CN109470613A - 一种基于互补滤波姿态融合算法的无人机pm2.5检测装置 - Google Patents

Abstract

本发明公开一种基于互补滤波姿态融合算法的无人机PM2.5检测装置，属于雾霾环境检测领域，包括四旋翼无人机和PM2.5检测装置，PM2.5检测装置采用AGS‑V8PM2.5粉尘传感器，姿态参考***包括基于互补滤波姿态融合算法的飞行器稳定控制模块，该稳定控制模块包括Allan方差分析与间接卡尔曼滤波相结合以及一阶低通滤波与一阶高通滤波相结合的互补滤波器，先后两次采用不同的互补滤波算法对飞行器的稳定控制，使四旋翼无人机更稳定停留在某一固定位置。本发明不仅能检测空气中PM2.5的浓度，同时解决了因为低成本GPS的数据刷新率太低，在高速运动时数据滞后导致无人机高度跌落精度不高的问题，具有抗干扰能力强，稳定性高的特点。

Description

一种基于互补滤波姿态融合算法的无人机PM2.5检测装置

技术领域

本发明涉及雾霾治理领域，特指一种基于互补滤波姿态融合算法的无人机PM2.5检测装 置。

背景技术

由于近年来，我国雾霾天气愈发恶劣，空气质量问题已经引起全社会高度关注。随着飞 行器在日常生活日益广泛的应用，微型PM2.5检测四旋翼无人机检测设备会成为社会和人类 的关注。高空中的检测则需要四旋翼无人机携带PM2.5监测装置。而控制***的设计是实现 无人机自主飞行的关键与核心，飞行控制***的性能优劣直接决定了PM2.5四旋翼无人机监 测的飞行性能及其完成任务的情况。由于旋翼飞行器旋翼转动时振动强烈，故姿态参考*** 受振动的影响较大，必须要求其减少震动。为无人机上PM2.5传感器提供相对稳定的监测平 台，以准确检测周围空气中的粉尘浓度。因此需要其控制周期更小，响应速度更快，进而提 高稳定性。

互补滤波算法是无人机飞行控制***中的常用算法，但是现有的互补滤波算法一般只是 两种滤波算法的简单组合，虽然能在一定程度上保持无人机稳定飞行，但是所采用的两种滤 波算法之间可能会有误差，也会影响滤波精度，从而影响无人机的稳定性，进而影响PM2.5 的检测精度。所以，需要设计更加精确的针对无人机飞行控制的相关算法。

发明内容

本发明的目的是提供一种基于互补滤波姿态融合算法的无人机PM2.5检测装置，用于检 测空气中PM2.5的浓度，同时解决因为低成本的GPS的数据刷新率太低，在高速运动时数据 滞后导致无人机高度跌落精度不高的问题。

为解决上述技术问题，本发明的技术方案如下：

一种基于互补滤波姿态融合算法的无人机PM2.5检测装置，包括四旋翼无人机和PM2.5 粉尘传感器，其特征在于：

所述四旋翼无人机属于非共轴式碟形无人机，包括旋翼、无刷电机、无刷电调、电源、 起落架、机体和飞行控制***，所述飞行控制***包括飞行控制计算机、姿态参考***、遥 控接收机、GPS接收机，通过控制四只旋翼的转速集合使得无人机实现各种飞行动作；

所述PM2.5检测装置为AGS-V8PM2.5粉尘传感器，包括激光器、光散射检测腔体、滤波放大电路、微型处理器、内置加热器，光散射检测腔体内具有气流发生器，粉尘传感器的内部对角放置红外线发光二极管和光电晶体管，并且将其光轴相交；

在所述四旋翼无人机顶端设有机架，粉尘传感器位于机架上方，起落架同机身相连，成 十字形分布。

为进一步提高整个装置的性能：

优选的，所述机体由碳纤维材料制成，起落架由铝合金板制成。

优选的，所述粉尘传感器中气流发生器为5V的输入电路。

优选的，所述检测装置采用ZigBee无线网络传输方式。

优选的，所述姿态参考***包括基于互补滤波姿态融合算法的飞行器稳定控制模块，所 述稳定控制模块包括Allan方差分析与间接卡尔曼滤波相结合以及一阶低通滤波与一阶高通 滤波相结合的互补滤波器。

