陀螺仪漂移克星:用卡尔曼滤波实现精准姿态解算(附完整代码)

卡尔曼滤波基础 + 姿态解算 背景 离散控制过程系统,可用一个线性随机微分方程来描述: 系统状态: 系统测量值: X(k)是k时刻的系统状态; U(k)是k时刻对系统的控制量; A和B是系统参数,对于多模型系统,他们为矩阵; Z(k)是k时刻的测量值, H 是测量系统的参数,对于多测量系统,H 为矩阵。 W(k)、V(k)分别表示过程和测量的噪声。他们被假设成高斯白噪声(White Gaussian Noise),他们的 方差 分别是Q、R。 对于满足上面的条件(线性随机微分系统,过程和测量都是高斯白噪... 阅读详情

陀螺仪漂移克星:用卡尔曼滤波实现精准姿态解算(附完整代码)

你是否曾经满怀期待地组装好一架四轴飞行器,或者调试一个机器人平台,却发现它像喝醉了酒一样在空中或地面上摇摆不定?很多时候,问题的根源不在于你的机械结构或控制算法,而在于最基础的感知层——姿态解算。我们依赖的陀螺仪和加速度计,前者会随着时间“跑偏”(漂移),后者则对任何一丝震动都“神经过敏”。如何让这两个各有缺陷的传感器“取长补短”,输出一个稳定、可信的姿态角?这正是卡尔曼滤波大显身手的舞台。它不是魔法,而是一套优雅的数学框架,能让我们在充满噪声的现实世界中,做出最“聪明”的估计。这篇文章,我将从一个嵌入式开发者的实战视角,带你一步步拆解卡尔曼滤波如何成为陀螺仪漂移的终极克星,并附上可直接嵌入项目的、经过优化的C语言实现。无论你是无人机爱好者、机器人开发者,还是对传感器融合感兴趣的工程师,这里都有你需要的“硬核”干货。

1. 从“摇摆不定”到“稳如磐石”:理解姿态解算的核心挑战

在深入算法之前,我们必须先搞清楚敌人是谁。姿态解算,简单说就是通过传感器数据计算出物体(比如你的无人机)在三维空间中的朝向(俯仰、横滚、偏航)。最常用的传感器组合是三轴陀螺仪和三轴加速度计。

  • 陀螺仪:测量角速度。对它积分就能得到角度变化。听起来很完美?但问题在于积分漂移。任何微小的、恒定的测量误差(零点漂移),经过积分都会被无限放大,导致计算出的角度随时间越来越偏离真实值。想象一下,你的指南针每小时自己偏转1度,一天下来就差了24度,这导航还怎么用?
  • 加速度计:测量比力,在静态或低速运动时,可以感知重力方向,从而直接解算出相对于水平面的俯仰和横滚角。它的优势是长期稳定,没有累积误差。但它的致命弱点是动态噪声。任何振动、加减速运动都会引入巨大的干扰,导致计算出的角度剧烈跳动。

所以,我们陷入了一个两难境地:陀螺仪短期准、长期漂;加速度计长期稳、短期抖。单独使用任何一个,都无法获得可靠姿态。

注意:这里我们主要讨论俯仰(Pitch)和横滚(Roll)角的解算。偏航角(Yaw)通常需要磁力计或视觉等绝对参考传感器,因为重力在偏航轴上没有分量,加速度计无能为力。本文聚焦于最经典也最基础的陀螺仪-加速度计融合问题。

那么,融合的思路就很自然了:用加速度计来修正陀螺仪的长期漂移,用陀螺仪来平滑加速度计的短期抖动。这听起来像是一个“加权平均”,但简单的加权平均无法处理噪声的统计特性,也无法动态调整信任度。我们需要一个更“智能”的加权方法——这就是卡尔曼滤波。

卡尔曼滤波的精髓在于,它不仅仅看当前的数据,还维护了一个对系统状态(这里是角度和漂移)不确定性的度量(协方差矩阵)。它会根据这个不确定性,动态计算出一个最优的“权重”(卡尔曼增益),来决定在当下这一刻,我们应该更相信陀螺仪的预测,还是更相信加速度计的测量。当系统剧烈运动、加速度计数据不可靠时,增益会自动降低,更多地依赖陀螺仪;当系统静止或匀速运动时,增益会提高,用加速度计的数据狠狠修正陀螺仪的漂移。

