基于互补滤波器的四旋翼飞行器姿态解算

针对小型四旋翼飞行器姿态解算这一基本问题,详细分析了姿态解算的过程,提出了其中的难点问题.应用低成本捷联惯性测量单元,设计了一种基于互补滤波器算法的姿态求解器.经过实验验证表明:与目前常用的卡尔曼滤波算法相比,采用互补滤波器算法的求解器能显著降低对处理器速度和精度的要求,有效融合了捷联惯性测量单元的传感器数据,实现了小...     

基于卡尔曼滤波的四元数姿态解算算法研究

针对MEMS惯性测量单元器件特性导致的测量精度低,数据发散和航向角积分漂移等问题,提出一种基于卡尔曼滤波的四元数姿态解算算法。设计了4维卡尔曼滤波器,通过加速度计和磁力计的数据作观测量,对姿态解算过程中的四元数进行线性最优估计,在计算量没有大幅提高的前提下修正了四元数的值,进而完成了对姿态角和姿态矩阵的补偿。通过在无磁转台上进行静态测试以及在测试标定系统上进行动态测试,分析各轴向的补偿效果表明,该方法可以有效增强MIMU的动态跟随性能、明显提升姿态解算精度。     

基于惯性/磁力传感器与单目视觉融合的SLAM方法

针对单目视觉SLAM（同时定位与地图构建）算法没有尺度信息以及在相机移动过快时无法使用的问题,提出了一种IMU（惯性测量单元）!!/磁力传感器与单目视觉融合的SLAM方法．首先,提出了一种模糊自适应的九轴姿态融合算法,对IMU的航向角进行高精度估计．然后,采用单目ORB-SLAM2（oriented FAST and rotated BRIEF SLAM2）算法,通过IMU估计其尺度因子,并对其输出的位姿信息进行尺度转换．最后,采用松耦合方式,对IMU估计的位姿和ORB-SLAM2算法经过尺度转换后的位姿,进行卡尔曼滤波融合．在公开数据集EuRoC上进行了测试,测试结果表明本文方法总的位置均方根误差为5.73 cm．为了进一步在实际环境中验证,设计了全向移动平台,以平台上激光雷达所测的位姿数据为基准,测试结果表明本文方法的旋转角度误差小于5°,总的位置均方根误差为9.76 cm．     

基于PID的四旋翼飞行器姿态控制系统

飞行控制系统很大程度上决定了四旋翼飞行器的飞行性能。分析飞行器模型,并在此基础上设计实现一种基于PID(Proportion, Integration, Differentiation)控制方法的飞行器姿态控制系统。整个控制系统包括第1阶段的四元数姿态解算（PI）和第2阶段的油门计算（PID）。通过PI方法融合加速度和角速度传感器的输出,计算出飞行器当前的姿态角;通过PID方法融合当前姿态和目标姿态控制电机油门输出。上位机通过蓝牙获取飞行器数据,结果显示该系统能很好地保持飞行器的稳定姿态。     

基于ARM的四旋翼姿态控制器设计

四旋翼姿态控制器采用集成了加速度计和陀螺仪的惯性测量单元,实时采集姿态数据,传输给Cortex-M4内核的处理芯片,利用四元数姿态解算方法,对加速度和角速度数据融合解算处理;采用位置式PID控制算法,控制4个无刷电机的转速,实现控制四旋翼飞行器的飞行姿态;建立万向云台调试系统,通过实践调试验证该控制器能实现控制四旋翼姿态的稳定性;稳定飞行时,姿态角的平均振荡范围为5°。     

低成本无人机姿态测量系统研究

由于低成本的MEMS惯性器件本身的限制,单独使用时精度低、稳定性差,在短时间内会产生较大的误差,无法完成长时间中等精度的导航,解决这个问题常用的方法是采用现代信息融合技术来提高姿态测量系统的精度。利用地磁场、重力场这2个姿态参考向量,采用扩展Kalman滤波(EKF)对不同来源姿态数据进行数据融合,实现了低精度MIMU与磁传感器组合航姿系统。仿真和实验证明:3个姿态角的静态误差小于0.5°,航向角的动态误差小于3°,该系统能够保证无人机姿态测量的精度。     

