CN113063416A - 一种基于自适应参数互补滤波的机器人姿态融合方法 - Google Patents
一种基于自适应参数互补滤波的机器人姿态融合方法 Download PDFInfo
- Publication number
- CN113063416A CN113063416A CN202110163595.2A CN202110163595A CN113063416A CN 113063416 A CN113063416 A CN 113063416A CN 202110163595 A CN202110163595 A CN 202110163595A CN 113063416 A CN113063416 A CN 113063416A
- Authority
- CN
- China
- Prior art keywords
- acceleration
- magnetometer
- error
- vector
- calculating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000000295 complement effect Effects 0.000 title claims abstract description 19
- 238000001914 filtration Methods 0.000 title claims abstract description 19
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 17
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 14
- 230000001133 acceleration Effects 0.000 claims abstract description 92
- 238000005259 measurement Methods 0.000 claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 22
- 230000005484 gravity Effects 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 8
- 238000000034 method Methods 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 description 45
- 238000002474 experimental method Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/18—Stabilised platforms, e.g. by gyroscope
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0891—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for land vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Gyroscopes (AREA)
Abstract
本发明属于机器人技术领域,主要涉及一种基于自适应参数互补滤波的机器人姿态融合方法,包括如下步骤:A1、对加速度值进行预处理并选取频率在1‑100Hz的分量,依据滤波后的加速度计算加速度和磁力计的置信度;A2、计算加速度与标准重力向量的误差以及磁力计与NED坐标系下的方向向量误差;A3、结合置信度和误差向量对陀螺仪测量值进行矫正;A4、结合四元数微分方程对姿态向量进行更新。本发明方法基于置信度函数动态修正加速度和磁力计传感器融合权重,有效提升机器人IMU在大机动运动时姿态计算精度和鲁棒性。
Description
技术领域
本发明属于机器人技术领域,具体涉及一种基于自适应参数互补滤波的机器人姿态融合方法。
背景技术
随着微机电***(MEMS)传感器技术和计算机技术的日新月异,MEMS惯性测量单元(IMU)逐渐向着低成本、低功耗、体积小、质量轻、可靠高的趋势快速发展,被广泛应用于移动机器人、无人机定位导航等领域中,旨在获取准确的姿态信息。为了在低成本的IMU上满足姿态解算精度更高、可靠性更高、环境自适应能力更强等性能指标,需要一种高效的IMU姿态解算算法。
