主要用于高频信号的姿态估计。
互补滤波通过动态调整两者的权重,合理地结合加速度计和陀螺仪的数据,得到较为准确的姿态估计。
滤波技术在IMU位姿解算中的应用是为了消除传感器测量误差和噪声带来的影响,提高位姿估计的准确性和稳定性。
滤波算法可以对原始数据进行平滑处理,降低干扰和抖动,同时还可以补偿由于传感器固有性能限制而导致的漂移和偏差。
需要注意的是,IMU位姿解算和滤波只能提供对物体的相对姿态估计,无法提供绝对位置信息。
在实际应用中,为了得到更准确的位姿估计,还可能需要结合其他传感器(如磁力计、视觉传感器等)进行数据融合和校正。
除了上述提到的卡尔曼滤波和互补滤波,还有其他一些滤波技术也可以应用于IMU的姿态估计中,例如扩展卡尔曼滤波(Extended Kalman Filtering)、无迹卡尔曼滤波(Unscented Kalman Filtering)等。
这些滤波技术也可用于数据融合中,将多种传感器的数据进行协同处理,提高位姿估计的精度和稳定性。
在IMU位姿解算和滤波中,常见的问题包括传感器噪声、漂移、偏差等,这些因素会对位姿估计产生影响。
陀螺仪卡尔曼滤波漂移
陀螺仪卡尔曼滤波漂移
卡尔曼滤波是一种在各种系统估计和控制系统应用中广泛使用的先进算法,其中包括陀螺仪。
然而,当使用卡尔曼滤波对陀螺仪数据进行处理时,可能会遇到一个常见的问题——漂移。
这种漂移现象通常是由于陀螺仪内部的物理特性导致的,例如热效应、非理想因素等,这些因素可能导致陀螺仪读数的长期偏差,进而严重影响其准确性。
为了解决这个问题,我们可以采取一些方法来减小陀螺仪的漂移。
首先,可以采用更精确的陀螺仪技术来提高测量值的准确性。
其次,可以在系统中使用其他传感器,如加速度计和磁力计等,来辅助姿态估计,以减少对陀螺仪数据的依赖。
此外,还可以通过校准和补偿技术来减小陀螺仪的漂移。
这些方法的应用可以有效地提高姿态估计的准确性,从而解决卡尔曼滤波在处理陀螺仪数据时遇到的问题。
虽然卡尔曼滤波可以用于处理陀螺仪数据,但是由于陀螺仪可能存在的漂移问题,需要采取一些有效的措施来减小其影响。
mpu6050姿态解算与卡尔曼滤波(1)数学
一、mpu6050姿态解算与卡尔曼滤波的数学原理mpu6050是一款常用的惯性测量单元(IMU),其内部集成了三轴加速度计和三轴陀螺仪,可以用来获取物体的加速度和角速度信息。
在实际应用中,我们常常需要通过这些原始数据来解算物体的姿态,即确定物体的倾斜角和旋转角。
姿态解算的计算通常基于四元数或欧拉角。
在利用加速度计和陀螺仪数据进行姿态解算时,需要考虑到加速度计的重力分量和陀螺仪的漂移问题。
而卡尔曼滤波则是一种常用的状态估计方法,可以综合考虑多个传感器数据,减小测量误差。
二、mpu6050姿态解算的数学模型我们需要进行加速度计数据的预处理,将原始的加速度计数据转换成物体坐标系下的加速度值。
通过反正切函数计算出与地面平行的加速度的倾斜角。
接下来,我们可以利用陀螺仪数据积分得到姿态的旋转角速度,再根据时间积分得到姿态的旋转角度。
在这一过程中,陀螺仪存在着漂移问题,需要通过卡尔曼滤波进行修正。
在卡尔曼滤波中,我们需要建立状态方程和观测方程。
状态方程描述了系统的动态演化规律,观测方程描述了系统的输出与状态之间的关系。
通过不断的观测和修正,可以逐渐收敛到系统的真实状态,从而实现姿态的精确解算。
三、mpu6050姿态解算与卡尔曼滤波的数学实现在实际实现中,我们可以使用C语言或者MATLAB等工具进行数学模型的实现。
以C语言为例,我们可以利用内置的数学函数库对加速度计和陀螺仪的原始数据进行处理,然后通过数学计算得到姿态的角度。
在卡尔曼滤波的实现中,我们需要定义状态方程和观测方程,并利用矩阵运算等数学方法进行状态估计和修正。
四、mpu6050姿态解算与卡尔曼滤波的数学应用mpu6050姿态解算与卡尔曼滤波在机器人、航空航天、无人机等领域有着广泛的应用。
无人机需要准确地获取自身的姿态信息,才能实现稳定的飞行和精准的航向控制。
而卡尔曼滤波则可以在传感器数据受到干扰或者噪声时,提供更加可靠的姿态估计结果。
总结:mpu6050姿态解算与卡尔曼滤波涉及到了传感器数据处理、数学模型建立和状态估计等多个方面的知识。
imu姿态解算陀螺仪误差
imu姿态解算陀螺仪误差
陀螺仪误差是指陀螺仪测量出的姿态与真实姿态之间的差异。
常见的陀螺仪误差包括零偏误差、比例误差、比例漂移误差和温度漂移误差等。
1. 零偏误差:陀螺仪在静止情况下输出的姿态角不为零。
这是由于仪器本身的制造和组装等原因导致的,可以通过校准或零位校正来消除。
2. 比例误差:陀螺仪输出的姿态角与真实姿态角之间存在一个常量的比例差。
这个误差可以通过比例校准来消除。
3. 比例漂移误差:陀螺仪输出的姿态角与真实姿态角之间存在一个随时间变化的比例差。
这个误差可以通过定期进行校准或使用校准模型进行补偿来减小。
4. 温度漂移误差:陀螺仪的输出受温度影响,温度的变化会导致姿态角的误差。
这个误差可以通过温度补偿来消除或减小。
为了解算陀螺仪的误差,可以使用卡尔曼滤波、互补滤波等姿态解算算法。
这些算法可以通过融合陀螺仪、加速度计和磁力计等传感器的数据来估计姿态,并对误差进行补偿和校正,提高解算的精度和稳定性。
imu 自适应卡尔曼滤波
imu 自适应卡尔曼滤波IMU(惯性测量单元)自适应卡尔曼滤波引言:IMU(Inertial Measurement Unit)是一种常用的传感器组合,可以测量物体的加速度和角速度。
然而,IMU的测量结果往往受到噪声和偏差的影响,导致测量值的不准确。
为了提高IMU的测量精度,我们可以利用卡尔曼滤波算法进行数据处理和估计。
本文将介绍IMU自适应卡尔曼滤波的原理及应用。
一、IMU的工作原理IMU通常由加速度计和陀螺仪组成。
加速度计用于测量物体的加速度,陀螺仪用于测量物体的角速度。
通过对加速度和角速度的测量,可以推导出物体的运动状态,如位置、速度和方向等。
然而,由于传感器本身的噪声和系统误差,IMU的测量结果常常存在误差。
加速度计容易受到振动和重力影响,导致测量值产生偏差;陀螺仪则容易受到温度变化和零位漂移等因素的干扰,导致角速度测量的误差。
为了减小这些误差,需要采用合适的滤波算法对IMU 的原始数据进行处理。
