CN108507571B - 一种高速运动学下imu姿态捕捉方法及系统 - Google Patents
一种高速运动学下imu姿态捕捉方法及系统 Download PDFInfo
- Publication number
- CN108507571B CN108507571B CN201810189679.1A CN201810189679A CN108507571B CN 108507571 B CN108507571 B CN 108507571B CN 201810189679 A CN201810189679 A CN 201810189679A CN 108507571 B CN108507571 B CN 108507571B
- Authority
- CN
- China
- Prior art keywords
- acceleration
- sensor
- attitude
- follows
- representing
- 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.)
- Active
Links
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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Gyroscopes (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种高速运动学下IMU姿态捕捉方法,包括以下步骤:(A)、获取角速度的信号(B)、获取加速度的信号(C)、获取磁信号(D)、建立初始姿态;(E)、评估加速度的不确定度;(F)、评估磁干扰的不确定度;(G)、利用卡尔曼延展滤波器更新姿态;本发明又提供了一种高速运动学下IMU姿态捕捉系统,包括有IMU单元,所述IMU单元包括有三轴加速传感器、三轴磁传感器与三轴角速度传感器,还包括有运算单元与卡尔曼延展滤波器,所述IMU单元与运算单元以及卡尔曼延展滤波器电连接。本发明的IMU动态运动捕捉方法,可以避免运动过程中因加速度骤变而引起较大姿态误差;姿态测量误差收敛快速;对不同的运动形式有很好的适应能力。
Description
技术领域
本发明涉及一种三维传感器领域,特别是IMU系统。
背景技术
惯性测量单元,即IMU传感器,是基于MEMS技术,将3轴 (X,Y,Z三个方向)的加速度传感器(accelerometer),三轴的角速度传感器(gyroscope),以及三轴的磁力传感器(magnetometer)封装在一起,实现物体三维姿态测量的微机电传感器系统。近年来,得益于MEMS技术的快速发展,目前IMU传感器的尺寸已经可以做到小于手表的尺寸,价格也大大降低,常规的IMU能够普遍为一般用户所接受,甚至智能手机中,都含有一个IMU传感器。其在体育锻炼,人体定位导航,娱乐,康复测试等方面都得到了广泛的应用。
然而,由于IMU传感器测量物体三维姿态时,借助于重力加速度和地磁场作为参考基准,在测量持续高速运动时的物体时,由于物体显著的加速度与重力加速度耦合在一起,因此系统失去了可靠的重力加速度的观测基准,测量的精度明显降低。同样的,在磁场干扰明显的情况下,传感器由于失去了可靠的地磁场参考基准,传感器的三维方位测量精度也会明显下降。而为了实现精准的测量,现有技术中,基本都是通过采购经标定的IMU传感器。对于严格标定的IMU传感器,如XSENS等,价格高达上千美金,虽然较一般未标定IMU准确,但价格也高出了上百倍。而且尽管标定过的IMU性能较好,然而其在测量动态运动时,在应对加速度较复杂的情况时,也出现了很明显的误差以及收敛性差的问题,导致出现上述的问题,主要是因为 IMU当中的数据融合算法不精确,常用的数据融合算法有:卡尔曼滤波方法、粒子滤波姿态估计法、梯度下降法、互补滤波方法等。卡尔曼滤波方法应用于惯性导航中取得了较大的成功,但该算法较复杂、运算量大,需要较高的硬件成本,电量耗损大。粒子滤波姿态估计法提高了滤波精度,解决了系统非线性和非白噪声对姿态解算的影响,但计算量较大,不适用于低成本的航姿系统。梯度下降法在姿态解算中性能优于卡尔曼滤波,计算量少,对初始点要求低,但收敛速度较慢。互补滤波方法原理简单、计算量小,通过平率分辨消除噪声,能较好地结合加速度计的静态精度和陀螺仪的高动态姿态数据,利用两者在频域角度的互补特性,提高姿态测量的精度和动态响应,以减少测量和估计的误差,但其高通滤波器和低通滤波器的转接频率难以确定。
发明内容
本发明要解决的技术问题是:提供一种经济效益好而且测量精度高、抗干扰的适用于高速运动捕获的IMU姿态捕捉方法及系统。