IMU主要由加速度计、陀螺仪、磁力计三个基本元件组成,由于单个传感器自身固有特性,其输出信号往往存在着噪声和误差,传感器获得的姿态角原始数据信息不能直接使用,IMU姿态融合算法就是利用这三个元件的数据加以解算获得更准确的姿态信息。目前,国外学者已研发出了很多IMU姿态融合算法,应用较为广泛的有Mahony互补滤波、EKF融合、Madgwick融合算法等。其中,互补滤波算法,通过把陀螺仪的高频部分和磁力计或加速度计的低频部分叠加在一起,得到更准确更稳定的姿态,该算法简单可靠,能够有效滤除噪声和抑制漂移,并且对惯性器件IMU的精度要求较低,在无人机、轮式机器人等姿态解算中的应用愈加广泛;扩展卡尔曼算法(EKF),是一种高精度、应用广泛的姿态解算算法,作为一种对非线性***的滤波方法,能够在处理过程中不断对姿态进行预测和修正,具有权重参数动态调整的特点;Madgwick融合算法利用梯度下降的核心思想,将加速度计和磁力计通过梯度下降得到的姿态四元数与由陀螺仪积分得到的姿态,进行线性融合得到最优的姿态,该算法具有计算量小、低频有效的特点,能够显著降低对处理器速度的要求。
然而,互补滤波融合算法是建立在加速度计平稳运行的条件上,如果移动机器人等在场景中快速运动时,姿态解算的误差较大,互补滤波融合算法就显得力不从心;EKF算法计算量相对较大,当线性化假设不成立时直接线性化会导致滤波器极度不稳定,并且在实际应用中解算的姿态角易受噪声干扰;Madgwick梯度下降融合算法,只有当算法的收敛速度快于移动机器人的运动速度,该算法才可以实时跟踪到姿态,所以对于机器人高速运动时该算法会失效,此外,地磁计的误差也容易影响其姿态精度。
因此,对于IMU广泛应用的自动驾驶、无人飞行等领域,一种能在高速运动下有效处理的IMU姿态解算方案,获取得到更准确的位姿信息,是极为重要并且具有较大实用价值。
发明内容
本发明的目的是:旨在提供一种基于自适应参数互补滤波的机器人姿态融合方法,用于解决机器人在场景中大机动运动的姿态角度误差的问题。
为实现上述技术目的,本发明采用的技术方案如下:
一种基于自适应参数互补滤波的机器人姿态融合方法,包括如下步骤:
A1、对加速度值进行预处理并选取频率在1-100Hz的分量,依据滤波后的加速度计算加速度和磁力计的置信度;
A2、计算加速度与标准重力向量的误差以及磁力计与NED坐标系下的方向向量误差;
A3、结合置信度和误差向量对陀螺仪测量值进行矫正;
A4、结合四元数微分方程对姿态向量进行更新。
进一步,步骤A1的具体实现如下:
A101、读取三轴加速度am=[ax ay az]和三轴角速度数据wm=[wx wy wz],以及三轴磁力计数据mm=[mx my mz];
A102、对加速度数据进行预处理,通过带通滤波器提出加速度中的直流分量,取出[1,100Hz]的分量af,并利用衰减函数计算加速度测量值的置信度K(t):
af=highpass1:100Hz(am)
其中A表示衰减系数,可根据实际***进行设置。
进一步,步骤A2具体实现如下:
A201、计算加速度测量值与标准参考重力[0,0,g]之间的误差ea
ea=am×av
A202、计算磁力计测量值与参考磁力方向向量之间的误差em
进一步,步骤A3的具体实现如下:
A301、由加速度向量误差、磁力计向量误差对陀螺仪测量值wm进行动态修正
eInt=eInt+e*Ki*0.5*T
w=wm+eInt+K(t)*e
其中e=ea+em。
进一步,步骤A4的具体实现如下:
A401、利用四元数微分方程更新姿态四元数:
qk+1=(I+Omega(w)*0.5*T)qk
其中,
本发明还包括如下步骤:
B1、初始化***变量:
根据采集到的加速度和磁力计数据计算初始的欧拉角和四元数初始值
roll=atan2(-ay,az)*57.3
B2、姿态预测:
其中:
状态转移矩阵:Φ=I+F*dt,而四元数q部分的状态更新情况,即状态转移矩阵的前四行四列为:
B3、构建观测方程:
观测部由加速度计和磁力计对重力向量提供观测,加速度部分参考值则是将标准的重量加速度[0,0,g]T和磁力计投影到机体坐标系的值与加速度测量值构建误差向量
加速度误差向量ea为:
磁力计部分的观测方程有:
其中am=[ax ay az]和mm=[mx my mz]分别为加速度和磁力计的测量值,磁力计部分的误差向量为:
其中mb=[bx by bz],因此***的误差向量e写为:
B4、计算加速度置信度:
对加速度数据进行预处理,通过带通滤波器提出加速度中的直流分量,取出[1,100Hz]的分量af,通过af分量来判断加速度运动剧烈程度,动态调整加EKF滤波器观测噪声的值R(t),以达到实时调整加速度融合的权重,实现精准的位姿估计,其中,
af=highpass1:100Hz(am)
B5、EKF更新姿态融合:
K=Pk|k-1HT(HPk|k-1HT+R(t))-1
Pk|k=(I-KH)Pk|k-1
xk|k-1=k|k-1+Kr。
采用上述技术方案的发明,具有如下优点:
1、本发明方法通过降低加速度计的权重,使得***陀螺仪积分值信任程度增加,减小输出角度的误差;
2、本发明方法基于置信度函数动态修正加速度和磁力计传感器融合权重,提升IMU在大机动运动时姿态计算精度和鲁棒性;