2. 卡尔曼滤波的“直觉”:一个工程师的视角

教科书上卡尔曼滤波的五个公式常常让人望而生畏。让我们暂时忘掉矩阵,用一个更直观的例子来理解它。想象你在一个浓雾天开车,车上有一个不太准的里程表(类似陀螺仪,有漂移)和一个偶尔失灵的GPS(类似加速度计,有噪声)。

  1. 预测(Predict):你知道自己上一秒的位置和速度(状态),根据里程表读数和时间,你预测出自己当前应该在哪里。但你知道里程表有误差,所以你对这个预测位置信心不足(预测协方差增大)。
  2. 测量(Update):此时,GPS给出了一个当前位置的读数。但这个GPS信号也可能有误差,你对它同样信心有限(测量噪声)。
  3. 融合(Fuse):现在你有两个信息:一个不太准的预测,和一个不太准的测量。卡尔曼滤波做的事情,就是根据你对两者的“信心程度”(协方差),计算出一个最优的权重(卡尔曼增益)。如果预测非常不确定,而测量相对可靠,权重就偏向测量;反之亦然。
  4. 估计(Estimate):用这个最优权重,将预测值和测量值融合,得到一个最优估计的位置。这个估计比单独使用任何一个数据都更接近真实位置。
  5. 更新信心(Update Covariance):完成这次估计后,你对当前位置的信心会提升(估计协方差减小),因为融合过程降低了不确定性。这个更新后的信心,将用于下一次的预测步骤。

如此循环往复,你的位置估计就会在迷雾中越来越准、越来越稳。把这个例子里的“位置”换成“角度”,把“里程表”换成“陀螺仪积分”,把“GPS”换成“加速度计解算的角度”,你就得到了一个姿态解算卡尔曼滤波器。

对于我们的姿态问题,我们关心的系统状态有两个:

  • angle:物体的真实角度(我们想求的)。
  • bias:陀螺仪的零偏(漂移量,我们想估计并补偿的)。

我们的目标是:利用陀螺仪的角速度(控制输入)和加速度计解算的角度(观测值),持续地、最优地估计出当前的 angle 和 bias。

3. 实战拆解:一维姿态卡尔曼滤波的C语言实现

理论说再多,不如一行代码。下面我将一个经过工程实践检验的一维卡尔曼滤波器(适用于单个轴,如俯仰角)拆解给你看。这个实现结构清晰,计算量小,非常适合资源受限的嵌入式系统(如STM32)。

首先,我们定义滤波器所需的结构和参数:

// 卡尔曼滤波器结构体
typedef struct {
    float angle;      // 最优估计的角度 (状态量1)
    float bias;       // 最优估计的陀螺仪零偏 (状态量2)
    float rate;       // 角速度 (中间量)

    float P[2][2];   // 误差协方差矩阵,表示我们对状态估计的不确定性
    float K[2];      // 卡尔曼增益

    // 过程噪声协方差,描述系统模型的不确定性
    float Q_angle;   // 角度过程噪声
    float Q_bias;    // 零偏过程噪声

    // 测量噪声协方差,描述传感器测量的不确定性
    float R_measure; // 角度测量噪声
} KalmanFilter_t;

参数调校说明: 这三个噪声参数(Q_angle, Q_bias, R_measure)是滤波器的“调谐旋钮”,直接影响滤波效果。

参数物理意义调大效果调小效果
Q_angle你相信角度预测模型(陀螺仪积分)的准确程度。更信任加速度计测量,响应变快,但可能更抖。更信任陀螺仪预测,响应变慢,但更平滑。
Q_bias你相信陀螺仪零偏 bias 变化的速度。认为零偏变化快,滤波器会更快地调整零偏估计。认为零偏几乎不变,零偏估计调整慢。
R_measure你相信加速度计测量值的准确程度。更不信任加速度计,滤波结果更平滑(跟随陀螺仪)。更信任加速度计,滤波结果对加速度变化更敏感。

初始化函数将滤波器置于一个已知的起始状态:

void Kalman_Init(KalmanFilter_t *kf, float init_angle) {
    kf->angle = init_angle; // 初始角度,可由加速度计第一次读数给出
    kf->bias = 0.0f;        // 初始假设零偏为0
    kf->rate = 0.0f;