本发明解决其技术问题的解决方案是:一种高速运动学下IMU 姿态捕捉方法,包括以下步骤:(A)、获取角速度的信号,并建立数学模型;(B)、获取加速度的信号,并建立数学模型;(C)、获取磁信号,并建立数学模型;(D)、建立初始姿态;(E)、评估加速度的不确定度;(F)、评估磁干扰的不确定度;(G)、结合步骤(E)、(F),利用卡尔曼延展滤波器更新姿态。
作为上述技术方案的进一步改进,所述步骤(A)中,具体方法如下:以ωg,m表示角速度传感器的输出,则有
ωg,m=ωt+bw+wg,t (1)
bw,t=bw,t-1+wb,t。 (2)
作为上述技术方案的进一步改进,所述步骤(B)中,具体方法如下:
以af表示加速度传感器测量结果,at表示物体运动加速度,以
wa表示加速度传感器测量白噪音,因此有:
af=sg+at+wa。 (3)
作为上述技术方案的进一步改进,所述步骤(C)中,具体方法如下:
以mm表示磁传感器测量结果,sm0表示本地地磁基准,md表示磁干扰,wm表示磁传感器测量白噪音,因此有:
mm=sm0+md+wm。 (4)
作为上述技术方案的进一步改进,所述步骤(D)中,具体方法如下:
以Rs(3x3的方向余弦矩阵)表示物体的三维姿态,已知Rs,k-1为前一时刻物体姿态,借助角速度ωg,k信息积分,可以通过得到当前时刻的姿态Rs,k(一阶近似):
当传感器初始处于静止状态,加速度传感器测量值af是由重力引起的,在没有磁干扰时候,磁传感器测量值是当地的地磁场强sm0,据此以竖直向上为参考坐标系的z轴,以地磁北极为参考坐标系的x轴,可以得到初始状态,传感器相对参考坐标系的姿态:
作为上述技术方案的进一步改进,所述步骤(E)中,具体步骤如下:
以θa表示测量加速度与重力基准的角度误差(ag=-g,向上),同时
δaf表示af的标量值与重力加速度值g的差异,
其中sze=Rs T[0,0,1]T.在Rs收敛的情况下,sze代表了重力参考 (反)方向;
采用如下形式,表述t时刻,运动加速度的不确定度,
Sat 2=μs(δaf 2+(δθag)2) (10)
其中μs是一个常数;
由于af的大小变化很大,在姿态测量中,将其单位化,
显然,当被测物体运动加速度at很小时,at+wz≈0,并且||af||≈g,因此,加速度的不确定度Sat很小,以上公式简化如下
在t时刻,在at是未知的情况下,将at用以下标准正态分布模型近似,
其中wn=at+wa
以Ran表示噪音的协方差矩阵,则有:
作为上述技术方案的进一步改进,所述步骤(F)中,具体步骤如下:
Sm 2=δmm 2+(δθm||mm||)2 (17)
根据公式(4)及(6)有,
mm=Rs Tm0+Rs Tm0×δθ+md+wm (20)
其中md的离散时序控制过程被描素为以下马尔科夫过程,
md,k=cdmd,k-1+wd, (21)
wd为白噪音,其协方差矩阵由磁干扰的不确定度Sm2决定
Qmd=μmSm 2I3×3 (22)
其中,cd为0到1之间的常数,μm为常数。
作为上述技术方案的进一步改进,所述步骤(G)中,具体步骤如下:
(G1).根据非线性状态方程的状态估计,
(G2).状态误差的协方差矩阵Pk可以根据状态方程更新如下,
(G3).在EKF中,状态的更新如下
(G4).最终状态误差的协方差矩阵Pk更新如下
同时,本发明又提供了一种高速运动学下IMU姿态捕捉系统,包括有IMU单元,所述IMU单元包括有三轴加速传感器、三轴磁传感器与三轴角速度传感器,还包括有MCU单元,所述IMU单元与 MCU单元电连接。
本发明的有益效果是:本发明的IMU动态运动捕捉方法,可以避免运动过程中因加速度骤变而引起较大姿态误差;姿态测量误差收敛快速;对不同的运动形式有很好的适应能力。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单说明。显然,所描述的附图只是本发明的一部分实施例,而不是全部实施例,本领域的技术人员在不付出创造性劳动的前提下,还可以根据这些附图获得其他设计方案和附图。
图1是本发明的初始姿态原理示意图;
图2是本发明的加速度不确定度估计原理示意图;
图3是本发明的磁干扰不确定度估计原理示意图。
图4是本发明的系统的电器原理示意图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述,以充分地理解本发明的目的、特征和效果。显然,所描述的实施例只是本发明的一部分实施例,而不是全部实施例,基于本发明的实施例,本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例,均属于本发明保护的范围。另外,文中所提到的所有联接/连接关系,并非单指构件直接相接,而是指可根据具体实施情况,通过添加或减少联接辅件,来组成更优的联接结构。本发明创造中的各个技术特征,在不互相矛盾冲突的前提下可以交互组合。