3、本发明融合方法使得IMU具有更高精度、抗干扰能力更强,有利于低成本IMU的实际应用。
附图说明
本发明可以通过附图给出的非限定性实施例进一步说明;
图1为本发明融合方法流程图;
图2为本发明平稳运动条件下加速度和角速度测量值一;
图3为本发明平稳运动条件下改进算法对比原始算法输出的欧拉角曲线一;
图4为本发明大机动运动条件下加速度和角速度测量值一;
图5为本发明大机动运动条件下改进算法对比原始算法输出的欧拉角曲线一;
图6为本发明平稳运动条件下加速度和角速度测量值二;
图7为本发明平稳运动条件下改进算法对比原始算法输出的欧拉角曲线二;
图8为本发明大机动运动条件下加速度和角速度测量值二;
图9为本发明大机动运动条件下改进算法对比原始算法输出的欧拉角曲线二。
具体实施方式
以下将结合附图和具体实施例对本发明进行详细说明,需要说明的是,在附图或说明书描述中,相似或相同的部分都使用相同的图号,附图中未绘示或描述的实现方式,为所属技术领域中普通技术人员所知的形式。另外,实施例中提到的方向用语,例如“上”、“下”、“顶”、“底”、“左”、“右”、“前”、“后”等,仅是参考附图的方向,并非用于限制本发明的保护范围。
如图1所示,一种基于自适应参数互补滤波的机器人姿态融合方法,包括如下步骤:
A1、对加速度值进行预处理并选取频率在1-100Hz的分量,依据滤波后的加速度计算加速度和磁力计的置信度;
A2、计算加速度与标准重力向量的误差以及磁力计与NED坐标系下的方向向量误差;
A3、结合置信度和误差向量对陀螺仪测量值进行矫正;
A4、结合四元数微分方程对姿态向量进行更新。
步骤一:读取MPU6050的三轴加速度am=[ax ay az]和三轴角速度数据wm=[wx wywz],以及HMC5883L的三轴磁力计数据mm=[mx my mz]。
步骤二:对加速度数据进行预处理,通过带通滤波器提出加速度中的直流分量,取出[1,100Hz]的分量af,并利用衰减函数计算加速度测量值的置信度K(t)。
af=highpass1:100Hz(am)
其中A表示衰减系数,可根据实际***进行设置。
步骤三:计算加速度测量值与标准参考重力[0,0,g]之间的误差ea
ea=am×av
步骤四:计算磁力计测量值与参考磁力方向向量之间的误差em
步骤五:由加速度向量误差、磁力计向量误差对陀螺仪测量值wm进行动态修正
eInt=eInt+e*Ki*0.5*T
w=wm+eInt+K(t)*e
其中e=ea+em
步骤六:利用四元数微分方程更新姿态四元数
qk+1=(I+Omega(w)*0.5*T)qk
其中,
实施例:实验一
利用STM32F103构成的微控制器采集板采集MPU6050和HMC5883L的数据,其中MPU6050提供三轴方向的加速度和角速度,HMC5883L提供三轴方向的磁力计数据。传感器输出频率为100Hz。将IMU平台在3D空间中缓慢的移动,对比原始算法(Mahony互补滤波)和改进算法的姿态估计曲线。
图2显示了平稳运动条件下加速度和角速度传感器输出的测量数据,图3显示了平稳运动条件下改进算法和原始算法的欧拉角变化情况。从图2可以看到,加速度传感器的测量值的模长基本在1的附近,这满足使用加速度计观测重力向量的基本假设。如图3所示,此时改进算法和改进前的算法都能很好的跟踪到IMU的角度。
实施例:实验二
将采集平台放在水平面上剧烈晃动,比较改进后的算法在大机动运动下对姿态估计的性能。在这种情况下roll角和pitch角的真实角度应该是静止时候的值,即在0的附近。
图4大机动运动条件下显示了加速度和角速度传感器输出的测量数据,图5显示了大机动运动条件下改进算法和原始算法的欧拉角变化情况。从图4可以看到,传感器在0-50区间中,传感器保持静止,此时三个轴上的加速度和基本处于1个重力加速度,此时改进算法和原始算法输出的欧拉角相同。在50-300中加速度发生了剧烈运动,此时三个轴上的加速度和不在是1个重力加速度。这种情况下,由于加速度的耦合会导致融合算法错误的把剧烈运动产生的轴向加速度变成对重力向量的观测数据,导致对重力向量错误的观测。而改进算法通过降低加速度计的权重,使得***陀螺仪积分值信任程度增加,减小输出角度的误差。
本发明还包括EKF姿态融合方法:B1、初始化***变量:
根据采集到的加速度和磁力计数据计算初始的欧拉角和四元数初始值
roll=atan2(-ay,az)*57.3
B2、姿态预测:
其中:
状态转移矩阵:Φ=I+F*dt,而四元数q部分的状态更新情况,即状态转移矩阵的前四行四列为:
B3、构建观测方程:
观测部由加速度计和磁力计对重力向量提供观测,加速度部分参考值则是将标准的重量加速度[0,0,g]T和磁力计投影到机体坐标系的值与加速度测量值构建误差向量
加速度误差向量ea为:
磁力计部分的观测方程有:
其中am=[ax ay az]和mm=[mx my mz]分别为加速度和磁力计的测量值,磁力计部分的误差向量为:
