- 博客(14)
- 收藏
- 关注
RSS订阅原创 【BMS电池管理】基于BQ76920与STM32的BMS设计开发
本文设计并实现了一款基于BQ76920芯片的BMS电池管理保护板，该方案针对传统BMS存在的测量精度不足、保护响应滞后和集成度低等问题，结合STM32微控制器构建了高精度、高安全性的电池管理系统。系统采用BQ76920作为模拟前端，实现±10mV电压测量精度和硬件级保护功能，支持35μs快速响应；通过I2C通信与STM32协同工作，完成数据采集、SOC估算和均衡控制等功能。硬件设计包含主控电路、通信接口和电源管理模块，PCB布局优化了信号完整性。该方案在保证性能的同时降低成本30%以上，适用于轻型电动车、储
2025-09-10 16:06:57
3493
5
原创 【FOC磁场定向控制】自制FOC驱动器
无刷直流电机矢量控制（FOC）技术广泛应用于新能源汽车、工业机器人等领域。文章首先介绍了无刷电机的基本原理，包括六步换相法和三相全桥逆变电路。重点阐述了FOC核心算法：Clarke变换将三相电流降维为二维矢量，Park变换建立旋转坐标系模型以实现磁场与转矩解耦控制。最后分析SVPWM技术相比传统SPWM在电压利用率上的优势，通过波形优化提升电机性能。全文系统梳理了无刷电机矢量控制的理论框架和关键技术。
2025-09-10 15:54:36
1087
原创 【协议篇】OneWire
本文详细分析了单总线(1-Wire)协议及其在DS18B20温度传感器中的应用。单总线技术采用单根信号线完成数据传输，其通信协议包括初始化序列（复位脉冲和应答脉冲）以及严格的读写时序规范。在DS18B20温度读取过程中，通过初始化单总线、发送跳过ROM指令（0xCC）和读取暂存器指令（0xBE），接收并合并温度数据高低字节，最终转换为实际温度值。该研究为单总线传感器的应用提供了具体的技术参考，清晰地展示了单总线协议的工作原理与实现方法。
2025-09-09 22:54:03
968
原创 【卡尔曼滤波算法剖析】1.9 扩展卡尔曼滤波（EKF）
本文介绍了扩展卡尔曼滤波(EKF)算法，它是经典卡尔曼滤波在非线性系统中的扩展应用。EKF通过泰勒展开和雅可比矩阵对非线性系统进行线性化处理，将非线性状态方程和观测方程转化为线性近似形式。文章详细推导了EKF的数学公式，包括状态预测、协方差矩阵更新等关键步骤，并解释了如何通过雅可比矩阵处理非线性函数。最后给出了EKF的完整算法流程，为非线性系统状态估计提供了有效解决方案。
2025-08-24 22:40:23
633
原创 【卡尔曼滤波算法剖析】1.8卡尔曼滤波算法完整公式
卡尔曼滤波是一种基于"预测-更新"框架的最优线性估计算法。它通过状态转移模型预测系统状态和协方差，再结合观测数据最小化估计误差进行修正，在存在过程噪声和测量噪声的情况下实现最小均方误差估计。该算法的核心思想是通过递归方式交替进行预测和更新，最终获得系统状态的最优估计。参考资料引用了DR_CAN的bilibili视频教程。
2025-08-23 22:35:24
238
原创 【卡尔曼滤波算法剖析】1.7卡尔曼滤波器
本文介绍了卡尔曼滤波算法，这是一种基于"预测-更新"递归框架的最优线性估计器。文章详细推导了卡尔曼滤波的状态空间方程、先验估计、后验估计和卡尔曼增益的计算过程，并给出了误差协方差矩阵的数学推导。通过最小化估计协方差进行后验校正，卡尔曼滤波能在过程噪声和测量噪声并存的环境下给出最小均方误差意义下的最优估计。文中还展示了误差协方差矩阵的递推公式，并给出了完整的卡尔曼滤波计算过程。
2025-08-23 22:34:56
370
原创 【卡尔曼滤波算法剖析】1.6 检测误差与迹
卡尔曼滤波通过最小化估计误差协方差矩阵的迹（对角线元素之和）来优化增益矩阵K_k。该过程首先定义检测误差e_k及其协方差矩阵P_k，通过状态空间方程推导误差表达式，并利用矩阵运算展开P_k的表达式。最终通过求迹运算将问题转化为寻找使tr(P_k)最小的K_k值，从而保证估计值最接近实际值。这一数学推导过程体现了卡尔曼滤波在噪声环境下实现最优估计的核心机制。
2025-08-23 22:34:24
756
原创 【卡尔曼滤波算法剖析】1.5 状态空间方程与后验估计值