    // 初始化协方差矩阵,表示初始时我们对估计“一无所知”,不确定性很大
    kf->P[0][0] = 0.0f;
    kf->P[0][1] = 0.0f;
    kf->P[1][0] = 0.0f;
    kf->P[1][1] = 0.0f;

    // 设置噪声参数(这些值需要根据你的具体传感器和场景调试)
    kf->Q_angle = 0.001f;
    kf->Q_bias = 0.003f;
    kf->R_measure = 0.03f;
}

核心的滤波函数 Kalman_Update 是算法的灵魂,它严格对应卡尔曼滤波的五个步骤:

float Kalman_Update(KalmanFilter_t *kf, float gyro_rate, float accel_angle, float dt) {
    // === 步骤1: 状态预测 (基于上一状态和陀螺仪) ===
    // 预测角速度:当前读数减去估计的零偏
    kf->rate = gyro_rate - kf->bias;
    // 预测角度:上一角度 + 角速度 * 时间
    kf->angle += kf->rate * dt;

    // === 步骤2: 协方差预测 (预测的不确定性增大了) ===
    // 这部分是公式 P = F * P * F^T + Q 的简化展开形式
    // 其中F是状态转移矩阵 [1, -dt; 0, 1]
    kf->P[0][0] += dt * (dt * kf->P[1][1] - kf->P[0][1] - kf->P[1][0] + kf->Q_angle);
    kf->P[0][1] -= dt * kf->P[1][1];
    kf->P[1][0] -= dt * kf->P[1][1];
    kf->P[1][1] += kf->Q_bias * dt;

    // === 步骤3: 计算卡尔曼增益 (决定相信谁) ===
    // 计算增益分母:预测不确定性与测量不确定性之和
    float S = kf->P[0][0] + kf->R_measure;
    // 计算卡尔曼增益 K = P * H^T / S, 这里H=[1, 0]
    kf->K[0] = kf->P[0][0] / S; // 用于修正角度的增益
    kf->K[1] = kf->P[1][0] / S; // 用于修正零偏的增益

    // === 步骤4: 状态更新 (融合预测和测量) ===
    // 计算角度测量值与预测值之间的误差
    float angle_err = accel_angle - kf->angle;
    // 用增益修正角度估计
    kf->angle += kf->K[0] * angle_err;
    // 用同样的误差和增益修正零偏估计
    kf->bias += kf->K[1] * angle_err;

    // === 步骤5: 协方差更新 (融合后,不确定性降低了) ===
    // 公式 P = (I - K*H) * P
    float P00_temp = kf->P[0][0];
    float P01_temp = kf->P[0][1];

    kf->P[0][0] -= kf->K[0] * P00_temp;
    kf->P[0][1] -= kf->K[0] * P01_temp;
    kf->P[1][0] -= kf->K[1] * P00_temp;
    kf->P[1][1] -= kf->K[1] * P01_temp;

    // 返回最优估计的角度
    return kf->angle;
}

如何使用这个滤波器?在你的主循环中,需要定期(例如1ms或10ms)执行以下操作:

  1. 读取陀螺仪原始数据 gyro_raw,并乘以比例因子转换为角速度 gyro_rate(单位:度/秒或弧度/秒)。
  2. 读取加速度计原始数据 accel_raw,通过 atan2(accel_y, accel_z) 等公式解算出当前加速度计角度 accel_angle。
  3. 获取从上一次滤波到现在的精确时间间隔 dt(单位:秒)。dt的准确性至关重要,建议使用定时器中断或高精度时钟。
  4. 调用 Kalman_Update(&my_filter, gyro_rate, accel_angle, dt),得到融合后的最优角度。

4. 工程实践中的关键细节与调试技巧

把代码跑起来只是第一步,让它在你特定的硬件和场景下稳定工作,才是真正的挑战。下面分享几个我踩过坑才总结出来的要点。

确保传感器数据质量:再好的滤波器也救不了垃圾输入。

  • 校准是关键:上电后,必须进行简单的传感器校准。让设备静止数秒,采集陀螺仪和加速度计的数据,计算零偏(均值)。陀螺仪的零偏会作为 bias 被卡尔曼滤波持续估计,但一个好的初始值能加速收敛。
  • 加速度计滤波:在将加速度计数据送入卡尔曼滤波器之前,可以先进行一次低通滤波,以抑制高频振动噪声。一个简单的一阶低通滤波器就很有用:
    float alpha = 0.2; // 滤波系数,0~1,越小越平滑
    filtered_accel = alpha * new_accel + (1 - alpha) * filtered_accel;
    