一种针对无人机飞行器的互补滤波姿态融合算法，其特征在于，主要包括以下步骤：

步骤1：采用Allan方差分析方法分析无人机传感器的噪声源，分析得到数据的量化噪声、 角度随机游走噪声、零偏不稳定噪声、速率随机游走噪声和速率斜坡噪声。具体分析方法如 下：

公式(1)中，Q为量化噪声系数，N为角度游走噪声系数，B为零偏不稳定噪声系数，C为速率游走噪声系数，R为速率斜坡噪声系数，t为方差随时间的变化，σ²(t)为方差表达式。

设数据采样周期为T，一定时间内共采集N个数据，将N个数据分成L组，每组M个 数据，则每组的平均值为：

公式(2)中，M表示每组数据个数，下标i表示第i个数据，表示每组的平均值， 下标k表示第k组数据。

由公式(1)和公式(2)定义Allan方差如下所示：

公式(3)中，τ为自定义变量，σ_A ²为Allan方差，A表示Allan方差，M为每组数据个数，L为数据的组数。

步骤2：采用间接卡尔曼滤波对无人机陀螺仪的数据进行处理，间接卡尔曼滤波的***状 态方程推导过程如下：

首先建立卡尔曼滤波方程，假设测量噪声为白噪声，采用信号与噪声的状态空间法描述 ***，由状态方程和测量方程组成：

公式(4)中，X_p∈R^n×1为目标状态向量，A_p+1/p∈R^n×n为状态转移矩阵，B_p为输入矩阵，A_p+1/p和B_p取决于***特性，W_p是p时刻的过程噪声，Y_p∈R^m×1是p时刻的观测向量，H_p∈R^n×n为***观测矩阵，V_p为p时刻的过程噪声。

在卡尔曼滤波方程的基础上，间接卡尔曼滤波方程可以推导为：

公式(5)中，表示目标状态向量，φ表示滚转角，θ表示俯仰角，ψ表示偏航角，x，y，z为陀螺常值漂移。

建立间接卡尔曼滤波的***状态方程为：

X'＝AX+W (6)

公式(6)中，X'表示目标状态向量，A表示状态转移矩，X表示输入矩阵，W表示某 时刻的过程噪声。

步骤3：以最小均方差为准则，将Allan方差分析与间接卡尔曼滤波融合，构成互补滤波 器对无人机的加速度计和陀螺仪进行数据融合；

步骤4：采用滑动均值滤波对无人机加速度计的原始数据进行处理：

公式(7)中，x_i表示传感器实时采集到的加速度计数据，y_i表示滤波中间数据保存，z_i表 示滤波后的数据输出，a_i表示相应的权值，i和j表示均值滤波的参数。

步骤5：在步骤4的基础上，对无人机电动机转动时X轴加速度计的原始数据进行FFT 变换，得到加速度计对振动的敏感程度，并将该敏感程度作为预处理过程的调整参数。

步骤6：再利用加速度计姿态角的测量误差不随时间累加和陀螺仪漂移在短期内可提供高 动态的姿态数据在频域上的互补特性，采用一阶低通滤波器和一阶高通滤波器结合的互补滤 波器对二者进行数据融合，进一步提高姿态测量的精度和动态响应，其中针对俯仰角的一阶 低通滤波器和一阶高通滤波器结合的互补滤波姿态融合算法的滤波原理为：

公式(7)中，θ为姿态角，θ_ref为参考姿态角，K为滤波器增益，s为传函拉式变化后自变量，是无偏估计的表示符号，w_m表示陀螺仪实时输出的角速率。

K/(s+K)具有低通特性，S/(s+K)具有高通特性，选择适当K值，可使***具有合理的截止 频率，对陀螺仪和加速度所计算的姿态输出进行互补滤波，采用时域形式如下所示：

公式(8)中，K表示滤波器增益，θ_ref为参考姿态角，w_m表示陀螺仪实时输出的角速率。

优选的，考虑到运动加速度的影响，需要对加速度计输出值进行判断以确定是否可采用 加速度计值解算姿态角，包括以下三种情况：

α<＝β时，K值不变，表明飞行器处于静止或匀速飞行状态。

β<α<＝λ时，减小K值，表明飞行器处于低加速飞行状态。

α>λ时，K值应趋于无穷小，表明飞行器处于高加速飞行状态。

其中，K表示滤波器增益，α为四旋翼无人机的本机体轴分量的模与加速之差的绝对值， β为四旋翼无人机的加速度计白噪声零偏的标准差的模，λ表示阈值。

本发明的有益效果为：

本发明设计的PM2.5无人机检测装置可有效检测空气中PM2.5的浓度，同时，飞行器 稳定控制模块中的互补滤波姿态融合算法可有效解决低成本的GPS的数据刷新率太低，在高 速运动时数据滞后导致无人机高度跌落精度不高的问题，具有抗干扰能力强，稳定性高的特 点。