其中mb=[bx by bz],因此***的误差向量e写为:
B4、计算加速度置信度:
对加速度数据进行预处理,通过带通滤波器提出加速度中的直流分量,取出[1,100Hz]的分量af,通过af分量来判断加速度运动剧烈程度,动态调整加EKF滤波器观测噪声的值R(t),以达到实时调整加速度融合的权重,实现精准的位姿估计,其中,
af=highpass1:100Hz(am)
B5、EKF更新姿态融合:
K=Pk|k-1HT(HPk|k-1HT+R(t))-1
Pk|k=(I-KH)Pk|k-1
xk|k-1=k|k-1+Kr。
实施例:实验三
利用STM32F103构成的微控制器采集板采集MPU6050和HMC5883L的数据,其中MPU6050提供三轴方向的加速度和角速度,HMC5883L提供三轴方向的磁力计数据。传感器输出频率为100Hz。
图6显示了平稳运动条件下加速度和角速度传感器输出的测量数据,图7显示了平稳运动条件下改进EKF算法和EKF融合算法的欧拉角变化情况。从图6可以看到,加速度传感器的测量值的模长基本在1的附近,这满足使用加速度计观测重力向量的基本假设。如图7所示,此时改进算法和改进前的算法都能很好的跟踪到IMU的角度。
实施例:实验四
将采集平台放在水平面上剧烈晃动,比较改进后的算法在大机动运动下对姿态估计的性能。在这种情况下roll角和pitch角的真实角度应该是静止时候的值,即在0的附近。
图8大机动运动条件下显示了加速度和角速度传感器输出的测量数据,图9显示了大机动运动条件下改进EKF算法和基于EKF的姿态融合算法的欧拉角变化情况。从图8可以看到,加速度发生了剧烈运动,此时三个轴度上的加速度和不在是1个重力加速度。这种情况下,由于加速度的耦合会导致融合算法错误的把剧烈运动产生的轴向加速度变成对重力向量的观测数据,导致对重力向量错误的观测。而改进算法通过降低加速度计的权重,使得***陀螺仪积分值信任程度增加,减小输出角度的误差。
本发明对一种基于自适应参数互补滤波的机器人姿态融合方法进行了详细介绍。具体实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,改进和修饰也落入本发明权利要求的保护范围内。
Claims (6)
1.一种基于自适应参数互补滤波的机器人姿态融合方法,其特征在于,包括如下步骤:
A1、对加速度值进行预处理并选取频率在1-100Hz的分量,依据滤波后的加速度计算加速度和磁力计的置信度;
A2、计算加速度与标准重力向量的误差以及磁力计与NED坐标系下的方向向量误差;
A3、结合置信度和误差向量对陀螺仪测量值进行矫正;
A4、结合四元数微分方程对姿态向量进行更新。
4.根据权利要求1所述的一种基于自适应参数互补滤波的机器人姿态融合方法,其特征在于,步骤A3的具体实现如下:
A301、由加速度向量误差、磁力计向量误差对陀螺仪测量值wm进行动态修正
eInt=eInt+e*Ki*0.5*T
w=wm+eInt+K(t)*e
其中e=ea+em。
6.根据权利要求1所述的一种基于自适应参数互补滤波的机器人姿态融合方法,其特征在于,还包括如下步骤:
B1、初始化***变量:
根据采集到的加速度和磁力计数据计算初始的欧拉角和四元数初始值
roll=atan2(-ay,az)*57.3
B2、姿态预测:
其中:
状态转移矩阵:Φ=I+F*dt,而四元数q部分的状态更新情况,即状态转移矩阵的前四行四列为:
B3、构建观测方程:
观测部由加速度计和磁力计对重力向量提供观测,加速度部分参考值则是将标准的重量加速度[0,0,g]T和磁力计投影到机体坐标系的值与加速度测量值构建误差向量
加速度误差向量ea为:
磁力计部分的观测方程有:
其中am=[ax ay az]和mm=[mx my mz]分别为加速度和磁力计的测量值,磁力计部分的误差向量为:
其中mb=[bx by bz],因此***的误差向量e写为:
B4、计算加速度置信度:
对加速度数据进行预处理,通过带通滤波器提出加速度中的直流分量,取出[1,100Hz]的分量af,通过af分量来判断加速度运动剧烈程度,动态调整加EKF滤波器观测噪声的值R(t),以达到实时调整加速度融合的权重,实现精准的位姿估计,其中,
af=highpass1:100Hz(am)
B5、EKF更新姿态融合:
K=Pk|k-1HT(HPk|k-1HT+R(t))-1
Pk|k=(I-KH)Pk|k-1
xk|k-1=k|k-1+Kr。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110163595.2A CN113063416B (zh) | 2021-02-05 | 2021-02-05 | 一种基于自适应参数互补滤波的机器人姿态融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110163595.2A CN113063416B (zh) | 2021-02-05 | 2021-02-05 | 一种基于自适应参数互补滤波的机器人姿态融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113063416A true CN113063416A (zh) | 2021-07-02 |