二、卡尔曼滤波算法卡尔曼滤波是一种递归滤波算法,能够根据系统模型和测量数据来估计系统的状态。
在IMU中,卡尔曼滤波可以用于估计物体的位置、速度和方向等状态。
卡尔曼滤波的基本思想是通过对系统模型和测量数据的加权处理,融合先验信息和观测信息,得到对系统状态的最优估计。
它通过动态调整权重来自适应地对测量数据进行滤波,从而提高估计的准确性。
三、IMU自适应卡尔曼滤波IMU自适应卡尔曼滤波是一种基于卡尔曼滤波算法的增强方法,能够根据IMU的工作状态动态调整滤波参数,提高滤波效果。
在IMU自适应卡尔曼滤波中,首先需要建立IMU的状态空间模型,包括物体的位置、速度和方向等状态变量,以及加速度和角速度的测量模型。
然后,根据IMU的工作状态,调整卡尔曼滤波的参数,如系统噪声、测量噪声和初始状态等。
通过不断迭代更新,可以得到对IMU状态的最优估计。
IMU自适应卡尔曼滤波的关键是选择合适的状态变量和观测模型,并根据实际需求进行参数调整。
惯导 卡尔曼滤波
惯导卡尔曼滤波
惯导卡尔曼滤波是一种广泛应用于导航和控制系统中的滤波算法。
它是由卡尔曼滤波和惯性导航系统相结合所形成的一种算法,用于对惯性测量单元(IMU)中的加速度计和陀螺仪数据进行滤波和融合。
IMU是一个由加速度计、陀螺仪和磁力计组成的设备,用于测量物体的运动状态。
然而,由于IMU中的传感器存在噪声和漂移等问题,因此需要使用滤波算法来对其进行处理,以获得更加准确的测量结果。
惯导卡尔曼滤波算法的基本原理是:通过卡尔曼滤波对IMU测量数据进行滤波和融合,以消除噪声和漂移等问题,得出更加准确的运动状态。
其中,卡尔曼滤波是一种递归滤波算法,用于估计线性系统中的状态变量,它通过对系统的状态和观测进行加权平均,得出最优的状态估计结果。
在惯导卡尔曼滤波中,IMU提供的测量数据被视为系统的状态变量,而导航系统提供的位置和速度信息被视为观测变量。
通过对这两个变量进行卡尔曼滤波,可以得出更加准确的运动状态估计结果。
惯导卡尔曼滤波算法的实现需要考虑多种因素,包括IMU的性能、导航系统的精度、滤波参数的选择等。
在具体应用中,需要进行实验和调试,以找到最佳的滤波参数和算法。
惯导卡尔曼滤波是一种重要的滤波算法,它在导航和控制系统中得到了广泛的应用。
通过对IMU测量数据和导航系统观测数据的处理,可以得出更加准确的运动状态估计结果,提高系统的稳定性和精度。
基于卡尔曼滤波的陀螺仪降噪处理
模 型。基于 BP神 经网络的基本 原理 ,首先利用 BP神经 网络对 系统进行学 习 ,获得系统状态方程 ,然后建立 了基于 BP神经网
络的滤波模型 ,最后应用 于卡尔曼滤 波对 MEMS陀螺仪信号进行降 噪。半实物模 拟仿真实验表 明 :基 于 BP神经网络 的卡尔
曼 滤波后的数据的速率随机游走等系数 比原始数据下降 6.89倍 ,验证 了本方法 的降噪性能优于基本卡尔曼模型 。在 MEMS陀
第 31卷 第 2期 2018年 2月
传 感 技 术 学 报
CHINESE JOURNAL OF SENSORS AND ACTUATORS
V01.3l No.2 Feb.2018
The Noise Reduction of Gyroscope Based on K alm an Filter
of MEMS gy roscope.
K ey w ords:the random drift error of MEMS gyroscope;Kalman filter;BP neural network;Allan variance identification
EEACC:7320
doi:10.3969/j.issn.1004-1699.2018.02.012
gps漂移抑制算法
gps漂移抑制算法
GPS(全球定位系统)漂移抑制是指通过各种算法和技术来减少
或抑制GPS接收器在信号不稳定或环境变化时引起的位置漂移。
以下是一些常见的GPS漂移抑制算法:
1.卡尔曼滤波器:卡尔曼滤波器是一种递归滤波器,用于估计状态的动态系统。
在GPS中,它可以用于融合多个传感器的信息((比如加速度计、陀螺仪),以提高位置估计的精度并减小位置漂移。
2.差分GPS(DGPS):差分GPS通过基准站与接收器之间的信号对比来抑制漂移。
基准站具有已知准确位置的接收器,通过比较基准站和接收器之间的信号差异,可以纠正接收器的信号漂移。
3.自适应滤波:一些自适应滤波技术可以根据环境变化或信号不稳定性调整滤波参数,以适应不同的条件,从而减小GPS位置估计的漂移。
4.移动平均:移动平均是一种简单的平滑技术,可以减小GPS位置估计中的瞬时波动,从而降低漂移。
5.航向变化检测:通过监测导航系统的航向变化,可以检测和纠正由于方向变化引起的位置漂移。
6.信号强度检测:基于接收到的信号强度变化,可以对位置进行校正或调整,以抑制由信号变化引起的漂移。
7.干扰监测与抑制:监测并抑制外部干扰对GPS信号的影响,以减小干扰对位置估计的影响,进而减小位置漂移。
这些方法可以单独应用或组合使用,以改善GPS定位的准确性并抑制位置漂移。
实际应用中,结合多种方法和传感器数据融合技术,
可以有效地抑制GPS定位中的漂移。
1/ 1。
陀螺仪卡尔曼滤波算法
陀螺仪卡尔曼滤波算法1.背景介绍陀螺仪是一种测量角速度的传感器,可用于估计物体的旋转姿态。
然而,由于陀螺仪存在漂移误差和噪声等问题,直接使用陀螺仪测量值会导致姿态估计的不准确。
为了提高姿态估计的准确性,通常需要使用陀螺仪与其他测量器件(如加速度计、磁力计等)结合起来进行数据融合。
2.卡尔曼滤波原理卡尔曼滤波是一种利用系统的状态方程和观测方程,通过迭代计算系统状态的最优估计值的方法。
在陀螺仪姿态解算中,可以将陀螺仪的测量值作为系统的状态方程输入,将其他测量器件(如加速度计)的测量值作为观测方程输入,通过卡尔曼滤波算法进行姿态估计。
3.陀螺仪卡尔曼滤波算法步骤(1)建立状态方程和观测方程。
状态方程描述了系统状态的动态演化,观测方程描述了系统状态与实际观测值之间的关系。
(2)初始化滤波器。
初始化系统状态估计值和协方差矩阵。
(3)预测状态。
根据状态方程和当前状态估计值,预测下一时刻的状态估计值和协方差矩阵。
(4)更新状态。
根据观测方程和当前观测值,更新状态估计值和协方差矩阵。
(5)重复步骤(3)和(4),直到所有观测值都被处理完毕。
