CN106621318A - 一种基于传感器mpu6050采集信号的手柄摇杆***和方法 - Google Patents

Abstract

本发明是关于一种基于传感器mpu6050采集信号的手柄摇杆***和方法，属于手柄领域。包括：信号采集模块、无线收发模块、GPIO按键模块、电源稳压模块和测压模块，所述信号采集模块分别与所述无线收发模块、GPIO按键模块、电源稳压模块和测压模块连接，所述信号采集模块包括微处理器K60和摇杆装置,所述无线收发模块包括与微处理器K60连接的NRF24L01无线射频模块，所述GPIO按键模块包括外部按键和LED指示灯，所述电源稳压模块包括电池和稳压芯片LM‑2596，所述测压模块包括电压比较器LM301A。有益效果是：本发明能获得更好的动态性能和静态性能，获得更高的准确度、平稳度和舒适度，从而能获得更好的用户体验。

Description

一种基于传感器mpu6050采集信号的手柄摇杆***和方法

技术领域

本发明涉及手柄领域，尤其涉及一种基于传感器mpu6050采集信号的手柄摇杆***和方法。

背景技术

随着当今社会经济的不断进步以及科学技术的日益发展，人们日常的娱乐方式也越来越丰富。其中电子游戏和无人机是比较常见的娱乐项目，尤其无人机作为新兴的娱乐方式也收到了更多人的欢迎和喜爱，二者都需要使用手柄进行操作，而高精度的摇杆手柄能使用户获得更好的体验。当前市场上传统的手柄摇杆多以电位器作为角度采集元件，由于电位器是易损元件，摩擦力大，易造成摇杆的控制精度和耐用度下降，并且这一类元件具有一定的反向空程、磨损大、动态性能差等现象，造成使用过程中的不稳定。所以人们需要一种准确度、平稳度和舒适度更高的摇杆手柄进行电子游戏的控制和无人机的遥控。

发明内容

为了克服现有的摇杆手柄具有一定反向空程、磨损大、动态性能差的缺陷，本发明提供一种基于传感器mpu6050采集信号的手柄摇杆***和方法，该手柄摇杆***能获得更好的动态性能和静态性能，获得更高的准确度、平稳度和舒适度，从而能获得更好的用户体验。所述技术方案如下：

一种基于传感器mpu6050采集信号的手柄摇杆***，包括：信号采集模块、无线收发模块、GPIO按键模块、电源稳压模块和测压模块，所述信号采集模块分别与所述无线收发模块、GPIO按键模块、电源稳压模块和测压模块连接，所述信号采集模块包括微处理器K60和摇杆装置,所述无线收发模块包括与微处理器K60连接的NRF24L01无线射频模块，所述GPIO按键模块包括外部按键和LED指示灯，所述电源稳压模块包括电池和稳压芯片LM-2596，所述测压模块包括电压比较器LM301A。

进一步的，所述摇杆装置包括摇杆、旋转球、压缩弹簧、芯片A和芯片B，所述摇杆穿过旋转球分别连接芯片A和芯片B，所述压缩弹簧一端与所述旋转球连接，所述芯片A和芯片B的距离为100mm，所述芯片A和芯片B为传感器mpu6050，所述芯片A和芯片B分别与微处理器K60连接。

进一步的，所述电源稳压模块选用7.2V电压电池。

进一步的，所述GPIO按键模块还包括LCD显示屏。

本发明还包括一种基于传感器mpu6050采集信号获得摇杆位置的方法，步骤如下：

S1、在摇杆装置上建立右手笛卡尔坐标系为绝对坐标系，用芯片B的几何中心为原点，x、y和z轴表示固定参考坐标系F_(x，y，z)，用芯片A的几何中心为原点，n、o和a轴表示运动坐标系F_(n，o，a)；

S2、手指拨动摇杆，芯片B进行数据采集，获得绕x轴方向上旋转α角度，绕y轴方向上旋转β角度；芯片A进行数据采集，获得绕n轴方向上旋转γ角度，绕o轴方向上旋转δ角度；