一种高速运动学下IMU姿态捕捉方法,包括以下步骤:(A)、获取角速度的信号,并建立数学模型;(B)、获取加速度的信号,并建立数学模型;(C)、获取磁信号,并建立数学模型;(D)、建立初始姿态;(E)、评估加速度的不确定度;(F)、评估磁干扰的不确定度; (G)、结合步骤(E)、(F),利用卡尔曼延展滤波器更新姿态。
其中,角速度传感器测量信号的步骤如下,以ωg,m表示角速度传感器的输出,则有
ωg,m=ωt+bw+wg,t (28)
bw,t=bw,t-1+wb,t。 (29)
其中,加速度传感器测量信号的步骤如下:
以af表示加速度传感器测量结果,at表示物体运动加速度,以 wa表示加速度传感器测量白噪音,因此有:
af=sg+at+wa。 (30)
理论上,可以通过在加速度传感器输出中移除被测物体的加速度来获取重力加速度的参考sg,sg=af-at。然而一方面,在一般性的高动态运动下,被测物体自身的加速度信号非常复杂,难于借助模型进行预测。同时,随着测量物体运动加速度的增加,加速度传感器的测量结果与参考重力加速度的差异也随之增加。
然后,磁传感器测量信号的步骤如下:
以mm表示磁传感器测量结果,sm0表示本地地磁基准,md表示磁干扰,wm表示磁传感器测量白噪音,因此有:
mm=sm0+md+wm。 (31)
具体的,确定IMU单元的初始姿态,具体如下:
以Rs(3x3的方向余弦矩阵)表示物体的三维姿态,已知Rs,k-1为前一时刻物体姿态,借助角速度ωg,k信息积分,可以通过得到当前时刻的姿态Rs,k(一阶近似):
参见图1,当传感器初始处于静止状态,加速度传感器测量值af是由重力引起的,在没有磁干扰时候,磁传感器测量值是当地的地磁场强sm0,据此以竖直向上为参考坐标系的z轴,以地磁北极为参考坐标系的x轴,可以得到初始状态,传感器相对参考坐标系的姿态:
具体地,评估加速度的不确定度步骤如下:
介于一般运动过程中,待测物体运动加速度与重力加速度耦合在加速度传感器的测量结果中,没有有效的方法可以移除运动加速度,因此本技术中,将此加速度作为扰动噪音处理。
在t时刻,加速度传感器测量值为af,被测物体运动加速度at的范围可以通过传感器测量信息进行估计,如图2所示。
以θa表示测量加速度与重力基准的角度误差(ag=-g,向上),同时
δaf表示af的标量值与重力加速度值g的差异,
其中sze=Rs T[0,0,1]T.在Rs收敛的情况下,sze代表了重力参考 (反)方向;
由图2可知,当θa和δaf较小时,有如下关系,
||at||2≈δaf 2+(δθag)2 (37)
采用如下形式,表述t时刻,运动加速度的不确定度,
Sat 2=μs(δaf 2+(δθag)2) (38)
其中μs是一个常数;
由于af的大小变化很大,在姿态测量中,将其单位化,
显然,当被测物体运动加速度at很小时,at+wz≈0,并且||af||≈g,因此,加速度的不确定度Sat很小,以上公式简化如下
在此情况下,加速度传感器的测量值可以非常有效的更正传感器姿态的倾角误差。
在t时刻,在at是未知的情况下,将at用以下标准正态分布模型近似,
其中wn=at+wa
以Ran表示噪音的协方差矩阵,则有:
在后续的滤波过程中会发现,当很大时,由于加速度测量的协方差矩阵很大,因此在姿态更正中会被忽略,不会产生大的姿态误差。
具体的,评估磁干扰的不确定度的方法如下:
如图3所示,对于磁干扰,与加速度不确定度同样,其不确定度可以估计如下:
Sm 2=δmm 2+(δθm||mm||)2 (45)
根据公式(4)及(6)有,
mm=Rs Tm0+Rs Tm0×δθ+md+wm (48)
其中md的离散时序控制过程被描素为以下马尔科夫过程,
md,k=cdmd,k-1+wd, (49)
wd为白噪音,其协方差矩阵由磁干扰的不确定度Sm 2决定
θmd=μmSm 2I3×3 (50)
其中,cd为0到1之间的常数,μm为常数。
卡尔曼延展滤波(EKF)介绍
卡尔曼延展滤波是用来解决在非线性状态方程定义的离散时序控制过程下
xk=f(xk-1,uk-1,wk-1) (51)
通过测量z
zk=h(xk,vk) (52)
来估计状态变量x值的问题。
具体的,本实施例中,卡尔曼延展滤波(EKF)的过程如下:
(G1).根据非线性状态方程的状态估计,
(G2).状态误差的协方差矩阵Pk可以根据状态方程更新如下,
(G3).在EKF中,状态的更新如下
(G4).最终状态误差的协方差矩阵Pk更新如下
本实施例中,结合了步骤E、F后,状态变量如下,
x=[δθT,bw T,md T]T (58)
基于方程(2),(22),和以下方程
δθk=δθk-1+dt(bw,k-1+wg,t+wb,t) (59)
状态更新方程如下,
xk=Axk-1+wk-1, (60)
其中
在此δθ和bw初始估计值被设置为零,因此,状态预先估计值如下,
x_=[06×1:md0] (62)
状态更新过程的协方差矩阵Q如下,
Pk的初始值给定为零矩阵
根据方程(15)及(21)有,
根据EKF过程的阐述有,