(6)输出最终的系统状态估计值作为姿态解算结果。
4.陀螺仪卡尔曼滤波算法改进(1)引入磁力计。
磁力计可以提供物体的方向信息,进一步提高姿态估计的准确性。
(2)引入加速度计。
加速度计可以提供物体的加速度信息,可以用于修正陀螺仪的漂移误差。
(3)引入高通滤波器。
高通滤波器可以滤除陀螺仪的低频漂移,提高陀螺仪测量值的准确性。
5.陀螺仪卡尔曼滤波算法应用领域综上所述,陀螺仪卡尔曼滤波算法是一种常用的姿态解算算法,通过结合陀螺仪和其他测量器件的测量值,可以估计物体的空间姿态。
该算法具有较高的准确性和稳定性,在飞行器、导航系统、机器人等领域有着广泛的应用前景。
惯性导航技术中的陀螺仪原理与误差补偿
惯性导航技术中的陀螺仪原理与误差补偿惯性导航技术是一种常见的导航方式,它通过测量物体在空间中的加速度和角速度,从而确定物体的位置和方向。
在惯性导航中,陀螺仪是一个关键的设备,用于测量物体的角速度。
本文将探讨陀螺仪的原理以及在惯性导航中的误差补偿。
陀螺仪是一种利用物体的陀螺效应进行测量的仪器。
陀螺效应是指在物体自转时会出现的一种现象,这种现象可以借助陀螺仪进行测量。
陀螺仪通常由一个旋转的转子和感测器组成,转子的旋转轴与物体的旋转轴平行。
当转子自身旋转时,会产生一个稳定的旋转轴,这个旋转轴可以用来测量物体的角速度。
陀螺仪工作的原理很简单。
当物体发生旋转时,陀螺仪感测到的角速度与物体旋转的角速度相同。
这是因为陀螺仪中的旋转转子会受到物体的角速度的影响而产生偏转,感测器则会测量到这个偏转的角速度。
通过测量这个角速度,可以确定物体的旋转方向和角速度大小。
然而,陀螺仪在实际使用中存在着一些误差。
其中最主要的误差是漂移误差。
漂移误差是指在没有旋转的情况下,陀螺仪仍然会测量到一个非零的角速度。
这种误差是由于陀螺仪内部的一些因素导致的,比如传感器的非线性、噪声和温度变化等。
漂移误差会导致惯性导航系统的误差累积,进而影响到导航的准确性。
为了解决陀螺仪误差的问题,研究人员提出了一系列的误差补偿方法。
其中一种常用的方法是基于卡尔曼滤波算法的误差补偿。
卡尔曼滤波算法是一种利用状态估计的方法来预测和校正误差的算法。
在陀螺仪误差补偿中,卡尔曼滤波算法可以利用惯性测量单元(IMU)的其他传感器数据,比如加速度计和磁力计的数据,来对陀螺仪的测量结果进行校正。
另一种常见的陀螺仪误差补偿方法是基于零偏校正。
零偏是陀螺仪中的一种系统误差,它会导致测量结果的偏离真实值。
通过对陀螺仪进行定期的零偏校正,可以使陀螺仪的测量结果更加准确。
零偏校正可以通过多种方式进行,比如利用静态校准和动态校准方法。
静态校准是在不进行运动的情况下校正陀螺仪,而动态校准则是在物体运动时进行校正。
MEMS陀螺随机漂移的状态空间模型分析及应用
c re tv l y u i g t e mo e o h t e a d,h d l2 a d 3 ae mo e v la l n u tb e frt e e t— or ci ey b sn h d l1; n t e oh rh n t e mo e n r r au b e a d s i l o h si a
M MS陀螺 精度 的重 要 因 素 , 陀螺 物 理 构 成上加 E 从 以抑制 比较 闲难 , 通过 时 间序 列 A MA建 模 , 而 R 再 应用 K l a a n滤波 等 现代 滤 波方 法 进行 估 计 是工 程 m
上 补偿 陀螺 随机 漂移 的一 个重要 手段 。
l 时 间序 列 的 AR MA 模 型
r,
系统噪声变量为 = , 满足系统状态空间表达式 ( ) 3
其中:
均模 型 M q , 系 统在 时刻 的响应 ( , A( ) 该 ) 与其
以前 任何时刻 的响应无 关 , 与其 以前 时刻 进 入 系 而
统 的扰动 a k 1 , ,(- ) 在着 一定 的相 关关 (一 )… a k q 存
系。而若 , 0 则 为 尺( ) 型 , 统在 时 刻 后的 = , p模 系
Z= X H
() 3
() 4
其中:
『1 2 3 ]
『 0 2 1 1 ]
A 00 1 00月1 。 1 = 0] L l 1 0 J [ 0 j I 0 l L , ,
模型 2
和式( ) 4。
设状态变量为 X = k[
Y A a n n L 7 i , E K neg, I a]n U N G n a , v Hab H up n X E Y n G o u
一种高精度输出的MEMS陀螺仪阵列
52一种高精度输岀的MEMS陀螺仪阵列一种高精度输出的MEMS陀螺仪阵列A High-precision Output MEMS Gyroscope Array刘甜贺勇赵志章(长沙理工大学电气与信息工程学院,湖南长沙410114)摘要:为了提高陀螺仪的输出精度,设计了一种由两级最优滤波组成的MEMS陀螺仪阵列的方法。
首先通过卡尔曼滤波分别对分量陀螺仪进行随机误差补偿,降低分量陀螺仪的随机噪声,此为一级滤波;其次通过卡尔曼滤波将几个型号相同的陀螺仪组合成陀螺阵列,通过集中式卡尔曼滤波对其进行二次滤波,进一步提高其性能;最后,采用四个型号相同的陀螺仪进行验证实验。
结果表明:通过一级滤波后,各分量陀螺仪的精度降为原始数据的3倍,通过二级滤波后,陀螺仪阵列的精度降低为原始数据的7倍,证明该方法的有效性。
关键词:陀螺仪阵列;卡尔曼滤波;集中式卡尔曼滤波Abstract:"order to improve the output accuracy of the gyroscope,a method of MEMS gyroscope array composed of two-stage optima I fi I t ering is designed.First I y,the random error compensation of the component gyroscope is performed through Ka I m an fi Iter to reduce the random noise of the component gyroscope.This is a first-I e ve I fi I t er.Second ly,severa I gyroscopes of