本发明中的互补滤波算法首先采用Allan方差分析与间接卡尔曼滤波相结合的互补滤波 算法，采用Allan方差分析方法分析无人机传感器的噪声源，然后采用间接卡尔曼滤波对无 人机陀螺仪的数据进行处理，构成互补滤波器对无人机的加速度计和陀螺仪进行数据融合。 然后采用滑动均值滤波对无人机加速度计的原始数据进行处理。最后利用加速度计姿态角的 测量误差不随时间累加和陀螺仪漂移在短期内可提供高动态的姿态数据在频域上的互补特 性，采用一阶低通滤波器和一阶高通滤波器结合的互补滤波器对二者进行数据融合，进一步 提高姿态测量的精度和动态响应。先后两次采用不同的互补滤波算法，可以使无人机更加稳 定地停留在空中某一位置，提高整个PM2.5无人机检测装置的效率和精度。

附图说明

图1是四旋翼无人机PM2.5检测装置的整体结构示意图；

图2是PM2.5传感器功能图；

图3是互补滤波器原理图；

图4是互补滤波姿态融合算法控制原理；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描 述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中 的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都 属于本发明保护的范围。

本实施例提供一种基于互补滤波姿态融合算法的无人机PM2.5检测装置，具体实施方式 如下：

如图1所示为四旋翼无人机PM2.5检测装置的整体结构示意图，所采用的四旋翼无人机 属于非共轴式碟形无人机，与常规旋翼无人机相比，其结构更为紧凑能够产生更大的升力。 包括旋翼、无刷电机、无刷电调、电源、起落架、机体和飞行控制***，飞行控制***包括 飞行控制计算机、姿态参考***、遥控接收机、GPS接收机，通过控制4只旋翼的转速集合 使得无人机实现各种飞行动作。4只旋翼安装于十字形机体的4个顶点位置，分为顺时针旋 转R(1、3)和逆时针转R(2、4)两组。当4只旋翼转速相等时，相互间抵消反扭力矩。

在四旋翼无人机顶端设有机架，粉尘传感器位于机架上方，起落架同机身相连，成十字 形分布，一定高度的起落架能减小地面效应在无人机起飞和着落时带来的影响。

四旋翼无人机机体由碳纤维材料制成，起落架由铝合金板制成。

如图2所示，PM2.5检测装置为AGS-V8PM2.5粉尘传感器，包括激光器、光散射检测腔体、滤波放大电路、微型处理器、内置加热器，可以自行吸引外部大气，且内置加热器不需加气泵实现自动进气，具有更低质量的PM2.5会在半路上浮，利用光的散射原理进行尘粒计数，检测出单位体积PM2.5的绝对个数，再通过光电传感器将光信号转变成电信号传输给计算机。光散射检测腔体内具有气流发生器，粉尘传感器的内部对角放置红外线发光二极管 和光电晶体管，并且将其光轴相交。当带灰尘的气流通过光轴相交的交叉区域，粉尘对红外 光反射，反射的光强与灰尘浓度成正比。选取光电晶体管作用在于，使得其能够探测到空气 中尘埃反射光，即使非常细小的如烟草烟雾颗粒也能够被检测到，而选择红外发光二极管的 目的在于，当进入的腔内的粉尘可将红外发光二极管发射出光线进行反射，得到一个反射光， 接收传感器检测到反射光的光强，输出信号。

PM2.5粉尘传感器中气流发生器为5V的输入电路。

检测装置采用ZigBee无线网络传输方式，检测装置采用ZigBee无线网络传输方式，是一 种数据传输安全性高，数据量不大，设备体积小。在面对复地形，监测点多，需要较大的网 络覆盖具有一定的优势。根据本发明所需求功耗低的设备之间进行数据传输，选用ZigBee技 术来建立一个监测粉尘浓度无线传感器网络。