  • 陀螺仪量程:根据你的应用选择合适量程。量程太大,分辨率低,噪声可能更明显;量程太小,容易饱和。

处理时间同步与dt:这是新手最容易出错的地方。

  • 卡尔曼滤波的 dt 必须是实际两次调用之间的时间差,而不是你预设的周期。如果你的循环因为其他任务阻塞了,dt 就会变大,模型预测就会出错。务必使用系统滴答定时器或硬件定时器来获取精确的微秒级时间戳。
  • 一个常见的做法是,在主循环开始时读取时间戳 t1,在滤波更新时读取时间戳 t2,dt = (t2 - t1) / 1e6(假设时间戳单位是微秒)。

参数调试的艺术:没有放之四海而皆准的参数。

  • R_measure (测量噪声):这个相对容易确定。让设备静止,计算加速度计解算角度的标准差,这个值就可以作为 R_measure 的参考。它反映了加速度计的静态噪声水平。
  • Q_angle 和 Q_bias (过程噪声):这两个是调试的重点。我通常的调试流程是:
    1. 将设备放在桌面,观察滤波输出。如果角度有缓慢的漂移或摆动,尝试增大 Q_angle 或减小 R_measure,让滤波器更相信加速度计。
    2. 快速晃动设备,观察滤波输出。如果角度响应迟钝,跟不上真实运动,尝试减小 Q_angle 或增大 R_measure,让滤波器更相信陀螺仪。
    3. Q_bias 控制着滤波器估计零偏的速度。如果发现陀螺仪的零偏在温度变化后需要很长时间才能重新校准,可以适当增大 Q_bias。

扩展到三维姿态:本文示例是一维的,实际中我们需要同时解算俯仰和横滚。

  • 最直接的方法是运行两个独立的卡尔曼滤波器,一个用于俯仰角,一个用于横滚角。这在大多数情况下是有效的,因为在小角度假设下,两个轴可以近似解耦。
  • 更严谨的方法是使用一个四元数或旋转矩阵作为状态量的扩展卡尔曼滤波(EKF)或无迹卡尔曼滤波(UKF)。这能更准确地处理大角度运动和两个轴之间的耦合,但计算复杂度也大大增加。对于STM32F4或更高性能的MCU,运行一个EKF是可行的。

一个实用的调试技巧:将 K[0](角度增益)通过串口打印出来并绘图。你会发现,在静止时,K[0] 会趋近于一个较大的值(例如0.8),意味着80%信任加速度计;在剧烈运动时,K[0] 会迅速降到接近0,意味着几乎完全信任陀螺仪。这个动态变化的增益,正是卡尔曼滤波智能之处的直观体现。

5. 超越基础:进阶优化与替代方案探索

当你成功应用了基础的卡尔曼滤波后,可能会遇到一些新的需求或瓶颈。这里探讨几个进阶方向。

互补滤波:更轻量级的选择 卡尔曼滤波虽然最优,但计算和调试相对复杂。对于很多对性能要求不是极端苛刻的应用,互补滤波是一个极其优秀且简单的替代方案。其核心思想就是一个固定权重的融合:

// 一阶互补滤波伪代码
float complementary_filter(float gyro_angle, float accel_angle, float dt) {
    static float angle = 0;
    float alpha = 0.98; // 陀螺仪权重,通常取0.95-0.99

    // 陀螺仪积分
    angle += gyro_rate * dt;
    // 用加速度计测量值补偿漂移
    angle = alpha * angle + (1 - alpha) * accel_angle;

    return angle;
}
  • 优点:计算量极小,只有一次乘加,参数 (alpha) 直观易懂,在大多数场景下效果足够好。
  • 缺点:权重固定,无法动态适应运动状态。在剧烈运动导致加速度计完全失效时,它依然会混入错误信息。

自适应调参:为了让基础卡尔曼滤波更强大,可以尝试根据系统状态动态调整 R_measure。

  • 思路:当检测到系统加速度很大(通过加速度计矢量和与重力加速度的差值判断)时,说明加速度计数据不可靠,此时临时增大 R_measure,让滤波器暂时忽略加速度计。这需要引入一个额外的加速度变化检测逻辑。