the same mode I are combined into a gyroscope array through Ka I m an fi I t er,and the centra l ized Ka I m an fi I t er is used for secondary fi I t ering to further improve its performance.Fina I I y,four gyroscopes of the same mode I are used for verification experiments.The resu I t s show that the accuracy of each component gyroscope is reduced to o times of the origina data after the first-I e ve I fi I t ering,and the accuracy of the gyroscope array is reduced to Seven times of the origina I data proves the effectiveness of the method.Keywords:gyroscope array,Ka I m an fi I t er,centra l ized Ka I m an陀螺仪广泛应用于汽车、航空航天和消费电子领域。
融合自适应卡尔曼和小波的MEMS陀螺去噪方法
㊀2021年㊀第2期仪表技术与传感器Instrument㊀Technique㊀and㊀Sensor2021㊀No.2㊀基金项目:湖北省宜昌市自然科学研究项目(A20-3-004);湖北省水电工程智能视觉监测重点实验室开放基金项目(2020SDSJ07);水电工程智能视觉监测湖北省重点实验室建设项目(2019ZYYD007)收稿日期:2019-12-26融合自适应卡尔曼和小波的MEMS陀螺去噪方法吴佳慧1,冉昌艳1,2(1.三峡大学计算机与信息学院,湖北宜昌㊀443002;2.湖北省水电工程智能视觉监测重点实验室,湖北宜昌㊀443002)㊀㊀摘要:为提高MEMS陀螺仪信号的测量精度,提出一种融合卡尔曼和小波的MEMS陀螺仪自适应抗野值去噪方法㊂卡尔曼滤波中根据信息对干扰数据进行实时检测,通过修正增益或状态的一步预测值抑制野值对滤波精度的影响,然后利用小波分析对滤波后的陀螺仪信号的低频㊁高频分量同时进行阈值处理㊂实验表明该方法去噪效果优于卡尔曼滤波和Visushrink,陀螺仪x㊁y㊁z轴零偏不稳定性在该方法下比卡尔曼滤波分别提高了31.0%㊁29.3%㊁30.5%,比Visushrink分别提高了2.4%㊁12.1%㊁12.4%㊂关键词:MEMS陀螺;抗野值;自适应卡尔曼滤波;信息;小波去噪;低频噪声中图分类号:V241.5㊀㊀㊀文献标识码:A㊀㊀㊀㊀文章编号:1002-1841(2021)02-0109-04MEMSGyroscopeDenoisingMethodBasedonAdaptiveKalmanandWaveletWUJia⁃hui1,RANChang⁃yan1,2(1.SchoolofComputerandInformation,ChinaThreeGorgesUniversity,Yichang443002,China;2.HubeiKeyLaboratoryofIntelligentVisionBasedMonitoringforHydroelectricEngineering,Yichang443002,China)Abstract:ToimprovethemeasurementaccuracyofMEMSgyroscopesignal,anadaptiveoutliereliminatingmethodofMEMSgyroscopecombiningKalmanandwaveletwasproposed.IntheKalmanfilter,theinterferencedatawasdetectedinrealtimeac⁃cordingtotheinformation.Bymodifyingtheone⁃steppredictedvalueofgainorstate,theinfluenceofoutliersonfilteringaccuracywassuppressed,andthenwaveletanalysiswasusedtoprocessthelowandhighfrequencycomponentsofthefilteredgyroscopesignalsimultaneously.ExperimentsshowthatthedenoisingeffectofthismethodisbetterthanthatofKalmanfilterandVisush⁃rink.Thebiasinstabilityofgyroscopex,yandzaxisisimprovedby31.0%,29.3%and30.5%respectivelycomparedwithKalmanfilter,itisimprovedby2.4%,12.1%and12.4%respectivelycomparedwithVisushrink.Keywords:MEMSgyroscope;outliereliminating;adaptiveKalmanfilter;information;waveletdenoising;lowfrequencynoise0㊀引言基于微机电系统(micro⁃electro⁃mechanicalsystem,MEMS)惯性传感器的MEMS惯性导航技术是惯性导航技术的一个重要分支,因其系统具有成本低㊁体积小㊁功耗低以及抗冲击强等优点而被广泛应用于无人机导航系统中[1]㊂MEMS传感器是MEMS惯性导航系统的核心,其精度直接或间接影响了无人机导航的精度㊂然而,惯性MEMS传感器由于漂移会产生较大的噪声㊁偏置和尺度因子误差[2],为提高无人机导航的鲁棒性,减少陀螺仪随机漂移误差,文献[3]和文献[4]都利用时间序列建模分析对陀螺仪进行卡尔曼滤波处理,验证了卡尔曼滤波在降低陀螺仪随机误差中的有效性㊂但忽略了MEMS陀螺仪