CN113063416B CN113063416B (zh) | 2023-08-08 |
Family
ID=76558593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110163595.2A Active CN113063416B (zh) | 2021-02-05 | 2021-02-05 | 一种基于自适应参数互补滤波的机器人姿态融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113063416B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114279446A (zh) * | 2021-12-22 | 2022-04-05 | 广东汇天航空航天科技有限公司 | 飞行汽车航姿测量方法、装置及飞行汽车 |
CN114440871A (zh) * | 2021-12-29 | 2022-05-06 | 宜昌测试技术研究所 | 一种基于自适应互补滤波的九轴磁罗盘数据融合方法 |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050240347A1 (en) * | 2004-04-23 | 2005-10-27 | Yun-Chun Yang | Method and apparatus for adaptive filter based attitude updating |
CN101782391A (zh) * | 2009-06-22 | 2010-07-21 | 北京航空航天大学 | 机动加速度辅助的扩展卡尔曼滤波航姿***姿态估计方法 |
WO2012168357A1 (fr) * | 2011-06-07 | 2012-12-13 | Movea | Procede d'estimation simplifie de l'orientation d'un objet et centrale d'attitude mettant en œuvre un tel procede |
AU2015201877A1 (en) * | 2006-05-31 | 2015-05-14 | TRX Systems, Inc, | Method and system for locating and monitoring first responders |
US20160327396A1 (en) * | 2015-05-08 | 2016-11-10 | Sharp Laboratories of America (SLA), Inc. | System and Method for Determining the Orientation of an Inertial Measurement Unit (IMU) |
CN106679649A (zh) * | 2016-12-12 | 2017-05-17 | 浙江大学 | 一种手部运动追踪***及追踪方法 |
CN107014374A (zh) * | 2017-01-03 | 2017-08-04 | 东南大学 | 一种基于互补滤波的水下滑翔器节能算法 |
CN107389063A (zh) * | 2017-07-26 | 2017-11-24 | 重庆邮电大学 | 基于gsm/mems融合的高精度室内融合定位方法 |
US20170350721A1 (en) * | 2015-10-13 | 2017-12-07 | Shanghai Huace Navigation Technology Ltd | Method of Updating All-Attitude Angle of Agricultural Machine Based on Nine-Axis MEMS Sensor |
CN107478223A (zh) * | 2016-06-08 | 2017-12-15 | 南京理工大学 | 一种基于四元数和卡尔曼滤波的人体姿态解算方法 |
US20180231374A1 (en) * | 2017-02-13 | 2018-08-16 | National Tsing Hua University | Object pose measurement system based on mems imu and method thereof |