卡尔曼滤波是一种基于"预测-更新"框架的最优线性估计算法。它通过状态转移模型预测系统状态，再利用观测数据进行校正，在过程噪声和测量噪声并存的情况下实现最小均方误差估计。核心在于计算卡尔曼增益K_k来平衡预测值与测量值的权重：当K_k=0时完全信任预测值，K_k=1时完全信任测量值。算法通过动态调整K_k使估计值最优逼近真实值，从而在噪声环境下实现高精度状态估计。
2025-08-23 22:32:52
1035
原创 【卡尔曼滤波算法剖析】1.4 状态空间方程与先验估计值
卡尔曼滤波是一种基于"预测-更新"框架的最优线性估计算法。它通过状态空间方程建模系统动态，利用先验估计（状态转移模型）和观测数据进行递归融合。算法中过程噪声和测量噪声分别用协方差矩阵Q和R表示，通过最小化估计协方差实现最优状态估计。核心思想是将不准确的模型预测值与测量值进行数据融合，从而在噪声环境下获得最小均方误差意义下的最优估计结果。该算法广泛应用于导航、控制等领域。
2025-08-23 22:32:20
929
原创 【卡尔曼滤波算法剖析】1.3 协方差矩阵
卡尔曼滤波算法是一种基于"预测-更新"递归框架的最优线性估计器。文章首先介绍了协方差矩阵的计算方法，包括方差和协方差的数学表达式。随后通过弹簧阻尼系统的实例，展示了如何建立系统状态空间方程，将连续系统离散化，并考虑过程噪声和测量噪声的影响。最后提出通过融合计算结果和测量数据来获得更精确的状态估计。该算法能够在噪声环境下实现最小均方误差意义下的最优估计。文中引用了DR_CAN的相关教学资料作为参考。
2025-08-23 22:30:08
1003
原创 【卡尔曼滤波算法剖析】1.2 数据融合
本文介绍了卡尔曼滤波算法及其在数据融合中的应用。卡尔曼滤波是一种基于"预测-更新"框架的最优线性估计器，通过状态转移模型和观测数据进行最优估计。文章以两个秤称重为例（30g和32g，标准差分别为2g和4g），推导了卡尔曼增益K的计算公式，最终得到最优估计值为30.4g，标准差为1.79g。该过程展示了如何通过最小化方差来融合不同精度的测量数据，体现了卡尔曼滤波在噪声环境下实现最优估计的原理。
2025-08-23 21:18:05
1672
原创 【卡尔曼滤波算法剖析】1.1 基本卡尔曼滤波器
卡尔曼滤波是一种基于"预测-更新"框架的最优线性估计算法。它通过状态转移模型预测系统状态，再结合观测数据进行修正，在噪声环境下实现最小均方误差估计。核心公式为：当前估计值=上次估计值+卡尔曼增益×(当前测量值-上次估计值)。卡尔曼增益由估计误差和测量误差决定：当估计误差较大时更信任测量值，反之则更依赖历史估计。算法通过递推方式逐步修正估计值，仅需上一次估计和当前测量即可更新状态，具有高效和实时性的特点。该算法广泛应用于导航、控制等领域。
2025-08-23 21:16:25
799
原创 【UWB定位技术】基于DW3000芯片与STM32的定位通信模块设计与实现
本文基于DW3000芯片设计实现了一款UWB定位通信模块，通过集成双向测距、TDoA与PDoA技术实现厘米级定位精度。模块采用STM32微控制器与DW3000芯片结合，支持双频段通信与低功耗运行。硬件上详细解析了DW3000的SPI接口机制与射频通信协议，软件上实现了DS-TWR测距算法与PDoA角度估计。系统采用基站-标签分布式架构，基站选用双天线DW3220芯片支持角度测量，标签采用低功耗DW3210芯片。测试表明模块在10米范围内定位误差小于10厘米，具备定位与通信一体化能力，适用于高精度实时定位场景
2025-07-05 23:23:30
3065
2
原创 【STM32实战项目】基于STM32的粉尘检测仪
本文设计了一种基于STM32的高精度粉尘检测系统，采用模块化架构包含感知层、控制层和交互层。硬件方面构建了以STM32F103C8T6为主控的核心电路，集成GP2Y1014AU0F光学粉尘传感器、DHT11温湿度模块、OLED显示屏等功能单元；通过WiFi模块实现数据云端传输。系统采用脉冲驱动和定时采样技术获取粉尘浓度，结合阈值算法自动触发除尘装置，实现了环境粉尘的实时监测与智能调控。测试结果表明，该系统具有测量精度高、响应速度快的特点，为粉尘污染治理提供了有效的技术解决方案。
2025-06-26 19:26:01
1845
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人