信号中野值等干扰数据的影响㊂文献[5]采用小波去噪的算法对陀螺随机漂移有一定的抑制作用,但传统的小波分析都只是对信号的高频分量进行去噪处理,而忽略了低频分量的少许噪声㊂针对以上问题,本文结合卡尔曼滤波和小波的优点,采用了将自适应抗野值卡尔曼滤波和改进的小波相结合的方法对陀螺仪的随机漂移误差进行处理㊂抑制了信号中野值对滤波发散的影响,提高了滤波精度㊂同时也更好地抑制了陀螺仪低频信号中的噪声,有效地提高了去噪效果㊂1㊀MEMS陀螺随机漂移建模时间序列分析作为一种数理统计分析方法,该方法根据平稳时间序列的变化规律建立差分方程,把一个高度相关的平稳时间序列表示成一个数字递推的㊀㊀㊀㊀㊀110㊀InstrumentTechniqueandSensorFeb.2021㊀形式㊂时间序列分析模型通常分为自回归滑动平均模型(ARMA)㊁滑动平均模型(MA)和自回归模型(AR)㊂统计特性表明,MEMS陀螺仪建模的阶数比较低,通常不超过3阶,且AR模型作为线性方程,在计算上比ARMA和MA模型更具优势[6-7],因此本文分别采用自回归模型AR(1)㊁AR(2)和AR(3)对MEMS陀螺仪随机漂移进行建模,采用最终预报误差FPE准则对模型参数进行估计[8],估计结果如表1所示㊂表1㊀AR模型参数估计结果a1a2a3FPEAR(1)0 02999 3730ˑ10-7AR(2)0 02870 03939 3902ˑ10-7AR(3)0 02730 03830 03549 3635ˑ10-7㊀㊀从表1可看出AR(3)的FPE最小,但是和AR(1)的FPE相差不大,在保证模型准确的情况下,为计算方便,本文选用AR(1)模型作为陀螺仪随机漂移模型:mk+1=0 0299mk+εk+1(1)式中:mk+1㊁mk分别为tk+1㊁tk时刻的陀螺仪误差;εk+1为均值为0㊁方差为σ的白噪声㊂2㊀自适应抗野值卡尔曼滤波陀螺仪输出信号中往往都含有野值,而这些野值通常会影响卡尔曼滤波效果,所以在文中采用一种自适应抗野值卡尔曼滤波,该滤波在卡尔曼的基础上根据信息对滤波增益和预测值进行了修正,更好地提高了滤波精度[9]㊂假设系统的状态方程为Xk+1=AXk+BWk(2)量测方程为Zk+1=HXk+1+Vk(3)式中:Xk+1,Xk分别为tk+1,tk时刻的状态量;Zk+1为tk+1时刻的量测量;Vk为系统量测噪声,其值为AR(1)模型的估计误差,方差为R;Wk为系统过程噪声,其方差为Q,其值为AR(1)模型中白噪声εk+1的方差σ㊂Wk和Vk的统计特性为E(Vk)=E(Wk)=0Cov(Vk,Vs)=Rδks,Cov(Wk,Ws)=QδksCov(Vk,Wk)=0ìîíïïïï(4)式中:∀k,s,δkk=1;δks=0㊂卡尔曼滤波过程:^Xk+1|k=A^Xk|kPk+1|k=APk|kAT+BQBTKk+1=Pk+1|kHT[HPk+1|kHT+R]^Xk+1|k+1=^Xk+1|k+Kk+1εk+1Pk+1|k+1=[In-Kk+1H]Pk+1|kìîíïïïïïïïï(5)信息:εk+1=Zk+1-H^Xk+1|k(6)前k+1时刻信息序列ε(ε1,ε2, ,εk+1)的方差:Sk+1=1k+1ðkl=0[εl+1-E(ε)]2(7)式中:^Xk|k,^Xk+1|k+1分别为tk,tk+1时刻的系统状态向量的时间更新;^Xk+1|k为tk时刻系统状态向量的一步预测值;Pk+1|k为tk时刻的系统协方差矩阵的一步预测值;Pk|k,Pk+1|k+1分别为tk,tk+1时刻的系统协方差更新;Kk+1为tk+1时刻的的卡尔曼滤波增益;E(ε)为信息序列ε的均值㊂本文中,A=0 0299,B=1,H=1㊂以信息为中心,以信息序列的最大偏差为半径r1画圆,以β倍的信息序列的最大偏差为半径r2画圆,如图1所示㊂图1㊀抗野值滤波原理图令r1=Sk+1,r2=βSk+1,βɪ(0,1),其中Sk+1是前k+1时刻信息序列的方差㊂当 εk+1|-|E(ε) >r1,则认为当前的观测数据是野值等于干扰数据,系统的主要偏差来源于观测值,则应降低当前时刻的滤波增益,减少观测值对系统的状态估计占有的权重,重新计算k+1时刻的卡尔曼滤波增益,修正公式为Kk+1=αKk+1,αɪ(0,1)(8)当r2< εk+1|-|E(ε) ɤr1,则认为观测数据是正常的,系统的主要偏差来源于预测值,则应修正预测值,重新计算k+1时刻的预测值^Xk+1|k,修正公式为^Xk+1|k=^Xx+1|k+γεk+1,γɪ(0,1)(9)当 εk+1|-|E(ε) ɤr2,则认为观测和预测数据都正常,不做任何修正㊂㊀㊀㊀㊀㊀第2期吴佳慧等:融合自适应卡尔曼和小波的MEMS陀螺去噪方法111㊀㊀自适应抗野值卡尔曼流程图如图2所示㊂图2㊀自适应抗野值卡尔曼流程图3㊀改进的小波去噪传统的小波去噪就是把含噪信号进行小波变换,根据小波系数之间的关系或者相应的准则设定一个阈值,进而对变换后的小波系数的高频分量进行处理,保持低频分量不变,得到新的小波系数,最后对其小波逆变换,得到去噪信号㊂在典型的MEMS陀螺系统中,采用Allan方差对MEMS陀螺仪进行噪声分析和性能评估,能够准确地测出MEMS陀螺仪常见的噪声系数:量化噪声㊁角度随机游走和零偏不稳定性等[10-11]㊂量化噪声是陀螺仪输出端的高频分量,而角度随机游走和零偏不稳定性都是长期的低频现象[12]㊂因此,本文中采用了一种先选择分解水平,并对该层的低频分量和每一层的高频分量同时进行阈值处理的方法,对MEMS陀螺仪信号进行了去噪处理㊂小波分析中,信号的能量通常集中体现在小部分幅度比较大的小波系数上,而噪声的频率和能量谱相对分散,因此噪声的小波系数绝对值比较小,且能量分散在大部分的小波系数上[13],随着分解层数的增加,噪声信息在高频分量中所占比例逐渐减少,有用信号所占比例逐渐增加,当噪声含量非常小而无法区分时,此时对该层的低频分量也进行阈值去噪可以更好地抑制陀螺仪的低频噪声㊂(1)对带噪信号进行小波分解,确定分解级别;为了得到噪声阈值化的分解水平,首先需要计算每层高频分量的PSR,即Sn=max(Wn)ðNni=1Wn,i(10)式中:maxWn为位于第n层的高频分量的绝对值的最大值;Wn,i为位于第n层第i个高频分量的绝对值;Nn为第n层高频分量的个数;Sn可以识别高频分量中的噪声,当Snɤρ,Sn+1