传感器融合框架:如果你的项目使用了复杂的嵌入式操作系统或中间件(如ROS 2、Zephyr RTOS),可以考虑使用成熟的传感器融合库。

  • Madgwick AHRS 和 Mahony AHRS:这两种是开源界非常流行的姿态解算算法,基于梯度下降或互补滤波思想,计算效率比EKF高,效果也非常出色,通常直接输出四元数。网上有大量移植到单片机的代码。
  • Google的Sensor Fusion库:如果是在Android或Linux平台,这是一个功能强大的选择。

选择哪种方案,取决于你的具体约束:

  • 资源极度紧张(8位/16位MCU):首选互补滤波。
  • 资源一般(Cortex-M3/M4,主频<100MHz):本文介绍的一维/二维卡尔曼滤波或Madgwick滤波是很好的平衡点。
  • 资源充足,且需要高精度、大动态范围:考虑基于四元数的EKF。
  • 快速原型验证:互补滤波或Madgwick滤波能让你最快看到效果。

最后,别忘了实地测试。在办公室桌面上运行平稳,不代表在无人机高速飞行或机器人崎岖路面行走时也能胜任。将设备安装到真实平台上,进行各种极端工况的测试,观察滤波输出的稳定性和延迟,回头再微调参数,这才是工程闭环。我自己的经验是,在调试一架穿越机时,最初在桌面调试完美的参数,一上天就振荡,最后发现是电机振动导致加速度计噪声模型 (R_measure) 发生了巨大变化,通过加强减震和重新调整噪声参数才最终解决。

Kalman_Filter卡尔曼滤波器计算,陀螺仪卡尔曼滤波角度估算及代码 如果两个变量的变化趋势一致,也就是说如果其中一个变量大于其自身的期望值,另一个变量也大于其自身的期望值,那么这两个变量的协方差就是正的。以横滚角为例,X轴旋转需要一个初始角度,Y、Z轴都会跟随X轴旋转而转动,我们认为Y轴平行于水平面时,横滚角Roll的角度为0。方差越小,数据的离散程度就越低。这里说一下K1,当K1不为0,说明角度误差和角速度误差之间存在相关性,那么角速度的误差ω不应该是一个恒定的常数。协方差方程中因子之间的相关性较大时,权重(相关系数)接近于1,也就是得到的结果取测量值的比例更大; 阅读详情

相关推荐

无人机姿态解算_扩展卡尔曼滤波(2)

扩展卡尔曼滤波

slowdownbabe的博客 2599

一文读懂卡尔曼滤波——卡尔曼滤波融合IMU的陀螺仪和加速度计实践(一)

卡尔曼的基本原理以及公式网上有很多,可以参照大神博客: https://blog.youkuaiyun.com/m0_38089090/article/details/79523784?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522162147991616780271580764%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=162147991

qq_31775031的博客 2万+

IMU 噪声克星来了!四轴姿态解算的 “滤波双引擎”:如何用卡尔曼 + 低通实现飞控 “稳如悬停”?

稳定精准的飞行姿态是四轴飞行器安全可控的核心,而这一目标依赖惯性测量单元(IMU)的加速度计与陀螺仪提供原始数据。然而,两种传感器受自身特性与飞行环境影响,均存在显著噪声:加速度计易受电机高频振动与动态惯性力干扰,输出信号波动剧烈,直接使用会导致姿态角抖动;陀螺仪虽实时性强,却存在高频随机噪声与时间漂移,积分后易累积角度误差。 针对两类传感器的 “噪声特性差异”,需采用差异化滤波策略:对加速度计,选用一维卡尔曼滤波,通过 “预测 - 更新” 的递归迭代机制,动态平衡模型预测与测量值的可信度,在高效滤除高频

m0_74313397的博客 1678

浅谈基于卡尔曼滤波器的姿态解算(一)