测量白噪音wn和wm的协方差矩阵如下,
在IMU进行动态运动的姿态跟踪时,借助计算物体运动加速度的不确定度,有效的在加速度较低的阶段进行姿态更正,加速度测量值与重力加速度参考越来越靠近,越有利于IMU倾角误差的更正。
在动态运动中,物体运动加速度值有事一直较大,采用阈值 (threshold)捕获其加速度很小的阶段往往行不通,因此以此方法可以有效地解决连续捕获高速运动物体姿态的问题。
根据公式(26)-(30),以卡尔曼延展滤波器更新其状态变量。.
而,在其他阶段,则根据公式(26)-(27)估计状态的值,并更新状态误差的协方差矩阵。
参照图4,同时,本发明又提供了一种高速运动学下IMU姿态捕捉系统,包括有IMU单元,所述IMU单元包括有三轴加速传感器、三轴磁传感器与三轴角速度传感器,还包括有MCU单元,所述IMU 单元与MCU单元电连接。通过MCU单元读取三轴加速传感器、三轴磁传感器与三轴角速度传感器的数据,然后MCU单元中通过卡尔曼延展滤波算法等完成运算,然后将数据传输出来。
以上对本发明的较佳实施方式进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变型或替换,这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (1)
1.一种高速运动学下IMU姿态捕捉方法,其特征在于:包括以下步骤:
(A)、获取角速度的信号,并建立数学模型;
(B)、获取加速度的信号,并建立数学模型;
(C)、获取磁信号,并建立数学模型;
(D)、建立初始姿态;
(E)、评估加速度的不确定度;
(F)、评估磁干扰的不确定度;
(G)、结合步骤(E)、(F),利用卡尔曼延展滤波器更新姿态;
所述步骤(A)中,具体方法如下:以ωg,m表示角速度传感器的输出,则有
ωg,m=ωt+bw+ωg,t (1);
所述步骤(B)中,具体方法如下:
以af表示加速度传感器测量结果,at表示物体运动加速度,以wa表示加速度传感器测量白噪音,因此有:
af=sg+at+wa (2);
所述步骤(C)中,具体方法如下:
以mm表示磁传感器测量结果,sm0表示本地地磁基准,md表示磁干扰,wm表示磁传感器测量白噪音,因此有:
mm=sm0+md+wm (3);
所述步骤(D)中,具体方法如下:
以Rs表示物体的三维姿态,已知Rs,k-1为前一时刻物体姿态,借助角速度ωg,k信息积分,可以得到当前时刻的姿态Rs,k:
当传感器初始处于静止状态,加速度传感器测量值af是由重力引起的,在没有磁干扰时候,磁传感器测量值是当地的地磁场强sm0,据此以竖直向上为参考坐标系的z轴,以地磁北极为参考坐标系的x轴,可以得到初始状态,传感器相对参考坐标系的姿态:
所述步骤(E)中,具体步骤如下:
以θa表示测量加速度与重力基准的角度误差,同时δaf表示af的标量值与重力加速度值g的差异,
其中sze=Rs T[0,0,1]T,在Rs收敛的情况下,sze代表了重力参考方向;
采用如下形式,表述t时刻,运动加速度的不确定度,
其中μs是一个常数,δθ表示传感器的姿态误差,ag=-g,g为重力加速度值;
由于af的大小变化很大,在姿态测量中,将其单位化,
显然,当被测物体运动加速度at很小时,at+wz≈0,并且||af||≈g,
因此,加速度的不确定度Sat很小,以上公式简化如下
其中,Rs表示物体的三维姿态,
在t时刻,在at是未知的情况下,将at用以下标准正态分布模型近似,
at~N(0,Sat) (12);
其中wn=at+wa;
以Ran表示噪音的协方差矩阵,则有:
所述步骤(F)中,具体步骤如下:
Sm 2=δmm 2+(δθm||mm||)2 (16);
根据公式(3)及(5)有,
mm=Rs Tm0+Rs Tm0×δθ+md+wm (19);
其中md的离散时序控制过程被描述为以下马尔科夫过程,
md,k=cdmd,k-1+wd (20);
wd为白噪音,其协方差矩阵由磁干扰的不确定度Sm 2决定
Qmd=μmSm 2I3×3 (21);
其中,cd为0到1之间的常数,μm为常数;
所述步骤(G)中,具体步骤如下:
(G1)根据非线性状态方程的状态估计,
(G2)状态误差的协方差矩阵Pk可以根据状态方程更新如下,
(G3)在EKF中,状态的更新如下
(G4)最终状态误差的协方差矩阵Pk更新如下
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2017105755745 | 2017-07-14 | ||
CN201710575574 | 2017-07-14 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108507571A CN108507571A (zh) | 2018-09-07 |