>ρ,ρɪ(0,1)时,其中ρ为区分某层高频分量是否含有噪声的一个阈值,高频分量只包含信号系数㊂那么分解层数k=n[14]㊂(2)对每层的高频分量阈值化处理,并对选定分解级别的低频分量也阈值化处理;(3)对处理后的高频分量和低频分量进行小波重构,得到去噪信号㊂4㊀实验仿真将MEMS陀螺仪静置于实验转台进行实测,静置时间为1h,采样频率为200Hz㊂对实测数据进行融合卡尔曼和小波的去噪方法进行实验,融合卡尔曼和小波去噪流程图如图3所示,并利用Allan方差对陀螺仪噪声系数进行评估,陀螺仪x㊁y㊁z轴的去噪效果对比图如图4㊁图5㊁图6所示,陀螺仪x㊁y㊁z轴的噪声系数对比分别如表2㊁表3㊁表4所示㊂图3㊀融合卡尔曼和小波去噪流程图图4㊀MEMS陀螺仪x轴去噪效果分析图5㊀MEMS陀螺仪y轴去噪效果分析㊀㊀㊀㊀㊀112㊀InstrumentTechniqueandSensorFeb.2021㊀图6㊀MEMS陀螺仪z轴去噪效果分析表2㊀陀螺仪x轴噪声系数对比分析表量化噪声系数/(ᵡ)角度随机游走/[(ʎ)㊃h-1]零偏不稳定性/[(ʎ)㊃h-1]原始数据0 2626530 4322373 936395卡尔曼滤波0 0658440 1885891 259665Visushrink小波去噪0 0239790 0026420 137148本方案去噪0 0063880 0008840 040733㊀㊀从表2㊁表3㊁表4可以看出,本方案去噪后所估计的量化噪声系数㊁角度随机游走和零偏不稳定性均小于卡尔曼滤波和Visushrink小波去噪㊂表3㊀陀螺仪y轴噪声系数对比分析表量化噪声系数/(ᵡ)角度随机游走/[(ʎ)㊃h-1]零偏不稳定性/[(ʎ)㊃h-1]原始数据0.3166920.4627366.082270卡尔曼滤波0.0467880.1603241.982798Visushrink小波去噪0.0125250.0037010.936515本方案去噪0.0043330.0009940.198316表4㊀陀螺仪z轴噪声系数对比分析表量化噪声系数/(ᵡ)角度随机游走/[(ʎ)/h-1]零偏不稳定性/[(ʎ)/h-1]原始数据0.2633030.4192464.115378卡尔曼滤波0.0738240.1411941.359070Visushrink小波去噪0.0717160.0102950.614795本方案去噪0.0090080.0013520.102585㊀㊀陀螺仪x㊁y㊁z轴去噪后方差对比如表5所示㊂从表5可以看出,本方案去噪后方差均小于卡尔曼滤波和Visushrink小波去噪㊂表5㊀陀螺仪x㊁y㊁z轴方差对比分析表(ʎ)2/s2x轴方差y轴方差z轴方差卡尔曼滤波1.4046ˑ10-41.7096ˑ10-41.3321ˑ10-4Visushrink小波去噪6.1799ˑ10-62.7634ˑ10-51.6009ˑ10-6本方案去噪1.2395ˑ10-77.0925ˑ10-73.3453ˑ10-85㊀结论针对MEMS陀螺输出信号噪声大㊁有野值等问题,本文采用一种融合卡尔曼和小波的自适应抗野值去噪方法对MEMS陀螺仪进行了降噪处理,通过Allan方差分析估计陀螺仪噪声系数,并与卡尔曼滤波方法和Visushrink小波去噪方法进行对比分析,结果表明本文方法的量化噪声系数㊁角度随机游走和零偏不稳定性均小于卡尔曼滤波和Visushrink小波去噪,尤其陀螺仪x㊁y㊁z轴零偏不稳定性在本方案下比卡尔曼滤波分别提高了31.0%㊁29.3%㊁30.5%,比Visushrink小波去噪分别提高了2.4%㊁12.1%㊁12.4%㊂参考文献:[1]㊀王思远,韩松来,任星宇,等.MEMS惯性导航技术及其应用与展望[J].控制与信息技术,2018(6):21-26.[2]㊀BENM,WEIWJ,TONGWJ,etal.MEMSgyrodenoisingbasedonsecondgenerationwavelettransfo⁃rm[C]//2010FirstInternationalConferenceonPervasiveComputing,SignalProcessingandApplications.IEEE,2010:255-258.[3]㊀张伟.MEMS陀螺随机误差建模与Kalman滤波方法[J].现代导航,2018,9(2):100-103.[4]㊀孙伟,吴增林,耿诗涵,等.ARMA模型的MEMS陀螺随机误差卡尔曼补偿方法[J].测绘科学,2017,42(12):52-56.[5]㊀赵宣懿,孔雪博,熊智,等.基于低成本MEMS陀螺的小波阈值去噪应用研究[J].传感器与微系统,2017,36(12):54-56.[6]㊀李杨,胡柏青,覃方君,等.MEMS陀螺的抗野值自适应滤波降噪方法[J].压电与声光,2015,37(4):590-594.[7]㊀严恭敏,李四海,秦永元.惯性仪器测试与数据分析[M].北京:国防工业出版社,2015:142-143.[8]㊀吕春红,李洋,赵坤,等.基于AR模型的MEMS惯导随机误差分析方法[J].航天控制,2018,36(6):31-35.[9]㊀马姓.基于UKF的自适应野值剔除算法[J].计算机测量与控制,2016,24(8):283-285.[10]㊀杜少林,陈书钊,陈鹏光,等.基于Allan方差的MEMS陀螺仪噪声分析[J].仪表技术与传感器,2018(5):20-22.[11]㊀黎奇,白征东,赵思浩,等.Allan方差方法分析环形激光陀螺仪噪声的性能评估[J/OL].清华大学学报(自然科学版):1-8[2019-05-31].https://doi.org/10.16511/j.cnki.qhdxxb.2019.22.009.[12]㊀NASSARS,ACHWARZKP,SHEMIMYNE.Modelingin⁃ertialsensorerrorsusingautoregressive(AR)models[J].Navigation,2004,51(24):259-268.[13]㊀崔治,李加升.基于小波熵自适应最佳分解层数确定算法[J].仪表技术与传感器,2015(6):127-130.[14]㊀SRIVASTAVAM,ANDERSONCL,FREEDJH.Anewwaveletdenoisingmethodforselectingdecompositionlevelsandnoisethresholds[J].IEEEAccess,2016,4:3862-3877.作者简介:吴佳慧(1997 ),硕士研究生,主要研究方向为无人机视觉惯性导航㊂E⁃mail:1563925261@qq.com通信作者:冉昌艳(1974 ),讲师,博士,主要研究方向为导航系统算法以及传感器信号处理研究㊂E⁃mail:ranchy@ctgu.edu。