AHRS航姿解算中的两种滤波方法的比较研究

关于飞行姿态角优化问题,由于加速度计的测量值中同时包含了重力加速度和运动加速度信息,并且磁传感器易受铁磁性物质干扰,直接利用加速度计的测量值计算横滚角和俯仰角易产生较大误差,进而在利用磁传感器的测量值计算航向角时也将会引入了误差.为了减小加速度计和磁传感器的姿态解算算法所解算的姿态角误差,提出利用陀螺仪的输出,分别设计了互补滤波器和卡尔曼滤波器(Kalman Filter)对加速度计和磁传感器的输出进行处理,采用VN-100的微惯性测量单元(Micro Inertial Measurement Unit,MIMU)的数据进行MATLAB仿真,并对两种滤波器的滤波效果进行了比较.实验结果表明,互补滤波和Kalman滤波均能提高该算法的姿态角精度,并且互补滤波器比Kalman滤波器效率更高,性能更好.     

农情监测四旋翼飞行器姿态控制仿真与实现

为解决垦区农作物生长环境监测问题,提出使用搭载高光谱相机的四旋翼飞行器低空航拍的方法.建立了四旋翼飞行器运动学模型和动力学模型.使用旋转矢量插值法解算飞行器的姿态,使用基于卡尔曼滤波器的PID控制算法对飞行器姿态进行控制.对系统进行了Matlab仿真,并通过设计硬件电路和编写软件实现了功能.通过试飞,验证了以上理论与方法的可行性.     

融合IMU的RGBD-SLAM算法改进研究

Kinect采集的图像数据特征点稀少或缺失时,会导致RGBD-SLAM算法的定位和3D构图发生定位失效和极大构图误差,为此提出一种结合惯性传感器IMU、体感传感器Kinect以及机器人本身运动状态的改进定位算法。通过对姿态先比较再融合,利用IMU的测量数据对位移构建预估模型,利用Kinect位姿估计的结果构建观测模型,将机器人的运动指令和运动限制作为约束条件进行扩展卡尔曼滤波(extended Kalman filter,EKF)融合,改善机器人的定位效果。实验结果表明,该方法能够有效提高机器人的定位精度,改善RGB-D SLAM算法的构图效果。     

EKF与互补融合滤波在姿态解算中的研究

传统的信号滤波方法不能有效的融合多传感器测量数据,或者融合中失去过去信号状态信息.针对这一问题,提出了扩展卡尔曼滤波(Extended kalman filtering,EKF)与互补滤波融合的信号处理策略.借助STM32微处理器采集MPU9250惯性测量传感器的原始数据,运用多传感器信息融合的处理算法,比较了互补滤波姿态解算结果和对互补滤波过程中所得的四元数运用EKF矫正后进行姿态解算的结果,以及互补滤波解算的欧拉角运用EKF矫正后的姿态数据.通过实验中3种解算结果与理论值的对比,得出结论:采用互补滤波会存在一定超调量,且结果波动较大,存在较大的噪声,对互补滤波过程中的四元数进行EKF滤波虽能降低解算结果的噪声,但仍存在超调量.而应用EKF矫正互补滤波解算出的欧拉角能同时解决超调量和降低噪声误差,抑制了随机波动,起到了更好的解算效果.     

MEMS惯性传感器ADIS16355在姿态测量中的应用

设计了基于微电子机械系统(Microelectro mechanical system,MEMS)惯性传感器集成模块ADIS16355的姿态测量系统。该姿态测量系统采用ADIS16355作为惯性测量单元,利用加速度计对重力向量的观测来修正陀螺给出的姿态信息,卡尔曼滤波实现传感器信息融合以计算运动载体的姿态角。介绍了ADIS16355的基本功能模块,阐述了两种传感器融合测量实时姿态角的方法并给出了卡尔曼滤波算法迭代过程。基于ARMv7架构的Cotex-M3微处理器设计了姿态测量系统硬件。采用AHRS500GA对该姿态测量系统性能进行了测量姿态角的验证实验。测试结果表明,该姿态测量系统能在动态条件下准确地测定运动物体实时姿态角,其误差一般在±1°左右。     

基于UKF的MEMS传感器姿态测量系统

针对工业和民用领域对姿态测量的需求,提出了基于MEMS加速度计、陀螺仪和磁强计的姿态测量系统,并采用无先导卡尔曼滤波(Unscented Kalman Filter,UKF)方法处理传感器数据.针对基于加速度计和磁强计的姿态测量方式在动态测量时不准确的问题和单独采用陀螺仪测量角度产生漂移的问题,设计了基于方向旋转矩阵的...     