浅谈基于卡尔曼滤波器的姿态解算推导过程和结论公式

m0_37835056的博客 3746

从零到一:Halcon手眼标定的实战避坑指南

本文详细解析了Halcon手眼标定的完整流程,重点介绍了Eye-in-Hand和Eye-to-Hand两种模式的实操技巧与常见陷阱。通过九点法、N点法等实战案例,提供硬件配置检查、数据采集策略及误差修正方案,帮助开发者提升机械臂与视觉系统的协同精度,适用于工业自动化领域的精准定位与抓取任务。

neovim7hacker的博客 236

智能枕头

睡觉和吃饭是一样重要的,一个人想要健康的体魄,不仅要饮食得当,更需要有一个好的睡眠质量。随着人们生活品质的提高,人们对于睡眠的要求越来越高,那么就非常需要一款舒适的枕头。为了适应市场的需求,我爱物联网推出了智能枕头。因为智能枕头可以给头部及颈椎一个良好的承托力,舒适、柔软、放松,让人更好的进入睡眠。 目录 一、智能枕头方案介绍 二、智能枕头的优点 三、智能枕头功能介绍 四、智能枕头APP开发 五、...

6108我爱物联网方案开发优快云博客 3660

卡尔曼滤波姿态解算:消除陀螺仪漂移的原理与完整代码

在惯性测量系统中,陀螺仪积分漂移是导致姿态角长期不稳定性的核心难题。卡尔曼滤波作为一种最优状态估计算法,通过构建系统状态方程与观测模型,融合陀螺仪与加速度计数据,动态调节可信度权重,从而在动态响应与静态稳定性之间取得平衡。该算法不仅估计角度,还实时在线估计陀螺仪零偏,从根本上抑制漂移累积,比传统互补滤波具有更高的精度与自适应性。在无人机、机器人、运动传感器等嵌入式应用场景中,卡尔曼滤波已成为姿态解算的主流方案。本文围绕传感器融合技术,深入解析卡尔曼滤波在姿态解算中的数学原理、简化模型及工程实现,并给出可直接

weixin_42525264的博客 334

影刀RPA之成绩批量查询系统

自动化登录账号,读取数据表中内容去填写信息去查询,并判断多个数据不同的页面去不同的读取查询结果内容,如考生各项信息与各科成绩,总分和查询时间,采集出来到指定的数据表格中,等待时间并依次循环运行。主要功能。

2201_75330891的博客 1086

MPU6050使用卡尔曼滤波来获取数据

文章目录1、使用滤波来获取姿态角2、程序设计3、源码 关于滤波的方法来获取数据我们在第一篇文章其实就讲到了,但是没有讲怎么去使用他,因此这里就挑选一个用起来比较好的卡尔曼滤波来说明下,关于其他的比较好的滤波方式,可以见:https://zhuanlan.zhihu.com/p/228805569 1、使用滤波来获取姿态角 前面提到MPU6050 可以输出三轴的加速度和角速度。通过加速度和角速度都可以得到 Pitch 和 Roll 角(加速度不能得到 Yaw 角),就是说有两组 Pitch、Roll 角。 M

时时总结,常常分享 1万+

Altium Designer 17 PCB设计入门教程:从原理图到布线全流程

对于刚接触电子设计的工程师而言,PCB设计是一项基础且关键的工程技能。Altium Designer作为业界使用广泛的EDA工具,其17版本以成熟稳定的流程和大量现成教程资源,成为新手入门的高性价比选择。理解从原理图绘制、封装分配、到PCB布局布线的完整技术链路,是掌握硬件设计核心逻辑的必经之路。通过编译检查与DRC规则验证,设计者可在打样前规避开路、短路等常见电气错误,提升产品一次成功率。本文围绕AD17环境下的工程创建、初始偏好设置、常见报错排查及效率技巧展开,结合实际操作经验,帮助学习者快速建立一套可

weixin_42522669的博客 179

2025年下半年网络规划设计师综合知识真题及答案解析

1983年,ARPANet完成技术转型,对此后的 Internet发展全关重要,这一转型是指( ) A.电路交换转向分组交换 B.商业化转型 C.民用化转型 D.从 NCP 协议转向 TCP/IP 答案:D 解析:ARPANet 最初使用 NCP (Network Control Protocol)协议进行主机问通信。1983年1月1日,ARPANet 正式切换到TCP/IP 协议族,为后续Internet的发展奠定了统一协议基础。