四旋翼无人机的姿态参考***还包括基于互补滤波姿态融合算法的飞行器稳定控制模 块，稳定控制模块包括Allan方差分析与间接卡尔曼滤波相结合以及一阶低通滤波与一阶高 通滤波相结合的互补滤波器。因为旋翼飞行器旋翼转动时振动强烈，故其姿态参考***受振 动的影响较大，必须要求其减少震动，为无人机上PM2.5传感器提供相对稳定的监测平台， 以准确检测周围空气中的粉尘浓度。因此需要其控制周期更小，响应速度更快，进而提高稳 定性。

如图3所示为互补滤波器原理图。互补滤波器即为把滤波器的高通和低通两部分加起来 成为一个滤波器，使其能输出一个有意义的、准确的线性估计。其优点在于可以修订噪声， 漂移和对横向加速度传感器的依赖，从而可以快速估计角度，响应比单独的低通滤波器要具 有更快的速度。

本发明设计一种针对无人机飞行器的互补滤波姿态融合算法，主要包括以下步骤：

步骤1：采用Allan方差分析方法分析无人机传感器的噪声源，分析得到数据的量化噪声、 角度随机游走噪声、零偏不稳定噪声、速率随机游走噪声和速率斜坡噪声。具体分析方法如 下：

公式(1)中，Q为量化噪声系数，N为角度游走噪声系数，B为零偏不稳定噪声系数，C为速率游走噪声系数，R为速率斜坡噪声系数，t为方差随时间的变化，σ²(t)为方差表达式。

设数据采样周期为T，一定时间内共采集N个数据，将N个数据分成L组，每组M个 数据，则每组的平均值为：

公式(2)中，M表示每组数据个数，下标i表示第i个数据，表示每组的平均值， 下标k表示第k组数据。

由公式(1)和公式(2)定义Allan方差如下所示：

公式(3)中，τ为自定义变量，σ_A ²为Allan方差，A表示Allan方差，M为每组数据个数，L为数据的组数。

步骤2：采用间接卡尔曼滤波对无人机陀螺仪的数据进行处理，间接卡尔曼滤波的***状 态方程推导过程如下：

首先建立卡尔曼滤波方程，假设测量噪声为白噪声，采用信号与噪声的状态空间法描述 ***，由状态方程和测量方程组成：

公式(4)中，X_p∈R^n×1为目标状态向量，A_p+1/p∈R^n×n为状态转移矩阵，B_p为输入矩阵，A_p+1/p和B_p取决于***特性，W_p是p时刻的过程噪声，Y_p∈R^m×1是p时刻的观测向量，H_p∈R^n×n为***观测矩阵，V_p为p时刻的过程噪声。

在卡尔曼滤波方程的基础上，间接卡尔曼滤波方程可以推导为：

公式(5)中，表示目标状态向量，φ表示滚转角，θ表示俯仰角，ψ表示偏航角，x，y，z为陀螺常值漂移。

建立间接卡尔曼滤波的***状态方程为：

X'＝AX+W (6)

公式(6)中，X'表示目标状态向量，A表示状态转移矩，X表示输入矩阵，W表示某 时刻的过程噪声。

步骤3：以最小均方差为准则，将Allan方差分析与间接卡尔曼滤波融合，构成互补滤波 器对无人机的加速度计和陀螺仪进行数据融合；

步骤4：采用滑动均值滤波对无人机加速度计的原始数据进行处理：

公式(7)中，x_i表示传感器实时采集到的加速度计数据，y_i表示滤波中间数据保存，z_i表 示滤波后的数据输出，a_i表示相应的权值，i和j表示均值滤波的参数。

步骤5：在步骤4的基础上，对无人机电动机转动时X轴加速度计的原始数据进行FFT 变换，得到加速度计对振动的敏感程度，并将该敏感程度作为预处理过程的调整参数。

步骤6：再利用加速度计姿态角的测量误差不随时间累加和陀螺仪漂移在短期内可提供高 动态的姿态数据在频域上的互补特性，采用一阶低通滤波器和一阶高通滤波器结合的互补滤 波器对二者进行数据融合，进一步提高姿态测量的精度和动态响应，其中针对俯仰角的一阶 低通滤波器和一阶高通滤波器结合的互补滤波姿态融合算法的滤波原理为：

公式(7)中，θ为姿态角，θ_ref为参考姿态角，K为滤波器增益，s为传函拉式变化后自变量，是无偏估计的表示符号，w_m表示陀螺仪实时输出的角速率。

K/(s+K)具有低通特性，S/(s+K)具有高通特性，选择适当K值，可使***具有合理的截止 频率，对陀螺仪和加速度所计算的姿态输出进行互补滤波，采用时域形式如下所示：

