带加速度计和陀螺仪的航位推算。可能？

我有一个3轴加速度计和3轴陀螺仪。我的任务是使用这种硬件开发航位推测系统。

本质上，我需要开发一些代码来实时跟踪电路板在3d空间中的位置。因此，如果我从桌面上的木板开始并将其向上抬起1m，我应该能够在屏幕上看到该运动。也需要考虑旋转，因此，如果我将板颠倒通过相同的动作进行一半，它仍应显示相同的1m向上结果。对于几秒钟内的任何复杂运动，也应保持相同的状态。

忽略执行计算和旋转向量等所需的数学运算，即使使用如此低成本的设备，这是否有可能？据我所知，我将无法以100％的精度去除重力，这意味着我相对于地面的角度将关闭，这意味着我的矢量旋转将关闭，这将导致错误的位置测量。

我也有加速度计和陀螺仪偏置产生的噪声。

能做到吗？

您得到的答案和评论当然很棒，但是我可以添加一些颜色。

无论其价值如何，我们的传感神经系统都使用相同的工具，而且不一定总能得到正确的答案！我们有3D加速度计（耳石器官）和3D“陀螺仪”（角速度计，半圆形管），但是当系统无法获得正确的“答案”时，我们会遭受各种幻觉的困扰，例如电梯幻觉和眼凹幻觉。这些故障通常发生在低频线性加速过程中，很难与重力区分开。曾经有一段时间，由于与发射相关的低频加速度引起的强烈的俯仰感，飞行员在航空母舰的弹射器起飞期间俯冲潜入海洋，直到训练规程教他们忽略这些感觉。

理所当然，生理传感器与MEMS传感器具有不同的频率截止和本底噪声，但是我们也有一个庞大的神经网络可以解决这个问题-尽管在这些低频极端情况下，发展压力无法正确解决问题，只要弹射器的发射相当罕见；-)。

想象一下这个很多人都经历过的常识性的“航位推算”问题，我想您会看到这是如何延续到MEMS世界的。您乘坐喷气机，在北美起飞，加速巡航，越过海洋，减速并降落在欧洲。即使从问题中消除了倾斜和平移的歧义，并假设旋转为零，也几乎没有希望真正实现加速度轮廓的双重积分，从而产生几乎可以准确地告诉您您已经到达欧洲的位置轮廓。即使您在旅途中将非常精确的6轴陀螺仪/加速度计套件放在腿上，也同样会遇到问题。

这是一个极端。有许多证据表明，对于日常行为，动物使用一个简单的假设，即检测到的低频加速度可能是由于重力的重新定向引起的。陀螺仪和加速度计的组合具有比我们的内耳更宽的频率响应，当然可以更好地解决该问题，但是由于本底噪声，阈值等因素，仍然存在极端问题。

因此，对于具有非平凡加速度的短时期而言，使用正确的仪器进行航位推算并不是什么大问题。从长远来看，在小加速度和低频加速度的情况下，航位推算是一个大问题。对于任何给定的情况，您都需要弄清楚您的特定问题在该频谱上的位置，以及您的航位推算需求的准确性，以便确定您能做的最好的事情是否足够好。我们称其为过程工程。

我在进行类似于您的高级设计项目时发现的推算法存在的主要问题是，加速度计只能测量加速度。您必须进行一次积分以获得速度和常数C。然后必须再次进行积分以获得位置+ Cx +D。这意味着，一旦从加速度计的数据计算位置，您将得到一个偏移量，但同时随着时间线性增长的误差。对于我使用的MEM传感器，它在1秒钟内计算出其自身与实际位置相距至少一米。为了使此功能有用，通常必须找到一种经常将错误归零的方法，以免产生错误。一些项目能够做到这一点，但许多项目却无法做到。

加速度计的确提供了一个很好的重力矢量，其误差不会随时间增加，而电子罗盘可以在没有积累误差的情况下进行定向，但是总的来说，航位推算问题并未得到海军在舰船上大量传感器上花费的巨额资金的解决。 。它们比您可以做的要好，但我上次阅读时，他们仍然发现自己在行驶1000公里时偏离了1公里。实际上，这对于航位推算是相当不错的，但是如果没有他们的装备，您将无法实现接近目标的目标。

您还将在加速度计中产生偏差，并在陀螺仪中产生噪声以进行处理。

而且重力不应在角度测量中引入误差；相反，重力矢量提供了“绝对参考”，可帮助您将“俯仰”角和“侧倾”角的累积偏差归零。

是的，您想做的事是可能的，但是低成本MEMS器件的性能差意味着误差会迅速累积-偏置变化和噪声（在加速度计和速率陀螺仪中）产生的“随机游动”会导致结果在几秒钟或几分钟内脱离现实。

要解决此问题，您需要在系统中合并不受此类错误影响的其他传感器。正如我上面提到的，使用重力矢量角是纠正某些陀螺仪误差的一种方法，但是在使用之前，您需要知道何时进行了精确的重力测量（系统没有被加速）。它。

校正角度漂移的另一种方法是结合磁力计来测量地球磁场。磁力计具有相对较大的误差，但是它们不会遭受长期漂移的困扰。

校正由加速度计读数的漂移分量产生的位置误差需要某种绝对位置参考。GPS是常用的（如果可用），但是您也可以使用其他传感器，例如气压计（用于高度），里程表（如果地面上有轮子），超声波或红外距离传感器，甚至图像传感器。

无论最终使用哪种传感器组合，都需要将所有这些数据“融合”到系统状态的自洽软件模型中，该模型不仅包括当前位置和姿态，还包括当前偏差的估计值，比例因子和传感器本身的噪声水平。一种常见的方法是使用卡尔曼滤波器，对于给定的一组传感器读数，可以显示卡尔曼滤波器为系统状态提供“最佳”估计（即最佳可用估计）。

简短的回答是“不完全”。长答案是，您可以形成诸如“鉴于我的陀螺仪读数，我有95％的信心自从上次读数以来，该设备已在28度和32度之间旋转”这样的语句。

这些“嘈杂”的微分方程通常以“随机微分方程”为名，其中假定噪声为通过随机游走产生的白噪声。数学可以推广到其他情况下的噪声不是来自随机游走。在任何特定情况下，噪声将具有可以通过实验确定的分布，其参数将取决于您的特定设备和应用。由于噪声的累积，无论您要做什么以在相对较长的时间范围内获得良好的估计，您始终需要定期将其校准到一个已知位置。固定参考的示例包括基准，指南针读数和重力。

如果您决定采用这种方法，则必须决定以下几件事：

• 可接受的错误级别是多少？您是否要对2秒后处于1度以内的度数保持95％的信心，还是要对2秒后处于5度以内度数的度数保持80％的信心？

• 从陀螺仪/加速度计获取一些读数。这可以用来计算估计实际噪声的噪声的经验分布。用它来解决嘈杂的微分方程并计算您的置信区间。

• 从以上所述，应该很清楚数据手册中的读取精度（方差）如何影响您的嘈杂微分方程的求解。也将清楚它如何影响您的置信区间。

• 选择具有可接受参数的设备，以便在第一步中获得所需的置信区间。您可能会发现所需/需要的设备精度参数与可用参数和/或预算不匹配。另一方面，对于便宜的设备所获得的结果，您可能会感到惊讶。