陀螺仪 信号处理 算法
陀螺仪信号处理算法
陀螺仪信号处理算法是指对陀螺仪输出的原始信号进行处理和分析,得出有用的信息和数据。
常用的陀螺仪信号处理算法包括以下几种:
1. 卡尔曼滤波算法:卡尔曼滤波算法是一种最优估计算法,主要用于陀螺仪信号的去噪和滤波。
通过对陀螺仪输出信号和其他传感器信号进行加权融合,可以得到更加准确和稳定的姿态估计结果。
2. 倒向欧拉公式算法:倒向欧拉公式算法根据陀螺仪输出的角速度信号积分计算姿态角。
该算法简单高效,适用于实时应用。
但由于积分的误差累积问题,长时间运行可能导致姿态角的漂移。
3. 硬件相关算法:某些陀螺仪芯片内部已经集成了一些信号处理和滤波算法,可以直接输出经过处理的信号数据。
这些算法一般由陀螺仪芯片厂商提供,并根据具体应用场景进行优化。
4. 非线性最小二乘算法:非线性最小二乘算法通过拟合模型来估计陀螺仪输出的误差和偏置。
该算法可以在一定程度上修正陀螺仪的误差,并提高姿态估计结果的精度。
这些算法的选择和使用取决于具体的应用场景和要求。
在实际应用中,通常需要根据陀螺仪输出的信号特点和目标任务的需求来选择合适的信号处理算法,并进行参数调优和优化。
imu的扩展卡尔曼滤波
imu的扩展卡尔曼滤波IMU的扩展卡尔曼滤波引言:惯性测量单元(IMU)是一种能够测量加速度和角速度的传感器组合。
然而,由于噪声和误差的存在,IMU测量的数据往往会出现漂移等问题,导致精度下降。
为了解决这些问题,研究者们提出了扩展卡尔曼滤波(EKF)算法,用于对IMU数据进行滤波和估计。
一、IMU的工作原理IMU由加速度计和陀螺仪组成。
加速度计可以测量物体在三个方向上的加速度,而陀螺仪则可以测量物体绕三个轴的角速度。
通过积分加速度计的输出和陀螺仪的输出,可以得到物体在空间中的位置和姿态信息。
然而,IMU的测量数据存在噪声和偏差等误差,导致输出的位置和姿态信息不准确。
例如,陀螺仪存在漂移现象,即角速度的累积误差会导致位置和姿态的不断偏移。
因此,需要一种算法来对IMU的测量数据进行滤波和估计,以提高其精度。
二、卡尔曼滤波算法卡尔曼滤波是一种用于估计系统状态的算法,它通过对测量数据和系统模型进行融合,得到对系统状态的最优估计。
卡尔曼滤波算法有两个主要步骤:预测和更新。
预测步骤根据系统的动力学模型和上一时刻的状态估计,预测当前时刻的状态。
更新步骤则根据当前时刻的测量数据和预测的状态,计算出对系统状态的修正。
然而,卡尔曼滤波算法是基于线性系统模型的,而IMU的动力学模型是非线性的,因此无法直接应用。
为了解决这个问题,扩展卡尔曼滤波算法被提出。
三、扩展卡尔曼滤波算法扩展卡尔曼滤波算法是对卡尔曼滤波算法的扩展,用于处理非线性系统模型。
其核心思想是通过线性化的方式近似非线性模型,然后应用卡尔曼滤波算法。
在IMU的应用中,扩展卡尔曼滤波算法可以用于对位置和姿态的估计。
首先,需要建立IMU系统的动力学模型,并根据实际测量数据对其进行校准。
然后,通过预测步骤和更新步骤,对位置和姿态进行估计。
预测步骤中,根据IMU测量的加速度和角速度,以及上一时刻的估计状态,预测当前时刻的状态。
在更新步骤中,利用当前时刻的测量数据和预测的状态,计算出修正后的状态估计值。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
误差,0.1a —偏移量补偿。
如前面所述,Bx 为 0,所以由加速度引起的角速
度误差为 0.1a 。所以可得陀螺漂移数学模型为:
Nx = Ax +(t - 25) × 0.1 + ix + 0.1 × ax
Ny = Ay +(t - 25) × 0.1 + iy + 0.1 × ay
(5)
Nz = Az +(t - 25) × 0.1 + iz + 0.1 × az
为了解决陀螺仪测量过程中容易产生漂移的问 题,近年来不少学者提出利用小波算法理论对陀螺仪 进行降噪处理,以减少随机误差对于陀螺漂移的影 响。鉴于小波算法复杂、计算量大的特,其并不适合 应用于嵌入式系统之中,本研究提出用卡尔曼滤波算 法对陀螺仪进行降噪处理,首先建立陀螺仪漂移模
收稿日期:2012-09-25 作者简介:陈 晨(1987-),男,浙江余姚人,主要从事超精密加工相关设备方面的研究. E-mail:ccdipan@ 通信联系人:赵文宏,男,教授级高级工程师,硕士生导师. E-mail:whzhao6666@
其中,wn 、vn 的协方差分别为 Q 、R 。 具体卡尔曼滤波递推过程如下:
状态一步预测为:
x = Φ x ∧ n|n - 1
∧ n|n - 1 n - 1
(8)
式中
:x
∧ n|n
-
1
—由
n
-1
时刻陀螺仪状态量预估
n
时刻
陀螺仪状态量。
状态估计为:
x∧ n
=
x∧ n-1
+
kg(yn
- Cn xn|n - 1)
· 312 ·
机电
型,再利用卡尔曼滤波算法减少随机误差对陀螺仪测 量的影响,并用 Allan 方差分析法评价卡尔曼滤波算 法,最后在转速测试平台进行陀螺仪测量实验。
1 陀螺漂移模型建立
在恶劣的工作环境下,陀螺会产生严重的陀螺漂
移,其测量误差主要由刻度因子误差、陀螺零点漂移
组成。根据 MEMS 陀螺仪的基本特性,联立陀螺漂移
的静态数学模型:
Nx = Ax + Bxwx
Ny = Ay + Bywy
(1)
Nz = Az + Bzwz
式中:Nx,Ny,Nz —陀螺三轴测量误差;Ax,Ay,Az —陀螺
三轴的零点漂移;Bx,By,Bz —陀螺三轴的刻度因子误
差;wx,wy,wz —陀螺三轴的转速。
陀螺仪的三轴零点漂移由零点常值误差和零点
图 1 卡尔曼滤波前陀螺仪 x 轴随机序列
图 3 中,实线表示滤波前随机误差 Allan 值,虚线
表示滤波后随机误差 Allan 值,可以发现在经过卡尔