公式(8)中，K表示滤波器增益，θ_ref为参考姿态角，是无偏估计的表示符号，表示最终 滤波结果，w_m表示陀螺仪实时输出的角速率。

考虑到运动加速度的影响，需要对加速度计输出值进行判断以确定是否可采用加速度计 值解算姿态角，包括以下三种情况：

α<＝β时，K值不变，表明飞行器处于静止或匀速飞行状态。

β<α<＝λ时，减小K值，表明飞行器处于低加速飞行状态。

α>λ时，K值应趋于无穷小，表明飞行器处于高加速飞行状态。

其中，K表示滤波器增益，α为四旋翼无人机的本机体轴分量的模与加速之差的绝对值β 为四旋翼无人机的加速度计白噪声零偏的标准差的模，λ表示阈值。

先后两次采用不同的互补滤波算法，可以使无人机更加稳定地停留在空中某一位置，提 高整个PM2.5无人机检测装置的效率和精度。

图4是互补滤波姿态融合算法控制原理流程，首先需为***接通电源，触动开始按钮， ***将自动完成MCU内部初始化的工作，即配置MCU需使用到的外设，包括时钟***、NVIC 中断控制器、USART串口通信、IC接口、定时器；然后进行硬件初始化以和***的姿态解算， 互补滤波姿态融合算法程序采用模块化的设计设备自动加载。具体包括以下几个个部分：

(1)开机自动完成初始化硬件自动加载，检测MUC与各硬件模块间的双工通讯；

(2)开启定时器中断，在2.5ms的计时中断实现通过IC接口读取微机电***传感器和三轴数 字电子罗盘的测量数据，根据传感器的特点进行滤波后，

(3)利用初始校正所得到的校正数据对读取的数据作校正，校正完后转换成实际的物理量，再 对其做加权平均减小误差，然后进行姿态解算和地磁数据校准

(4)结合遥控装置完成任意姿态信息输出；

(5)开机自动检测记录周围环境PM2.5值，在液晶屏上实时显示；

(6)可通过与USART串口相连接的ZigBee模块将数据实时或后期传送值地面接收站。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围， 因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (7)

1.一种基于互补滤波姿态融合算法的无人机PM2.5检测装置，包括四旋翼无人机和PM2.5粉尘传感器，其特征在于：

所述四旋翼无人机属于非共轴式碟形无人机，包括旋翼、无刷电机、无刷电调、电源、起落架、机体和飞行控制***，所述飞行控制***包括飞行控制计算机、姿态参考***、遥控接收机、GPS接收机，通过控制四只旋翼的转速集合使得无人机实现各种飞行动作；

所述PM2.5检测装置为AGS-V8PM2.5粉尘传感器，包括激光器、光散射检测腔体、滤波放大电路、微型处理器、内置加热器，光散射检测腔体内具有气流发生器，粉尘传感器的内部对角放置红外线发光二极管和光电晶体管，并且将其光轴相交；

在所述四旋翼无人机顶端设有机架，粉尘传感器位于机架上方，起落架同机身相连，成十字形分布。

2.根据权利要求1所述的基于互补滤波姿态融合算法的无人机PM2.5检测装置，其特征在于：所述机体由碳纤维材料制成，起落架由铝合金板制成。

3.根据权利要求1所述的基于互补滤波姿态融合算法的无人机PM2.5检测装置，其特征在于：所述粉尘传感器中气流发生器为5V的输入电路。

4.根据权利要求1所述的基于互补滤波姿态融合算法的无人机PM2.5检测装置，其特征在于：所述检测装置采用ZigBee无线网络传输方式。

5.根据权利要求1所述的基于互补滤波姿态融合算法的无人机PM2.5检测装置，其特征在于：所述姿态参考***包括基于互补滤波姿态融合算法的飞行器稳定控制模块，所述稳定控制模块包括Allan方差分析与间接卡尔曼滤波相结合以及一阶低通滤波与一阶高通滤波相结合的互补滤波器。

6.一种针对无人机飞行器的互补滤波姿态融合算法，其特征在于，主要包括以下步骤：

步骤1：采用Allan方差分析方法分析无人机传感器的噪声源，分析得到数据的量化噪声、角度随机游走噪声、零偏不稳定噪声、速率随机游走噪声和速率斜坡噪声。具体分析方法如下：

