连续线性加速度下的AHRS算法

我尝试了几种算法来获得连续线性加速度和振动（小于0.4g，频率小于10HZ）下的俯仰，侧倾和偏航。它们均未提供良好的结果，因为读数可能漂移或受线性加速度的影响太大。我要实现的是，当外部加速度小于+ -0.4g时，俯仰和横滚的误差应小于+ -1deg。

我已经尝试过这些算法：

1. 麦格威克算法。当Beta增益设置得很高时，收敛速度很快，但是角度更容易受到线性加速度的影响。我将其调低，并将线性加速度下的误差降低至+ -0.5deg。但是，如果振动是连续的，则读数将漂移，并且需要很长时间才能收敛到真实值。这是有道理的，因为在线性加速度下，陀螺仪受到更多的信任，并且计算出的角度随着陀螺仪积分的漂移而漂移。

2. Mahony的算法。与Madgwick的相反，无论我为Ki和Kp使用什么值，它都不会漂移。但是，它始终受线性加速度的影响。（误差大于+ -6deg）

3. 传统卡尔曼滤波器。在调整那些巨大的R和Q向量上已经花费了很多时间。到目前为止，它具有与Mahony相同的性能。

我正在使用剃刀IMU。我知道使用廉价的传感器不可能获得与这一传感器相同的结果。

还有更多类似UKF的选项，但是很难理解或实施。

任何建议都欢迎。

首先，请确保您了解以下两个关键点：

1. 在存在线性加速度的情况下，仅从IMU数据确定姿态本身就模棱两可。如果没有其他有关加速度性质的知识，则始终会达到可以达到的精度上限。

2. 集成陀螺仪测量中的漂移会限制精度。有了完美的陀螺仪数据和集成，就根本不需要加速度计数据。您越接近完美，就越可以忽略加速度。

定向算法的选择在这里基本上无关紧要。它们都遵循相同的原理：使用重力加速度的方向进行漂移校正校正的陀螺仪数据，两者之间的权重有所不同。如果您尝试调整参数但未获得所需的结果，则使用其他算法不太可能做得更好。

因此，基本上可以做两件事。

1. 提高陀螺仪集成的准确性。
2. 以某种方式对线性加速度的性质进行建模。

第二种选择很难讨论，因为它取决于您正在研究的运动的细节。有一些简单的技巧，例如在给定范围之外丢弃或减轻加速度的权重。从本质上讲，这些只是将线性加速度建模为短暂的情况。如果您的系统处于连续运动状态，它们将无济于事。

不过，您可以采取几种措施来改善陀螺仪的集成度：

1. 获得对陀螺仪偏差的最佳估计。在使用前立即获取静态陀螺仪读数几秒钟，然后对它们进行平均以获取偏移值。不要依赖一次性校准。
2. 尽量减少由于温度引起的漂移。在校准/使用之前，让IMU预热到稳态工作温度。在运行过程中，请尝试使其保持稳定的温度。
3. 改善您的校准模型。考虑包括跨轴效应和非线性以及比例和偏移。
4. 使用更好的集成方法。在您的问题的评论中已经有一些想法。
5. 看看是否可以追踪陀螺仪漂移。如果定向算法必须始终如一地校正特定方向上的漂移，则可以检测到该漂移并使用它来轻轻调整偏差值。

没错，您使用的传感器不是可用的最高等级。但是，如果足够好地表征和校准，则可以从消费类传感器中获得非常好的结果。