曼滤波后,随机误差的 Allan 有明显的减少,与图 1 及
图 2 所表现的图形相符合。从而可以证明,运用卡尔
曼滤波对陀螺仪进行降噪处理是有效的。
另外,Allan 方差分析法还可以分析陀螺噪声的组
一步预测误差阵为:
(9)
P = Φ x Φ + Q n|n - 1
T n|n - 1 n - 1|n - 1 n|n - 1
增益系数为:
kg(n) =
Cn
P CT n|n - 1 n
Pn|n -
CT
1n
+
R
预测误差阵为:
(10) (11)
Pn = (1 - kg(n)C )P n n|n - 1
(12)
k
y( j - 1)k + i
=1
1 2(m - 1)
m-1 j=1
ηˉ
j
2
(13)
将前面实验卡尔曼滤波前后所得的两组随机序
列,τ 分别为 0.1 s、0.2 s、0.4 s、1 s、2 s、4 s、10 s、50 s,
比较滤波前后的 Allan 方差值。卡尔曼滤波前后陀螺
仪 x 轴随机误差的 Allan 值对比图如图 3 所示。
(τ)
=
2 n = -2
An τn
=
1 2(m -
1)
m-1
ηˉ j2
j=1
(14)
本研究通过设置不同的 τ 代入公式(14),运用最
小二乘法,可以求得 An 各系数,即各部分噪音对于 Al⁃
lan 值的权重系数,确定各噪声源对于随机误差的影响。
3 陀螺仪漂移补偿模型的实验验证
图 2 卡尔曼滤波后陀螺仪 x 轴随机序列
效果;最后,在转速测试平台上进行了陀螺仪测量试验。研究结果表明,通过建立误差模型和采用卡尔曼滤波算法能有效减小陀螺
仪测量过程中的漂移。
关键词:MEMS 陀螺仪;卡尔曼滤波;Allan 方差分析法
中图分类号:TH161+.7;TH89 文献Байду номын сангаас志码:A
文章编号:1001-4551(2013)03-0311-03
陈 晨 ,赵 文 宏 * ,徐 慧 鑫 ,周 芬 芬 ,安 平
(浙江工业大学 超精密加工实验室,浙江 杭州 310014)
摘要:为解决 MEMS 陀螺仪在测量过程中容易产生漂移的问题,将卡尔曼算法应用于陀螺仪的漂移补偿中。分析了陀螺仪误差源,
建立了陀螺仪误差模型,提出了用卡尔曼滤波算法处理陀螺仪零点随机误差的方法,通过运用 Allan 方差分析法评价了卡尔曼滤波
成成分。MEMS 陀螺仪随机误差主要有角随机游走
(ARW)、速率随机游走(RRW)、速率斜坡(RRW)、偏差
不稳定性(BI)、量化噪声(QN)、正弦噪声(SN)[9-11]组成。
各部分相对于相关时间 τ 的阶数分布在 -2~2 之间。
所以 MEMS 陀螺仪的 Allan 表达式可以写成如下
形式:
∑ ∑ σ2 a
0引 言
在球体研磨过程中,施加压力、磨粒颗粒大小、抛 光液浓度以及设备本身的误差都会影响到球体运动轨 迹,使球体偏离预期轨迹。球体轨迹的偏离可能影响 球体在研磨过程中的去除率,降低球体加工精度[1]。 而研究者通过对研磨过程中球体运动轨迹的在线检 测,可以判断各加工参数对于球体轨迹的影响,为加 工参数的优化提供了理论依据。
随机误差所组成:
Ax = Ax0 + ix + ΔAt
Ay = Ay0 + iy + ΔAt
(2)
Az = Az0 + iz + ΔAt
式中:Ax0,Ay0,Az0 —陀螺仪的常值误差;ix,iy,iz —陀螺
的随机误差;ΔAt —陀螺的温度漂移。
轨 迹 球 测 量 系 统 中 所 用 MEMS 陀 螺 仪 为 In⁃
该研究系统模型中,设置 Φn、Cn 为 1,初始设置
kg(0),P0|0 为 1,即可进行卡尔曼滤波。
在卡尔曼滤波递推模型的基础上,本研究通过实
验得到滤波前后陀螺仪的随机时间序列。具体实验
步骤如下:
(1)将陀螺仪置于 25 ℃恒温室内,静止置于水平
桌面。
(2)轨迹球测量系统供电,并与计算机通信。
第3期
要对其测量值进行误差补偿。而在动态环境中,由于
存在加速度,甚至加加速度,突然的速度改变会导致
MPU3050 所测得角速度误差增大。MPU3050 因为加
速度改变而引起的角速度偏移量为 0.1°/s/g 。
则:
Bx'wx = Bxwx + 0.1a
(4)
式中:Bx' —动态刻度因子误差,Bx —静态刻度因子
2 陀螺仪零点漂移分析与补偿
本研究运用卡尔曼滤波算法原理对陀螺仪
工程
第 30 卷
MPU3050 的零点误差进行补偿。首先运用卡尔曼滤
波对于随机信号进行降噪处理,最后运用 Allan 方差
分析法对于陀螺仪滤波前后效果进行比校分析。
零点误差由随机误差和常值误差两部分组成,即:
∑ ìïJ
í îïS
= =
1 n A
轨迹球测量系统利用捷联惯导系统原理,可以有 效获得轨迹球的实时姿态,即轨迹球的研磨轨迹。捷 联惯导系统自主性强、成本低廉、体积小,但相对平台 惯导系统,其惯性单元的动态误差较大[2-3],所以须对 捷联惯导系统的测量值进行误差补偿。其系统中存
在多个误差源,包括惯性元器件的安装误差、惯性元 器件的测量误差、初始对准误差以及计算误差[4]。其 中惯性元器件的测量误差对系统误差影响最为明 显。而惯导单元测量误差主要由陀螺漂移产生。轨 迹球测量系统把陀螺仪固定在动态系统,由于恶劣的 工作环境[5-6],另外伴随较大的施矩速度,导致陀螺在 运行中产生严重的陀螺漂移。所以,陀螺仪的测量误 差决定了轨迹球测量系统的精度。
Allan 方差分析法能够用于对各种误差源的统计
特性进行表征和辨识[7-8],可适用于任何随机噪声的分
析研究,是定量鉴别陀螺仪随机误差的有效方法。
假设采样周期为 t0 、采样 m 次、相关时间 τ = kt0 , 其每一相关时间 τ 的均值为:
∑ ìïïηˉ j
í
=
1 k
i
∑ ïïσ
2 a
(τ)
=
î
n
x
i=1
-J
i
(6)
式中:J —常值误差,S —随机噪声误差,xi — i 时刻 零点采样值,A —零点误差。
通过公式(6)的数学处理就可以剥离出一个均值
为 0 的随机噪声 S 。
卡尔曼滤波模型是建立在已知随机信号数学模
型的基础之上,适用于时变非平稳时间序列的数字滤
波。其实质是在已知观测值数据基础上,运用递推理
vensense 公司生产的 MPU3050 陀螺仪。根据其数据
手册所述,MPU3050 温度漂移为 0.1°/s/℃ ,以 t = 25 ℃