S3、微处理器K60通过IIC协议读取数据，并采用扩展卡尔曼滤波将传感器收集的角度数据进行融合并对误差进行补偿,得到手柄摇杆的最优估计值；

S4、在固定参考坐标系中使用位置向量P建立数学模型为：

式中，n、o和a表示方向向量；p表示位置向量；x、y和z为坐标轴；

S5、使用手柄摇杆补偿后得到的最优估计值建立向量p_xyz相对坐标方程式为：

p_xyz＝Rot(y,β)Rot(x,α)Rot(n,(γ-α))Rot(o,(δ-β))p_noa

p_xyz为手柄摇杆几何中心变换后的坐标点；

S6、建立向量p_xyz的矩阵方程：

S7、进一步处理向量得：

S8、获得在平面xy内的坐标：

横坐标为：

p_x＝180(sin(δ-β)cosβ-sin(γ-α)cos(δ-β)sinβsinα+cos(γ-α)sin(δ-β)sinβcosα)

纵坐标为：

p_y＝-180(sin(γ-α)cos(δ-β)cosα+cos(γ-α)sin(δ-β)sinα)；

进一步的，S2中，通过扩展卡尔曼滤波建立***状态方程和观测方程，如下：

X_K+1＝f(X_K)+w_K+1

Y_K＝h(X_K)+v_K

式中，X_K+1为***在k+1时刻的状态变量，Y_K为***在k时刻的测量变量，w、v为零均值高斯白噪声。

通过非线性函数泰勒级数展开线性化方法，可以近似的表示初始***的状态方程和观测方程，如下：

式中，F_X(K)和F_w分别是对X、v的偏导数；H_X(K)和H_v分别是对X、w的偏导数。

预测前的状态估计^[：

预测前的方差估计：

式中，Q(K)为K时刻的过程激励噪声协方差矩阵。***通过实时调整修正后，得出状态更新方程。其增益矩阵、状态估计和方差估计分别为：

本发明的有益效果是：

本发明所述的基于传感器mpu6050采集信号的手柄摇杆***和方法能获得更好的动态性能和静态性能，获得更高的准确度、平稳度和舒适度，从而能获得更好的用户体验。

附图说明

图1为本发明***结构框图；

图2为本发明摇杆装置结构图；

图3为本发明微处理器K60与传感器mpu6050数据传输接口图；

图4为本发明微处理器K60与无线射频模块NRF24L01通信接口图；

图5为本发明电源稳压模块LM2596和测压模块LM301A电路图。

具体实施方式

实施例1：

一种基于传感器mpu6050采集信号的手柄摇杆***，包括：信号采集模块、无线收发模块、GPIO按键模块、电源稳压模块和测压模块，所述信号采集模块分别与所述无线收发模块、GPIO按键模块、电源稳压模块和测压模块连接。

所述信号采集模块包括微处理器K60和摇杆装置,所述K60为微处理器MK60N512VLQ100。

所述无线收发模块包括与微处理器K60连接的NRF24L01无线射频模块，NRF24L01无线射频模块是一款新型单片机射频收发器件，工作于2.4～2.5GH ISM频段，内置频率合成器，并融合了增强ShockBurst技术。其输出功率和通信频道通过程序进行配置。直接模式可以通过软件在发射端添加密码和传输地址。具有功耗小，传输过程中抗干扰能力强，传输数据准确等特点，满足手柄摇杆数据传输的要求。如图4所示，RF_SCK是传输时钟信号,用来控制数据交换的时机以及速率。RF_MOSI和RF_MOSO相对于主设备是数据的输入和输出，主要根据时钟信号进行数据的传输和交换。

所述GPIO按键模块包括外部按键和LED指示灯，所述GPIO按键模块还包括LCD显示屏。

所述电源稳压模块包括电池和稳压芯片LM-2596，所述测压模块包括电压比较器LM301A。

所述摇杆装置包括摇杆、旋转球、压缩弹簧、芯片A和芯片B，所述摇杆穿过旋转球分别连接芯片A和芯片B，所述压缩弹簧一端与所述旋转球连接，所述芯片A和芯片B的距离为100mm，所述芯片A和芯片B为传感器mpu6050，所述芯片A和芯片B分别与微处理器K60连接。本装置由于利用弹性元件压缩弹簧无接触式摩擦的优势，避免了摇杆运动时的摩擦，提高控制精度和耐用度，实现无限度高精度使用。同时摇杆***作时的力度和舒服度都有很大的改进。