CN108717264A (zh) * | 2018-05-29 | 2018-10-30 | 重庆大学 | 一种设计基于事件触发的磁悬浮***模糊控制器的方法 |
CN108827299A (zh) * | 2018-03-29 | 2018-11-16 | 南京航空航天大学 | 一种基于改进四元数二阶互补滤波的飞行器姿态解算方法 |
CN108871319A (zh) * | 2018-04-26 | 2018-11-23 | 李志� | 一种基于地球重力场与地磁场序贯修正的姿态解算方法 |
CN109001787A (zh) * | 2018-05-25 | 2018-12-14 | 北京大学深圳研究生院 | 一种姿态角解算与定位的方法及其融合传感器 |
US10274318B1 (en) * | 2014-09-30 | 2019-04-30 | Amazon Technologies, Inc. | Nine-axis quaternion sensor fusion using modified kalman filter |
CN109916398A (zh) * | 2019-03-22 | 2019-06-21 | 南京航空航天大学 | 一种自适应四元数粒子滤波姿态数据融合方法 |
CN109916395A (zh) * | 2019-04-04 | 2019-06-21 | 山东智翼航空科技有限公司 | 一种姿态自主冗余组合导航算法 |
CN110146077A (zh) * | 2019-06-21 | 2019-08-20 | 台州知通科技有限公司 | 移动机器人姿态角解算方法 |
CN110989348A (zh) * | 2019-12-10 | 2020-04-10 | 重庆大学 | 基于事件触发机制的可重复使用运载***的滑模控制方法 |
CN111426318A (zh) * | 2020-04-22 | 2020-07-17 | 中北大学 | 基于四元数-扩展卡尔曼滤波的低成本ahrs航向角补偿方法 |
CN111551175A (zh) * | 2020-05-27 | 2020-08-18 | 北京计算机技术及应用研究所 | 一种航姿参考***的互补滤波姿态解算方法 |
CN112254723A (zh) * | 2020-10-13 | 2021-01-22 | 天津津航计算技术研究所 | 基于自适应ekf算法的小型无人机marg航姿估计方法 |
-
2021
- 2021-02-05 CN CN202110163595.2A patent/CN113063416B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050240347A1 (en) * | 2004-04-23 | 2005-10-27 | Yun-Chun Yang | Method and apparatus for adaptive filter based attitude updating |
AU2015201877A1 (en) * | 2006-05-31 | 2015-05-14 | TRX Systems, Inc, | Method and system for locating and monitoring first responders |
CN101782391A (zh) * | 2009-06-22 | 2010-07-21 | 北京航空航天大学 | 机动加速度辅助的扩展卡尔曼滤波航姿***姿态估计方法 |
WO2012168357A1 (fr) * | 2011-06-07 | 2012-12-13 | Movea | Procede d'estimation simplifie de l'orientation d'un objet et centrale d'attitude mettant en œuvre un tel procede |
US10274318B1 (en) * | 2014-09-30 | 2019-04-30 | Amazon Technologies, Inc. | Nine-axis quaternion sensor fusion using modified kalman filter |
US20160327396A1 (en) * | 2015-05-08 | 2016-11-10 | Sharp Laboratories of America (SLA), Inc. | System and Method for Determining the Orientation of an Inertial Measurement Unit (IMU) |