鹿鸣天涯 945

【姿态解算】基于卡尔曼滤波实现车辆IMU 9轴姿态解算附Matlab代码

姿态解算是指通过传感器获取的数据,计算出物体在三维空间中的姿态角度,包括俯仰角、横滚角和偏航角。在车辆控制系统中,姿态解算是非常重要的,因为它可以提供精确的车辆姿态信息,帮助车辆控制系统更好地控制车辆。在车辆姿态解算中,IMU(惯性测量单元)是非常重要的传感器,它可以测量车辆的加速度、角速度和磁场强度等参数。使用IMU进行姿态解算,需要将IMU测量的数据进行处理,计算出车辆的姿态角度。基于卡尔曼滤波的姿态解算方法是目前比较常用的一种方法。

m0_57702748的博客 2360

Python全栈入门到实战【基础篇 04】核心基础:变量与4种基础数据类型(int/float/str/bool)

本文介绍了Python编程中的变量和四种基础数据类型,作为后续所有语法的入门前提。变量是数据的“容器”,解决数据复用问题,而数据类型决定数据能进行的操作。文章详细讲解了变量的定义语法、命名规则(强制语法和推荐风格)、赋值与修改原理,并通过实操示例展示其应用场景。正确使用变量可以提升代码复用性、简化修改并增强可读性,是编程效率的核心原则。掌握这些基础知识能避免90%的新手语法错误,为学习更复杂的Python语法打下坚实基础。

那些看似不起波澜的日复一日,会在某天让你看到坚持的意义 4332

卡尔曼滤波在陀螺仪角度获取中的运用(最大可能解决MPU6050零漂问题)

卡尔曼滤波在陀螺仪角度获取中的运用(最大可能解决MPU6050零漂问题)

m0_73931287的博客 7682

2025 提高电力交易价格预测的疾风大模型方法综述

电力现货市场价格预测正转向大模型驱动的新范式。传统方法在极端波动、政策突变等场景下表现不佳,而Transformer、预训练时序模型(如Chronos-Bolt)和LLM混合框架展现出显著优势。关键技术包括多模态数据融合、两段式预训练微调、MoE架构和LLM-RAG增强解释性。案例显示,澳大利亚NSW市场误差降低43%,但混合模型路由仍必要。未来趋势涵盖数字孪生电网和多智能体竞价,需平衡模型创新与行业合规要求。大模型通过跨域学习与业务耦合提升预测,但需持续优化数据隐私、算力消耗和极端事件应对能力。

专注AI大模型,软件混淆,授权 1057

uniapp - 解决uni.getLocation定位不准有偏差,定位经纬度不准确有几百米误差、获取地图定位有偏差怎么办,已配置高精确度但依旧不精准(uni.getLocation定位不准如何解决)

uni.getLocation,获取当前的地理位置、速度。已经设置altitude高精度,uniapp API获取定位有差异问题解决,获取定位有几百米偏差,uni.getLocation(OBJECT)中使用默认type ”wgs84“会导致定位不准的问题,gcj02,uni.getLocation地图定位不准,获取经纬度错误偏移了几十公里,经纬度的精确度误差,怎么消除经纬度偏差,解决 uniapp uni.getLocation 定位经纬度不准问题,使用定位不准,定位不准误差问题,解决定位不准问题,高德地

✅ 精选推荐文章 1万+

扩展卡尔曼滤波算法在陀螺仪姿态融合中的应用——上

基于玺佬的卡尔曼滤波器专栏的一小部分总结

weixin_54448108的博客 1958

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

mpu6050姿态解算与卡尔曼滤波(1)数学

定义地理坐标系n系:x轴指向东,y轴指向北,z轴指向天。在mpu6050芯片上定义载体坐标系b系。那么b系的姿态就是指n系与b系相对的旋转关系,即如何由n系旋转到b系。 描述这种旋转关系通常使用欧拉角(ψ,θ,γ)T(\psi, \theta,\gamma)^T,姿态矩阵T(3x3),四元数Q=(q0,q1,q2,q3)TQ=(q_0,q_1,q_2,q_3)^T。 欧拉角指的是将n系按照z轴