摇杆在摆动时产生角位移，旋转球会使变螺距弹簧发生形变，摇杆就会产生与运动方向相反的力矩，也满足摇杆回中位时的准确性要求。传感芯片A、B也会有相应的角位移变化，通过下述方法得出摇杆运动的位置。

一种基于传感器mpu6050采集信号获得摇杆位置的方法，步骤如下：

S1、在摇杆装置上建立右手笛卡尔坐标系为绝对坐标系，用芯片B的几何中心为原点，x、y和z轴表示固定参考坐标系F_(x，y，z)，用芯片A的几何中心为原点，n、o和a轴表示运动坐标系F_(n，o，a)；

S2、手指拨动摇杆，芯片B进行数据采集，获得绕x轴方向上旋转α角度，绕y轴方向上旋转β角度；芯片A进行数据采集，获得绕n轴方向上旋转γ角度，绕o轴方向上旋转δ角度；

S3、微处理器K60通过IIC协议读取数据，并采用扩展卡尔曼滤波将传感器收集的角度数据进行融合并对误差进行补偿,得到手柄摇杆的最优估计值；

S4、在固定参考坐标系中使用位置向量P建立数学模型为：

式中，n、o和a表示方向向量；p表示位置向量；x、y和z为坐标轴；

S5、使用手柄摇杆补偿后得到的最优估计值建立向量p_xyz相对坐标方程式为：

p_xyz＝Rot(y,β)Rot(x,α)Rot(n,(γ-α))Rot(o,(δ-β))p_noa

p_xyz为手柄摇杆几何中心变换后的坐标点；

S6、建立向量p_xyz的矩阵方程：

S7、进一步处理向量得：

S8、获得在平面xy内的坐标：

横坐标为：

p_x＝180(sin(δ-β)cosβ-sin(γ-α)cos(δ-β)sinβsinα+cos(γ-α)sin(δ-β)sin

纵坐标为：

p_y＝-180(sin(γ-α)cos(δ-β)cosα+cos(γ-α)sin(δ-β)sinα)；

S2中，通过扩展卡尔曼滤波建立***状态方程和观测方程，如下：

X_K+1＝f(X_K)+w_K+1

Y_K＝h(X_K)+v_K

式中，X_K+1为***在k+1时刻的状态变量，Y_K为***在k时刻的测量变量，w、v为零均值高斯白噪声。

通过非线性函数泰勒级数展开线性化方法，可以近似的表示初始***的状态方程和观测方程，如下：

式中，F_X(K)和F_w分别是对X、v的偏导数；H_X(K)和H_v分别是对X、w的偏导数。

预测前的状态估计^[：

预测前的方差估计：

式中，Q(K)为K时刻的过程激励噪声协方差矩阵。***通过实时调整修正后，得出状态更新方程。其增益矩阵、状态估计和方差估计分别为：

实施例2：

作为对实施例1中一种基于传感器mpu6050采集信号的手柄摇杆***的补充，整个***选用7.2V电池电压，通过稳压模块将电池电压7.2V稳压到3.3V。因为整个***的模块都只用3.3V电压供电，所以稳压模块只用进行一级降压和稳压，所选用的稳压芯片LM-2596是一款输出电流3A降压开关型集成稳压芯片，电流具有很好的线性和负载调节特性。功率小，效率高，整个***平稳工作电流可达到0.8A，瞬时工作电流在1.2A左右。所以，本申请电源设计符合***工作的要求。由于mpu6050传感器芯片对工作电压要求极高，所以此设计***增加一个测压模块，通过电压比较器LM301A来读出电池电量，确保***始终稳定工作在有效的电压范围之内。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于传感器mpu6050采集信号的手柄摇杆***，其特征在于，包括：信号采集模块、无线收发模块、GPIO按键模块、电源稳压模块和测压模块，所述信号采集模块分别与所述无线收发模块、GPIO按键模块、电源稳压模块和测压模块连接，所述信号采集模块包括微处理器K60和摇杆装置,所述无线收发模块包括与微处理器K60连接的NRF24L01无线射频模块，所述GPIO按键模块包括外部按键和LED指示灯，所述电源稳压模块包括电池和稳压芯片LM-2596，所述测压模块包括电压比较器LM301A。