US20170350721A1 (en) * | 2015-10-13 | 2017-12-07 | Shanghai Huace Navigation Technology Ltd | Method of Updating All-Attitude Angle of Agricultural Machine Based on Nine-Axis MEMS Sensor |
CN107478223A (zh) * | 2016-06-08 | 2017-12-15 | 南京理工大学 | 一种基于四元数和卡尔曼滤波的人体姿态解算方法 |
CN106679649A (zh) * | 2016-12-12 | 2017-05-17 | 浙江大学 | 一种手部运动追踪***及追踪方法 |
CN107014374A (zh) * | 2017-01-03 | 2017-08-04 | 东南大学 | 一种基于互补滤波的水下滑翔器节能算法 |
US20180231374A1 (en) * | 2017-02-13 | 2018-08-16 | National Tsing Hua University | Object pose measurement system based on mems imu and method thereof |
CN107389063A (zh) * | 2017-07-26 | 2017-11-24 | 重庆邮电大学 | 基于gsm/mems融合的高精度室内融合定位方法 |
CN108827299A (zh) * | 2018-03-29 | 2018-11-16 | 南京航空航天大学 | 一种基于改进四元数二阶互补滤波的飞行器姿态解算方法 |
CN108871319A (zh) * | 2018-04-26 | 2018-11-23 | 李志� | 一种基于地球重力场与地磁场序贯修正的姿态解算方法 |
CN109001787A (zh) * | 2018-05-25 | 2018-12-14 | 北京大学深圳研究生院 | 一种姿态角解算与定位的方法及其融合传感器 |
CN108717264A (zh) * | 2018-05-29 | 2018-10-30 | 重庆大学 | 一种设计基于事件触发的磁悬浮***模糊控制器的方法 |
CN109916398A (zh) * | 2019-03-22 | 2019-06-21 | 南京航空航天大学 | 一种自适应四元数粒子滤波姿态数据融合方法 |
CN109916395A (zh) * | 2019-04-04 | 2019-06-21 | 山东智翼航空科技有限公司 | 一种姿态自主冗余组合导航算法 |
CN110146077A (zh) * | 2019-06-21 | 2019-08-20 | 台州知通科技有限公司 | 移动机器人姿态角解算方法 |
CN110989348A (zh) * | 2019-12-10 | 2020-04-10 | 重庆大学 | 基于事件触发机制的可重复使用运载***的滑模控制方法 |
CN111426318A (zh) * | 2020-04-22 | 2020-07-17 | 中北大学 | 基于四元数-扩展卡尔曼滤波的低成本ahrs航向角补偿方法 |
CN111551175A (zh) * | 2020-05-27 | 2020-08-18 | 北京计算机技术及应用研究所 | 一种航姿参考***的互补滤波姿态解算方法 |
CN112254723A (zh) * | 2020-10-13 | 2021-01-22 | 天津津航计算技术研究所 | 基于自适应ekf算法的小型无人机marg航姿估计方法 |
Non-Patent Citations (6)
Title |
---|
CEN, R., ZHANG, X., TAO, Y., XUE, F., & ZHANG, Y: "Temporal delay estimation of sparse direct visual inertial odometry for mobile robots", 《JOURNAL OF THE FRANKLIN INSTITUTE》, vol. 357, no. 7, pages 3893 - 3906 * |
K. SUN , K. MOHTA , B. PFROMMER , M. WATTERSON , S. LIU , Y. MULGAONKAR , C.J. TAYLOR , V. KUMAR: "Robust stereo visual inertial odometry for fast autonomous flight", 《IEEE ROBOT. AUTOM. LETT》, vol. 3, no. 2, pages 965 - 972 * |
于春晓;薛方正;李楠;: "基于PF的电子罗盘航姿估计算法研究", 《微计算机信息》, vol. 26, no. 32, pages 138 - 140 * |
夏庭锴等: "基于单目视觉的移动机器人导航算法研究进展", 《控制与决策》, vol. 25, no. 1, pages 1 - 7 * |