公式(1)中，Q为量化噪声系数，N为角度游走噪声系数，B为零偏不稳定噪声系数，C为速率游走噪声系数，R为速率斜坡噪声系数，t为方差随时间的变化，σ²(t)为方差表达式。

设数据采样周期为T，一定时间内共采集N个数据，将N个数据分成L组，每组M个数据，则每组的平均值为：

公式(2)中，M表示每组数据个数，下标i表示第i个数据，表示每组的平均值，下标k表示第k组数据。

由公式(1)和公式(2)定义Allan方差如下所示：

公式(3)中，τ为自定义变量，σ_A ²为Allan方差，A表示Allan方差，M为每组数据个数，L为数据的组数。

步骤2：采用间接卡尔曼滤波对无人机陀螺仪的数据进行处理，间接卡尔曼滤波的***状态方程推导过程如下：

首先建立卡尔曼滤波方程，假设测量噪声为白噪声，采用信号与噪声的状态空间法描述***，由状态方程和测量方程组成：

公式(4)中，X_p∈R^n×1为目标状态向量，A_p+1/p∈R^n×n为状态转移矩阵，B_p为输入矩阵，A_p+1/p和B_p取决于***特性，W_p是p时刻的过程噪声，Y_p∈R^m×1是p时刻的观测向量，H_p∈R^n×n为***观测矩阵，V_p为p时刻的过程噪声。

在卡尔曼滤波方程的基础上，间接卡尔曼滤波方程可以推导为：

公式(5)中，表示目标状态向量，φ表示滚转角，θ表示俯仰角，ψ表示偏航角，x，y，z为陀螺常值漂移。

建立间接卡尔曼滤波的***状态方程为：

X'＝AX+W (6)

公式(6)中，X'表示目标状态向量，A表示状态转移矩，X表示输入矩阵，W表示某时刻的过程噪声。

步骤3：以最小均方差为准则，将Allan方差分析与间接卡尔曼滤波融合，构成互补滤波器对无人机的加速度计和陀螺仪进行数据融合；

步骤4：采用滑动均值滤波对无人机加速度计的原始数据进行处理：

公式(7)中，x_i表示传感器实时采集到的加速度计数据，y_i表示滤波中间数据保存，z_i表示滤波后的数据输出，a_i表示相应的权值，i和j表示均值滤波的参数。

步骤5：在步骤4的基础上，对无人机电动机转动时X轴加速度计的原始数据进行FFT变换，得到加速度计对振动的敏感程度，并将该敏感程度作为预处理过程的调整参数。

步骤6：再利用加速度计姿态角的测量误差不随时间累加和陀螺仪漂移在短期内可提供高动态的姿态数据在频域上的互补特性，采用一阶低通滤波器和一阶高通滤波器结合的互补滤波器对二者进行数据融合，进一步提高姿态测量的精度和动态响应，其中针对俯仰角的一阶低通滤波器和一阶高通滤波器结合的互补滤波姿态融合算法的滤波原理为：

公式(7)中，θ为姿态角，θ_ref为参考姿态角，K为滤波器增益，s为传函拉式变化后自变量，是无偏估计的表示符号，w_m表示陀螺仪实时输出的角速率。

K/(s+K)具有低通特性，S/(s+K)具有高通特性，选择适当K值，可使***具有合理的截止频率，对陀螺仪和加速度所计算的姿态输出进行互补滤波，采用时域形式如下所示：

公式(8)中，K表示滤波器增益，θ_ref为参考姿态角，是无偏估计的表示符号，表示最终滤波结果，w_m表示陀螺仪实时输出的角速率。

7.根据权利要求6所述的针对无人机飞行器的互补滤波姿态融合算法，其特征在于：所述步骤6中，考虑到运动加速度的影响，需要对加速度计输出值进行判断以确定是否可采用加速度计值解算姿态角，包括以下三种情况：

α<＝β时，K值不变，表明飞行器处于静止或匀速飞行状态。

β<α<＝λ时，减小K值，表明飞行器处于低加速飞行状态。

α>λ时，K值应趋于无穷小，表明飞行器处于高加速飞行状态。

其中，K表示滤波器增益，α为四旋翼无人机的本机体轴分量的模与加速之差的绝对值，β为四旋翼无人机的加速度计白噪声零偏的标准差的模，λ表示阈值。