2.如权利要求1所述的手柄摇杆***，其特征在于，所述摇杆装置包括摇杆、旋转球、压缩弹簧、芯片A和芯片B，所述摇杆穿过旋转球分别连接芯片A和芯片B，所述压缩弹簧一端与所述旋转球连接，所述芯片A和芯片B的距离为100mm，所述芯片A和芯片B为传感器mpu6050，所述芯片A和芯片B分别与微处理器K60连接。

3.如权利要求1所述的手柄摇杆***，其特征在于，所述电源稳压模块选用7.2V电压电池。

4.如权利要求1所述的手柄摇杆***，其特征在于，所述GPIO按键模块还包括LCD显示屏。

5.一种基于传感器mpu6050采集信号获得摇杆位置的方法，其特征在于，步骤如下：

S1、在摇杆装置上建立右手笛卡尔坐标系为绝对坐标系，用芯片B的几何中心为原点，x、y和z轴表示固定参考坐标系F_(x，y，z)，用芯片A的几何中心为原点，n、o和a轴表示运动坐标系F_(n，o，a)；

S2、手指拨动摇杆，芯片B进行数据采集，获得绕x轴方向上旋转α角度，绕y轴方向上旋转β角度；芯片A进行数据采集，获得绕n轴方向上旋转γ角度，绕o轴方向上旋转δ角度；

S3、微处理器K60通过IIC协议读取数据，并采用扩展卡尔曼滤波将传感器收集的角度数据进行融合并对误差进行补偿,得到手柄摇杆的最优估计值；

S4、在固定参考坐标系中使用位置向量P建立数学模型为：

$F=\left[\begin{array}{cccc}{n}_x& o_x& a_x& p_x\\ n_y& o_y& a_y& p_y\\ n_z& o_z& a_z& p_z\\ 0& 0& 0& 1\end{array}\right]$

式中，n、o和a表示方向向量；p表示位置向量；x、y和z为坐标轴；

S5、使用手柄摇杆补偿后得到的最优估计值建立向量p_xyz相对坐标方程式为：

p_xyz＝Rot(y,β)Rot(x,α)Rot(n,(γ-α))Rot(o,(δ-β))p_noa

p_xyz为手柄摇杆几何中心变换后的坐标点；

S6、建立向量p_xyz的矩阵方程：

$\begin{array}{c}{p}_{xyz}=\left[\begin{array}{cccc}cos\mathrm{\β}& 0& sin\mathrm{\β}& 0\\ 0& 1& 0& 0\\ -\sin \mathrm{\β}& 0& \cos \mathrm{\β}& 0\\ 0& 0& 0& 1\end{array}\right]\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& \cos \mathrm{\α}& -\sin \mathrm{\α}& 0\\ 0& \sin \mathrm{\α}& \cos \mathrm{\α}& 0\\ 0& 0& 0& 1\end{array}\right]\\ \left[\begin{array}{cccc}1& 0& 0& 0\\ 0& cos(\mathrm{\γ}-\mathrm{\α})& -sin(\mathrm{\γ}-\mathrm{\α})& 0\\ 0& sin(\mathrm{\γ}-\mathrm{\α})& \cos (\mathrm{\γ}-\mathrm{\α})& 0\\ 0& 0& 0& 1\end{array}\right]\left[\begin{array}{cccc}cos(\mathrm{\δ}-\mathrm{\β})& 0& sin(\mathrm{\δ}-\mathrm{\β})& 0\\ 0& 1& 0& 0\\ -sin(\mathrm{\δ}-\mathrm{\β})& 0& cos(\mathrm{\δ}-\mathrm{\β})& 0\\ 0& 0& 0& 1\end{array}\right]\left[\begin{array}{c}0\\ 0\\ 180\\ 1\end{array}\right]\end{array};$