敬成林;李祖枢;薛方正: "双足机器人逆运动学的模糊自适应算法", 《机器人》, vol. 32, no. 04, pages 535 - 538 * |
路永乐;余跃;龚爽;王艳;张欣;丁其星;刘宇;: "一种用于人体运动捕获的自适应混合滤波融合算法", 《工程科学与技术》, no. 05, pages 97 - 104 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114279446A (zh) * | 2021-12-22 | 2022-04-05 | 广东汇天航空航天科技有限公司 | 飞行汽车航姿测量方法、装置及飞行汽车 |
CN114279446B (zh) * | 2021-12-22 | 2023-11-03 | 广东汇天航空航天科技有限公司 | 飞行汽车航姿测量方法、装置及飞行汽车 |
CN114440871A (zh) * | 2021-12-29 | 2022-05-06 | 宜昌测试技术研究所 | 一种基于自适应互补滤波的九轴磁罗盘数据融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113063416B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102017404B1 (ko) | 9축 mems 센서에 기반하여 농기계의 전-자세 각도를 갱신하는 방법 | |
WO2020253854A1 (zh) | 移动机器人姿态角解算方法 | |
Kubelka et al. | Complementary filtering approach to orientation estimation using inertial sensors only | |
Jun et al. | State estimation of an autonomous helicopter using Kalman filtering | |
CN107014376B (zh) | 一种适用于农业机械精准作业的姿态倾角估计方法 | |
CN111551174A (zh) | 基于多传感器惯性导航***的高动态车辆姿态计算方法及*** | |
CN112611380B (zh) | 基于多imu融合的姿态检测方法及其姿态检测装置 | |
CN111351482A (zh) | 基于误差状态卡尔曼滤波的多旋翼飞行器组合导航方法 | |
CN110017837A (zh) | 一种姿态抗磁干扰的组合导航方法 | |
CN113063416B (zh) | 一种基于自适应参数互补滤波的机器人姿态融合方法 | |
AU2015305864B2 (en) | Earthmoving machine comprising weighted state estimator | |
CN111238469B (zh) | 一种基于惯性/数据链的无人机编队相对导航方法 | |
CN113670314B (zh) | 基于pi自适应两级卡尔曼滤波的无人机姿态估计方法 | |
RU2762143C2 (ru) | Система определения курса и углового пространственного положения, выполненная с возможностью функционирования в полярной области | |
CN115143954B (zh) | 一种基于多源信息融合的无人车导航方法 | |
CN106403952A (zh) | 一种动中通低成本组合姿态测量方法 | |
CN110793515A (zh) | 一种基于单天线gps和imu的大机动条件下无人机姿态估计方法 | |
CN108871319B (zh) | 一种基于地球重力场与地磁场序贯修正的姿态解算方法 | |
CN110873563B (zh) | 一种云台姿态估计方法及装置 | |
Hoang et al. | Noise attenuation on IMU measurement for drone balance by sensor fusion | |
CN104546391B (zh) | 一种用于盲杖的陀螺稳定装置及其互补滤波方法 | |
JP2019189121A (ja) | 車両状態推定装置 | |
CN110375773B (zh) | Mems惯导***姿态初始化方法 | |
CN109674480B (zh) | 一种基于改进互补滤波的人体运动姿态解算方法 | |
CN116429101A (zh) | 基于惯性导航的轨迹跟踪控制***及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |