CN102932686B - 在遥控器中处理传感器数据的方法 - Google Patents

Abstract

本发明公开一种在遥控器中处理传感器数据的方法，至少包括以下步骤：获取传感器检测到的遥控器原始数据；对获取到的原始数据进行数据初步校准处理，并得到处理后的有效校准数据；对得到的有效校准数据进行数据融合处理，并得到处理后的有效融合数据；根据得到的有效数据进行动作状态的判断处理，以判断是否进行偏移量校准和偏移量更新。本发明有益效果为：该方法执行时对传感器数据进行了多方面的数据校准、数据融合等数据处理，提高数据的有效性和可靠性，从而增强了系统的稳定性，方便电视机端上层应用程序使用。将传感器应用于智能遥控系统中，实现了遥控器对智能电视的控制。

Description

在遥控器中处理传感器数据的方法

技术领域

本发明涉及智能遥控系统领域，尤其涉及一种在智能遥控器中处理MEMS惯性传感器数据的方法。

背景技术

伴随着智能电视的发展，网络功能、体感游戏功能已经成为智能电视不可或缺的部分。而传统的遥控器只具有键盘、红外发射等部分功能，其已经不能满足用户操控智能电视机的需求。智能遥控系统就是通过MEMS惯性传感器模块来实现空中鼠标、体感游戏手柄等功能的。

目前，MEMS惯性传感器的精度还不是很高，特别是电子消费类的MEMS惯性传感器，其数据输出存在着较大的漂移误差。将MEMS惯性传感器应用于智能遥控系统中，若想取得良好的人机交互体验，需要对其输出的数据进行消除漂移误差的处理。

发明内容

针对上述问题，本发明的目的在于提供一种在遥控器中处理传感器数据的方法，提高了数据的可用性和稳定性，从而增强了系统的稳定性。

为达到上述目的，本发明所述一种在遥控器中处理传感器数据的方法，至少包括以下步骤：

获取惯性传感器检测到的遥控器原始数据；

对获取到的原始数据进行数据初步校准处理，并得到处理后的有效校准数据；

对得到的有效校准数据进行数据融合处理，并得到处理后的有效融合数据；

根据得到的有效数据进行动作状态的判断处理，以判断是否进行偏移量校准和偏移量更新；

若处于“动作”状态，则进行有效数据中陀螺仪数据的偏移量校准和更新，以及进行有效数据中加速度计数据的偏移量校准；

反之，重新获取传感器检测到的遥控器原始数据，以及初步校准、数据融合和状态判断。

优选地，对获取到的原始数据进行数据初步校准处理，从数据寄存器中获取传感器各个轴的原始数据，对各个轴上所获取的原始数据均进行初步校准处理，其包括以下步骤：

对任一一轴的原始数据为x₁，x₂，...，x_n，将该数据分成k批，每一批的测量数据可记为x_p1，x_p2，..，x_pm，(p＝1，2，..，k)；

分别计算各批数据的算术平均值，并将其记为其公式为 ${\stackrel{\‾}{x}}_p=\frac{1}{j}\underset{i=1}{\overset{j}{\mathrm{\Σ}}}{x}_{\mathrm{pi}},p=\mathrm{1,2},...,k;$

再计算出各批数据相应的标准差，记为其公式为 ${\stackrel{\‾}{\mathrm{\σ}}}_p=\sqrt{\frac{1}{j-1}\underset{i=1}{\overset{j}{\mathrm{\Σ}}}{(x_{\mathrm{pi}}-{\stackrel{\‾}{x}}_p)}^2},p=\mathrm{1,2},...,k;$

将得到的各批数据标准差进行比较，去除误差较大的数据，再进行数据融合的处理。

优选地，对得到的有效校准数据进行数据融合处理所用到的融合公式为：

优选地，对陀螺仪数据的偏移量校准和更新，具体包括以下步骤：

根据获取到的有效数据中陀螺仪数据通过预设计算得到偏移向量 $\stackrel{\→}{\mathrm{\β}}=\{{\mathrm{\β}}_1,{\mathrm{\β}}_2,{\mathrm{\β}}_3\};$

根据获取到的有效数据中陀螺仪数据建立一个3*3的陀螺仪方向矩阵A，其中 $a=\left[\begin{array}{ccc}{a}_0& a_1& a_2\\ a_3& a_4& a_5\\ a_6& a_7& a_8\end{array}\right];$

根据得到的偏移向量和方向矩阵得到旋转后的偏移向量

获取前一次的偏移量数据，减去上述得到的旋转后的偏移向量得出最终的偏移向量结果并存入输出寄存器中。

优选地，对加速度计数据的偏移量校准据具体为：通过取n个加速度计数样本(n＞10)的平均值减去测量的实际数值，得到偏移补偿过的数据。

优选地，所述惯性传感器为三轴或六轴。

优选地，融合处理后的有效数据进行动作状态的判断处理，具体为：

若有效融合数据在预设阈值范围内，则视为传感器处于“非动作”状态内；

反之，则视为传感器处于“动作”状态内。

优选地，所述阈值范围为传感器所设定的灵敏度。

优选地，所述传感器包括加速度计和陀螺仪。

优选地，所述加速度计和陀螺仪均采用三轴。

本发明的有益效果为：

本发明是一种在智能遥控系统中使用MEMS惯性传感器数据并对其数据进行处理的方法，该方法执行时对MEMS惯性传感器数据进行了多方面的数据校准、数据融合等数据处理，提高数据的有效性和可靠性，从而增强了系统的稳定性，方便电视机端上层应用程序使用。将MEMS惯性传感器应用于智能遥控系统中，实现了遥控器对智能电视的控制。

附图说明

图1是本发明实施例所述MEMS惯性传感器数据处理流程图。

具体实施方式

下面结合说明书附图对本发明做进一步的描述。

本发明实施例所述一种在智能遥控器中处理MEMS惯性传感器数据的方法，至少包括以下步骤：

获取MEMS惯性传感器检测到的遥控器原始数据；

对获取到的原始数据进行数据初步校准处理，并得到处理后的有效校准数据；

对得到的有效校准数据进行数据融合处理，并得到处理后的有效融合数据；

根据得到的有效数据进行动作状态的判断处理，以判断是否进行偏移量校准和偏移量更新；

若处于“动作”状态，则进行有效数据中MEMS陀螺仪数据的偏移量校准和更新，以及进行有效数据中MEMS加速度计数据的偏移量校准；

反之，重新获取MEMS惯性传感器检测到的遥控器原始数据，以及初步校准、数据融合和状态判断。

下面对上述方法做进一步的解释说明：

MEMS惯性传感器包括MEMS陀螺仪和MEMS加速度计。随着MEMS惯性传感器技术的发展，多轴的MEMS惯性传感器已经广泛的应用于电子消费类商品中。在本实施例中提到的MEMS惯性传感器都是三轴的，即为X，Y，Z三轴。对其数据处理也是分别对这三个轴的数据进行处理。

针对MEMS惯性传感器(包括MEMS陀螺仪和MEMS加速度计)在智能遥控系统中应用时数据处理的问题，在此提出了一种数据处理的方法，其具体分为数据校准、数据融合、动作状态检测、偏移量校准及其更新这样几部分，而在偏移量校准及其更新这部分，会依据MEMS陀螺仪和MEMS加速度计分别进行处理。这几部分的具体内容如下所述：

第一部分：将从MEMS惯性传感器处获取的原始数据进行数据初步校准的工作。

该处理过程所采用的方法是基于分批估计理论的算法。所谓分批估计，是指将同一时刻处在不同空间位置的多个传感器所检测到的数据进行分批处理，以求得更优的结果。从相应的数据寄存器中读取MEMS惯性传感器各个轴的原始数据，对其进行数据校准的处理。其具体步骤如下：

1、对任一一轴的原始数据为x₁，x₂，...，x_n，将该数据分成k批，每一批的测量数据可记为x_p1，x_p2，..，x_pm，(p＝1，2，...，k)；

2、分别计算各批数据的算术平均值，并将其记为其公式为 ${\stackrel{\‾}{x}}_p=\frac{1}{j}\underset{i=1}{\overset{j}{\mathrm{\Σ}}}{x}_{\mathrm{pi}},p=\mathrm{1,2},...,k;$

3、再计算出各批数据相应的标准差，记为其公式为 ${\stackrel{\‾}{\mathrm{\σ}}}_p=\sqrt{\frac{1}{j-1}\underset{i=1}{\overset{j}{\mathrm{\Σ}}}{(x_{\mathrm{pi}}-{\stackrel{\‾}{x}}_p)}^2},p=\mathrm{1,2},...,k;$

4、将得到的各批数据标准差进行比较，去除误差较大的数据，再进行数据融合的处理。

第二部分：对MEMS惯性传感器数据进行数据融合的处理。

对MEMS惯性传感器的原始数据进行了求取算数平均值、标准差的处理之后，可以进行进一步的数据融合的处理，其所用到的融合公式为：

第三部分：对MEMS惯性传感器数据进行动作状态检测处理。

在得到经过数据融合处理的惯性传感器有效数据后，需要对其进行动作状态的判断处理，即将这部分有效数据与设置的阈值相比较，如果在一定的阈值范围内，则判定MEMS惯性传感器器件处于“非动作”状态；反之，则判断其处于“动作”状态。这里提到的“阈值范围”是依据MEMS惯性传感器所设定的灵敏度。

只有在判定了器件处于“动作”状态，才能对惯性传感器数据进行进一步的偏移量校准、偏移量更新等数据处理工作。

在对惯性传感器数据进行偏移量校准、传感器融合等算法处理之前，需要先判断惯性传感器的运动是否处在“动作”状态，如果处于“非动作”状态，则不对读取到的惯性传感器数据进行进一步处理，而是继续获取数据反复进行状态判断，直到判断结果为“动作”状态为止，再进行下一步数据处理。

在由MEMS加速度计和MEMS陀螺仪组成的六轴惯性传感器系统中，加速度计是用来检测器件是否处于动作或非动作状态的。一旦加速度计检测到的数值低于设定的阈值，则程序会判定器件处于“非动作”状态。所以，我们可以只对加速度计的数据进行处理，从而进行状态判断。

在对惯性传感器数据进行了数据校准、数据融合的处理之后，我们将计算得到的数据与设定的工作区阈值范围相比较，从而，可以判断出传感器的运动是否在工作区。若小于设定的阈值范围，则判断为“不动作”状态，反之，就可以进入到下一步的数据偏移量更新、偏移量校准等处理。

此外，如果在一定时间段内动作检测的结果都为“非动作”状态，那么惯性传感器的偏移量就会被校准到标准值。

第四部分：对MEMS陀螺仪数据进行偏移量校准和偏移量更新。

由于MEMS陀螺仪自身的固有特性、温度及积分过程的影响，它会随着工作时间的延长产生漂移误差，我们需要在程序处理的循环中，不断的获取这些偏移量，并将其从陀螺仪的有效数据中去除。偏移量校准的具体步骤如下：

1、根据获取到的有效数据中MEMS陀螺仪数据通过预设计算得到偏移向量 $\stackrel{\→}{\mathrm{\β}}=\{{\mathrm{\β}}_1,{\mathrm{\β}}_2,{\mathrm{\β}}_3\};$

2、根据获取到的有效数据中MEMS陀螺仪数据建立一个3*3的陀螺仪方向矩阵A，其中 $a=\left[\begin{array}{ccc}{a}_0& a_1& a_2\\ a_3& a_4& a_5\\ a_6& a_7& a_8\end{array}\right];$

3、根据得到的偏移向量和方向矩阵得到旋转后的偏移向量

4、获取前一次的偏移量数据，减去上述得到的旋转后的偏移向量得出最终的偏移向量结果并存入输出寄存器中。

经过上面几个步骤就可以实现一次惯性传感器数据的偏移量校准及偏移量更新的处理。我们需要不断读取这部分偏移量数据来对MEMS陀螺仪传感器的输出数据进行校正，从而确保数据的准确有效。

第五部分：对MEMS加速度计数据进行偏移量校准。

对MEMS加速度计简单的校验方法是测量偏移。可以使用MEMS加速度计内置的偏移寄存器，来自动记录偏移量，再从数据寄存器中获取已经偏移补偿过的数据。

在校准过程中，通常将器件调整为：一个轴(通常为z轴)在1g重力场，其余轴(通常是x和y轴)在0g场。然后取一系列样本的平均值，作为加速度计的输出。我们选择平均样本数，即100Hz的数据速率10个样本。对于低于100Hz的数据速率，平均至少有10个样本。x轴和y轴上0g测量和Z轴的1g测量的值分别存储为X_0g、Y_0g和Z_+1g。

X_0g和Y_0g的实测值对应于x轴和y轴偏移，通过从加速度计输出中减去这些值进行补偿，以获取实际加速度，即偏移补偿过的数据，其具体计算公式如下所示：

X_ACTUAL＝X_MEAN-X_0g

Y_ACTUAL＝Y_MEAN-Y_0g

其中“ACTUAL”的下标表示实际值，“MEAN”的下标表示平均值。

因为z轴测量是在+1g场完成，那假定z轴的理想灵敏度为S_z，从Z_+1g中减去该值得到z轴的偏移，然后用加速度计输出减去z轴的偏移，从而获得实际偏移补偿的值，其具体计算公式如下所示：

Z_0g＝Z_+1g-S_z

Z_ACTUAL＝Z_MEAN-Z_0g

经过上面几个步骤就可以实现MEMS加速度计传感器数据的偏移量校准的处理。

在对MEMS惯性传感器数据进行了如上处理后，需要再依据实际情况所需对数据进行传感器融合算法或其他应用处理，这样可以有效的提高数据的可用性和系统的稳定性。

用附图1来表述上述MEMS惯性传感器数据处理的基本流程，其中灰色框框起来的部分是在进行了上述的数据处理后可能会进行的其他数据处理操作，这里只是举例说明。

为了便于理解，这里对灰色框图中的内容稍作说明：

在进行了上文中的数据校准，数据融合，动作状态检测，偏移量更新及校准之后，可以到有效的传感器数据。基于这些效数据，将依据数据的用途对其进行进一步的处理。在框图所示的实例中，分了两种情况：空中鼠标和运动方向检测。

如果将处理后的传感器数据用以空中鼠标的控制中，那么需要用到三轴陀螺仪和三轴加速度计的数据，那么需要对这六轴的数据进行“传感器融合”的算法处理。基于现阶段的的研究现状，这一部分的算法处理大部分是基于“卡尔曼滤波”的算法，且各个MEMS惯性传感器芯片厂家已经将这部分算法集成到芯片内部实现。在实际应用中，只需要调用相应的API接口函数来直接获取处理后得到的空中鼠标位移数据。

如果将处理后的传感器数据用以运动方向检测的控制中，那么，在大部分情况下，运动方向检测的功能可以单独通过加速度计来实现，那么这里只需要用到三轴加速度计数据。在实际操作中，需要将加速度计三个轴的数据与设定的方向阈值进行比较，从而判断出运动的方向。这里所提到的方向阈值是经过实验数据测量后统计出来的数值。

以上，仅为本发明的较佳实施例，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揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求所界定的保护范围为准。

Claims (10)

1.一种在遥控器中处理传感器数据的方法，其特征在于，至少包括以下步骤：

获取传感器检测到的遥控器原始数据；

对获取到的原始数据进行数据初步校准处理，并得到处理后的有效校准数据；

对得到的有效校准数据进行数据融合处理，并得到处理后的有效融合数据；

根据得到的有效数据进行动作状态的判断处理，以判断是否进行偏移量校准和偏移量更新；

若处于“动作”状态，则进行有效数据中陀螺仪数据的偏移量校准和更新，以及进行有效数据中加速度计数据的偏移量校准；

反之，重新获取传感器检测到的遥控器原始数据，以及初步校准、数据融合和状态判断；

所述传感器为惯性传感器。

2.根据权利要求1所述的在遥控器中处理传感器数据的方法，其特征在于，对获取到的原始数据进行数据初步校准处理，从数据寄存器中获取传感器各个轴的原始数据，对各个轴上所获取的原始数据均进行初步校准处理，其包括以下步骤：

对任一一轴的原始数据为x₁，x₂，...，x_n，将该数据分成k批，每一批的测量数据可记为x_p1,x_p2,...,x_pm,(p＝1,2,...,k)；

分别计算各批数据的算术平均值，并将其记为其公式为 ${\stackrel{\‾}{x}}_p=\frac{1}{j}\underset{i=1}{\overset{j}{\mathrm{\Σ}}}{x}_{\mathrm{pi}},p=\mathrm{1,2},...,k;$

再计算出各批数据相应的标准差，记为其公式为 ${\stackrel{\‾}{\mathrm{\σ}}}_p=\sqrt{\frac{1}{j-1}\underset{i=1}{\overset{j}{\mathrm{\Σ}}}{(x_{\mathrm{pi}}-{\stackrel{\‾}{x}}_p)}^2},p=\mathrm{1,2},...,k;$

将得到的各批数据标准差进行比较，去除误差较大的数据，再进行数据融合的处理。

3.根据权利要求1所述的在遥控器中处理传感器数据的方法，其特征在于，对得到的有效校准数据进行数据融合处理所用到的融合公式为：

4.根据权利要求1所述的在遥控器中处理传感器数据的方法，其特征在于，对陀螺仪数据的偏移量校准和更新，具体包括以下步骤：

根据获取到的有效数据中陀螺仪数据通过预设计算得到偏移向量 $\stackrel{\→}{\mathrm{\β}}=\{{\mathrm{\β}}_1,{\mathrm{\β}}_2,{\mathrm{\β}}_3\};$

根据获取到的有效数据中陀螺仪数据建立一个3*3的陀螺仪方向矩阵A，其中 $A=\left[\begin{array}{ccc}{a}_0& a_1& a_2\\ a_3& a_4& a_5\\ a_6& a_7& a_8\end{array}\right];$

根据得到的偏移向量和方向矩阵得到旋转后的偏移向量

获取前一次的偏移量数据，减去上述得到的旋转后的偏移向量得出最终的偏移向量结果并存入输出寄存器中。

5.根据权利要求1所述的在遥控器中处理传感器数据的方法，其特征在于，对加速度计数据的偏移量校准具体为：通过取n个加速度计数据的样本(n>10)的平均值减去测量的实际数值，得到偏移补偿过的数据。

6.根据权利要求1所述的在遥控器中处理传感器数据的方法，其特征在于，所述惯性传感器为三轴或六轴。

7.根据权利要求1所述的在遥控器中处理传感器数据的方法，其特征在于，融合处理后的有效数据进行动作状态的判断处理，具体为：

若有效融合数据在预设阈值范围内，则视为传感器处于“非动作”状态内；

反之，则视为传感器处于“动作”状态内。

8.根据权利要求7所述的在遥控器中处理传感器数据的方法，其特征在于，所述阈值范围为惯性传感器所设定的灵敏度。

9.根据权利要求1所述的在遥控器中处理传感器数据的方法，其特征在于，所述惯性传感器包括加速度计和陀螺仪。

10.根据权利要求9所述的在遥控器中处理传感器数据的方法，其特征在于，所述加速度计和陀螺仪均采用三轴。