android 加速度过滤,如何校准Android加速度计并降低噪音，消除重力

你是如何处理抖动的？ 您平滑数据。 不是将传感器的值序列视为您的值，而是持续对它们进行平均，并且形成的新序列将成为您使用的值。 这使每个抖动值更接近移动平均值。 平均值必然消除相邻值的快速变化..这就是人们使用术语低(频率)通过滤波的原因，因为最初每个样本(或单位时间)可能变化很大的数据现在变化得更慢。

例如，您可以通过多种方式对这些值进行平均，而不是使用值10 6 7 11 7 10。 例如，我们可以使用下一个原始数据点从运行平均值(即最后处理的数据点)的相等权重计算下一个值。 使用50-50混合以获得上述数字，我们得到10,8,7.5,9.25,8.125,9.0675。 这个新序列，即我们处理过的数据，将用于代替噪声数据。 当然，我们可以使用不同的混合比50-50。

作为类比，假设您仅使用视力报告某个人所在的位置。 你可以很好地了解更广阔的景观，但这个人却被迷雾笼罩。 你会看到引起你注意的身体碎片……左手移动，右脚移动，擦掉眼镜等，这些都是紧张不安的，但每个值都非常接近真正的质心。 如果我们运行某种运行平均值，那么当它在雾中移动时，我们会得到接近该目标质量的值，并且实际上比我们(传感器)报告的值更准确。多雾路段。

现在看来我们正在失去潜在的有趣数据以获得无聊的曲线。 虽然这很有道理。 如果我们试图重建雾中人物的准确图像，首要任务是获得质心的良好平滑近似。 为此，我们可以添加来自互补传感器/测量过程的数据。 例如，一个不同的人可能接近这个目标。 那个人可能会提供非常精确的身体动作描述，但可能会在浓雾中，并且不知道目标最终的位置。 这是我们最初得到的补充位置 – 第二个数据准确地给出了细节而没有大致的位置感。 这两个数据将被拼接在一起。 我们低通第一组(就像你在这里提出的问题一样)，以获得无噪音的一般位置。 我们高通第二组数据以获得详细信息，而不会对一般位置产生不必要的误导性贡献。 我们使用高质量的全球数据和高质量的本地数据，每组都以互补的方式进行优化，并且不会破坏另一组(通过2个filter)。

具体来说，我们混合了陀螺仪数据 – 在“树木”的局部细节中准确但在森林中漂移的数据(漂移) – 这里讨论的数据(来自加速度计)，它看到森林很好但是不是树木。

总而言之，我们从传感器中低通数据，这些传感器是紧张但仍然接近“质心”。 我们将这个基本平滑值与细节精确但漂移的数据相结合，因此第二组是高通滤波的。 当我们处理每组数据以清除不正确的方面时，我们将获得两全其美。 对于加速度计，我们通过在其测量值上运行一些运行平均值的变化来有效地平滑/低通数据。 如果我们正在处理陀螺仪数据，我们会做有效保持细节(接受增量)的数学，同时拒绝最终会增长并破坏加速度计平滑曲线的累积误差。 怎么样？ 基本上，我们使用实际的陀螺仪值(不是平均值)，但在得出总的最终清洁值时，使用少量样本(增量)。 使用少量增量保持整体平均曲线大部分沿着由低通阶段(通过平均加速度计数据)跟踪的相同平均值，其形成每个最终数据点的大部分。