基于MEMS传感器的微型姿态确定系统研究

针对捷联式姿态确定系统误差随时间积累的缺点,设计了一种由MEMS陀螺、加速度计及微磁强计组合的姿态确定系统。采用Allan方差方法分析了陀螺随机误差,通过建立姿态误差四元数微分方程和磁强计线性化测量方程,设计了姿态估计卡尔曼滤波器。系统采用实际测量值进行姿态解算,结果表明这种组合能够有效抑制传感器随机漂移引起的姿态误差,系统具有体积小、成本低、性能可靠等优点。     

互补滤波和卡尔曼滤波的融合姿态解算方法

针对捷联惯性测量单元(IMU)噪声大、精度低的缺点和常规的姿态解算算法精度不高等问题,提出了一种互补滤波和卡尔曼滤波相结合的融合算法.该算法基于姿态角微分方程建立系统的状态方程模型,利用互补滤波后的姿态角作为系统的观测量,再应用扩展卡尔曼滤波(EKF)算法融合了陀螺仪、加速度计和电子罗盘的测量数据.为验证该算法有效性,用带有传感器的开发板依次进行静态和动态测试,实验结果表明:结合了互补滤波和卡尔曼滤波的融合算法,在静态时能够抑制姿态角漂移和滤出噪声,在动态时能够快速跟踪姿态的变化,提高了姿态角的解算精度.     

基于PI自适应卡尔曼滤波的无人机姿态解算算法

针对无人机姿态解算过程中,机载加速度计噪声时变,导致姿态估计值出现较大误差的问题,提出了一种基于PI自适应卡尔曼滤波的姿态解算算法,通过监视残差方差的理论值与实际值的差值,利用PI控制算法对观测噪声协方差矩阵进行在线修正,来解决由于噪声估计不准而导致滤波发散的问题。实验结果表明,即使是在无人机的姿态发生剧烈变化时,该算法依然具有良好的精度,鲁棒性较好。     

基于预估测量值的EKF在手臂测姿中的应用

针对载体线性加速度以及周围局部磁干扰对姿态测量精度的影响,基于已有的惯性测量单元,设计了一个基于四元数的实时估计手臂姿态的扩展卡尔曼滤波器(EKF)。提出利用四元数引入加速计和磁强计的预估测量值构造自适应测量噪声协方差阵的方法,结合QUEST算法,来判定姿态角解算对陀螺仪、加速计和磁强计输出信息的依赖程度,以此来提高测量精度。文末通过实验仿真对该方法进行了验证,并对实验结果和电磁跟踪系统采集到的数据进行了比较,结果表明,本文提出的方法能显著提高手臂姿态测量精度,可有效满足应用要求。     

基于自适应滤波的MEMS姿态确定方法

针对消费类电子设备对姿态测量系统的需求,本文提出了一种基于MEMS加速度计、陀螺仪和磁强计的九轴姿态确定算法.针对实际系统中传感器量测噪声未知的情况,首先介绍了一种基于矢量观测器的矩阵Kalman滤波姿态确定算法,然后利用残差匹配技术,设计了一种基于残差匹配的自适应滤波方法.论文采用自适应滤波对传感器量测噪声进行估计,并将估计的量测噪声代入线性矩阵Kalman滤波算法,有效解决了线性矩阵Kalman滤波需要准确量测噪声统计信息的缺陷.最后设计了仿真实验验证本文提出的算法,并将其与线性矩阵Kalman滤波算法比较.仿真结果表明,自适应矩阵Kalman滤波的姿态旋转误差角为0.6091°,标准差为0.3009°,能够有效的估计传感器量测噪声,并具有更高的姿态确定精度和稳定性.