qiguizhe的博客 2万+

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

mpu6050姿态解算与卡尔曼滤波(2)卡尔曼滤波

卡尔曼滤波,是当前最优估计理论中十分重要的一个部分。 要全面地理解卡尔曼滤波,你需要一点统计学的知识,以及一点矩阵理论。通常最优估计理论的教材是从最小二乘估计讲起,接着讲到最小方差估计,极大似然估计以及维纳滤波,再到卡尔曼滤波、扩展卡尔曼、无迹卡尔曼——-这是从统计的角度来理解卡尔曼滤波。 事实上,卡尔曼滤波与《自动控制原理》中的状态观测器非常相似。状态观测器利用原系统的输入输出来估计系统状态

qiguizhe的博客 2万+

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

感知定位篇之IMU:陀螺仪和加速度计及互补滤波

机器人姿态的获取常常依赖于IMU,IMU全称Inertial Measurement Unit,惯性测量单元,主要用来检测和测量加速度与旋转运动的传感器。其原理是采用惯性定律实现的,这些传感器从超小型的的MEMS传感器,到测量精度非常高的激光陀螺,无论尺寸只有几个毫米的MEMS传感器,到直径几近半米的光纤器件采用的都是这一原理。板载IMU示意图IMU模块最基础的惯性传感器包括加速度计和角速度计(陀螺仪),他们是惯性系统的核心部件,是影响惯性系统性能的主要因素。

qq_60513199的博客 1万+

六轴传感器+卡尔曼滤波+一阶低通滤波

  直立控制是通过角度与角速度反馈来进行的,所以角度与角速度的测量至关重要。本系统使用 MPU6050 作为姿态传感器,集成一个加速度传感器和一个陀螺仪,可以输出三轴的加速度与角速度。角速度的获取可以通过陀螺仪来直接读取,角度的获取可以有两种方法来测量:一是通过加速度计的加速度分量来计算,二是通过陀螺仪输出的角速度进行积分获得。   MPU6050 的坐标系定义如图1-1 。               当仅绕Y 轴旋转时也是同样的原理。当绕Z 轴旋转时,因为重力加速度固定为Z 轴方向,故在X 与Y 轴无加

Lim的博客 6万+

kalman姿态解析, 带公式推导, 带注解说明, 带源码

一. 本博文的目标 推导kalman姿态解析的公式。 根据公式直接导出代码,保证代码可用(不看理论的情况下:也能轻松使用),并且代码和公式完全匹配。 解释部分参数的含义、调试心得。 二. 概要 1. 本文存在的意义: 现在已近用很多的关于kalman姿态解析的文章、论文了,为什么我还要继续? 答:很多文章只讨论了公式、理论,却没用代码。有些有代码(因为极度优化)不知道是什么鬼,其中是否...

weixin_38887369的博客 1516

【处理IMU、GPS传感器】现了多种姿态解算算法,如卡尔曼滤波、扩展卡尔曼滤波等,以提高导航系统的精度和稳定性(Matlab代码实现)

提供了丰富的数据处理和分析功能,包括数据校准、误差补偿、数据融合等,以确保导航系统的可靠性和准确性。文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。- 实现了多种姿态解算算法,如卡尔曼滤波、扩展卡尔曼滤波等,以提高导航系统的精度和稳定性。- 支持多种不同类型的惯性传感器,包括加速度计、陀螺仪和磁力计,以满足不同应用的需求。- 支持实时导航和后处理导航两种模式,以满足不同用户的实时性和精度要求。博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。

weixin_67304359的博客 1293

卡尔曼滤波实现车辆IMU 9轴姿态解算附Matlab实现

姿态解算是指通过传感器获取的数据,计算出物体在三维空间中的姿态角度,包括俯仰角、横滚角和偏航角。在车辆控制系统中,姿态解算是非常重要的,因为它可以提供精确的车辆姿态信息,帮助车辆控制系统更好地控制车辆。在车辆姿态解算中,IMU(惯性测量单元)是非常重要的传感器,它可以测量车辆的加速度、角速度和磁场强度等参数。使用IMU进行姿态解算,需要将IMU测量的数据进行处理,计算出车辆的姿态角度。基于卡尔曼滤波的姿态解算方法是目前比较常用的一种方法。

m0_60703264的博客 2266

STM32卡尔曼滤波

STM32卡尔曼滤波

weixin_36752415的博客 3402
上一篇: 逆向工程RimWorld地形数据:从存档解析到自定义地图生成
下一篇: STK11.6安装全攻略:从下载到场景创建
linux6sysadmin
博客等级 码龄4年 59粉丝 1615原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值