S7、进一步处理向量得：

$\begin{array}{c}{p}_{xyz}=\\ \left[\begin{array}{c}180\left(\sin \right(\mathrm{\δ}-\mathrm{\β})\cos \mathrm{\β}-\sin (\mathrm{\γ}-\mathrm{\α}\left)\cos \right(\mathrm{\δ}-\mathrm{\β})\sin \mathrm{\β}\sin \mathrm{\α}+\cos (\mathrm{\γ}-\mathrm{\α}\left)\sin \right(\mathrm{\δ}-\mathrm{\β}\left)\sin \mathrm{\β}\cos \mathrm{\α}\right)\\ 180\left(\sin \right(\mathrm{\γ}-\mathrm{\α}\left)\cos \right(\mathrm{\δ}-\mathrm{\β})\cos \mathrm{\α}+\cos (\mathrm{\γ}-\mathrm{\α}\left)\sin \right(\mathrm{\δ}-\mathrm{\β}\left)\sin \mathrm{\α}\right)\\ 180\left(\cos \right(\mathrm{\γ}-\mathrm{\α}\left)\sin \right(\mathrm{\δ}-\mathrm{\β})\cos \mathrm{\β}\cos \mathrm{\α}+\sin (\mathrm{\γ}-\mathrm{\α}\left)\cos \right(\mathrm{\δ}-\mathrm{\β})\cos \mathrm{\β}\sin \mathrm{\α}-\sin (\mathrm{\δ}-\mathrm{\β}\left)\sin \mathrm{\β}\right)\\ 1\end{array}\right]\end{array};$

S8、获得在平面xy内的坐标：

横坐标为：

p_x＝180(sin(δ-β)cosβ-sin(γ-α)cos(δ-β)sinβsinα+cos(γ-α)sin(δ-β)sinβcosα)

纵坐标为：

p_y＝-180(sin(γ-α)cos(δ-β)cosα+cos(γ-α)sin(δ-β)sinα)；

6.如权利要求5所述的基于传感器mpu6050采集信号获得摇杆位置的方法，其特征在于，S2中，通过扩展卡尔曼滤波建立***状态方程和观测方程，如下：

X_K+1＝f(X_K)+w_K+1

Y_K＝h(X_K)+v_K

式中，X_K+1为***在k+1时刻的状态变量，Y_K为***在k时刻的测量变量，w、v为零均值高斯白噪声。

通过非线性函数泰勒级数展开线性化方法，可以近似的表示初始***的状态方程和观测方程，如下：

$X_{K+1}\≈f\left({\hat{X}}_K\right)+E_{w_K}+F_X\left(K\right)(X_K-{\hat{X}}_K)+F_w\left(K\right)(w_K-E_{w_K})$

$Y_K\≈h\left({\hat{X}}_K\right)+E_{v_K}+H_X\left(K\right)(X_K-{\hat{X}}_K)+H_v\left(K\right)(v_K-E_{v_K})$

式中，F_X(K)和F_w分别是对X、v的偏导数；H_X(K)和H_v分别是对X、w的偏导数。预测前的状态估计^[：

${\stackrel{\‾}{X}}_{K+1}=f\left({\hat{X}}_K\right)+E_{w_K}$

${\stackrel{\‾}{Y}}_K=f\left({\stackrel{\‾}{X}}_K\right)+E_{v_K}$

预测前的方差估计：

$P_{K+1}=F_X\left(K\right){\hat{P}}_K{F}_X{\left(K\right)}^T+Q\left(K\right)$

式中，Q(K)为K时刻的过程激励噪声协方差矩阵。***通过实时调整修正后，得出状态更新方程。其增益矩阵、状态估计和方差估计分别为：

$K_{K+1}=P_{K+1}{H}_X{\left(K\right)}^T{\left(H_X\right(K){\stackrel{\‾}{P}}_{K+1}{H}_X{\left(K\right)}^T+H_v(K\left)R_K{\stackrel{\‾}{H}}_v\right(K\left)\right)}^{-1}$

${\hat{X}}_{K+1}={\stackrel{\‾}{X}}_{K+1}+K_{K+1}\[Y_K-{\stackrel{\‾}{Y}}_k\]$

${\stackrel{\‾}{P}}_{K+1}=\[I-K_{K+1}{H}_X\left(K\right)\]P_{K+1}$