CN108507571B true CN108507571B (zh) | 2020-07-07 |
Family
ID=63377200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810189679.1A Active CN108507571B (zh) | 2017-07-14 | 2018-03-08 | 一种高速运动学下imu姿态捕捉方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108507571B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110442153B (zh) * | 2019-07-10 | 2022-03-25 | 佛山科学技术学院 | 一种被动式光学动捕系统摄像机校正控制方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101290229A (zh) * | 2008-06-13 | 2008-10-22 | 哈尔滨工程大学 | 硅微航姿系统惯性/地磁组合方法 |
CN101726295A (zh) * | 2008-10-24 | 2010-06-09 | 中国科学院自动化研究所 | 考虑加速度补偿和基于无迹卡尔曼滤波的惯性位姿跟踪方法 |
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系统姿态估计方法 |
CN102297693A (zh) * | 2010-06-24 | 2011-12-28 | 鼎亿数码科技(上海)有限公司 | 测量物体位置和方位的方法 |
CN102822626A (zh) * | 2010-03-30 | 2012-12-12 | 苹果公司 | 校准在移动装置上的传感器测量 |
CN203519011U (zh) * | 2013-10-15 | 2014-04-02 | 顾捷 | 一种姿态传感器 |
CN203615941U (zh) * | 2013-11-09 | 2014-05-28 | 山西同昌信息技术实业有限公司 | 一种车载定位与导航系统 |
CN104535941A (zh) * | 2014-12-04 | 2015-04-22 | 上海卫星装备研究所 | 一种地磁环境下卫星磁测试外干扰磁场闭环控制方法 |
CN104567931A (zh) * | 2015-01-14 | 2015-04-29 | 华侨大学 | 一种室内惯性导航定位的航向漂移误差消除方法 |
CN205537670U (zh) * | 2016-03-30 | 2016-08-31 | 沈阳泰科易科技有限公司 | 一种航姿路径记录装置 |
CN106017463A (zh) * | 2016-05-26 | 2016-10-12 | 浙江大学 | 一种基于定位传感装置的飞行器定位方法 |
-
2018
- 2018-03-08 CN CN201810189679.1A patent/CN108507571B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101290229A (zh) * | 2008-06-13 | 2008-10-22 | 哈尔滨工程大学 | 硅微航姿系统惯性/地磁组合方法 |
CN101726295A (zh) * | 2008-10-24 | 2010-06-09 | 中国科学院自动化研究所 | 考虑加速度补偿和基于无迹卡尔曼滤波的惯性位姿跟踪方法 |
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系统姿态估计方法 |
CN102822626A (zh) * | 2010-03-30 | 2012-12-12 | 苹果公司 | 校准在移动装置上的传感器测量 |
CN102297693A (zh) * | 2010-06-24 | 2011-12-28 | 鼎亿数码科技(上海)有限公司 | 测量物体位置和方位的方法 |
CN203519011U (zh) * | 2013-10-15 | 2014-04-02 | 顾捷 | 一种姿态传感器 |
CN203615941U (zh) * | 2013-11-09 | 2014-05-28 | 山西同昌信息技术实业有限公司 | 一种车载定位与导航系统 |
CN104535941A (zh) * | 2014-12-04 | 2015-04-22 | 上海卫星装备研究所 | 一种地磁环境下卫星磁测试外干扰磁场闭环控制方法 |
CN104567931A (zh) * | 2015-01-14 | 2015-04-29 | 华侨大学 | 一种室内惯性导航定位的航向漂移误差消除方法 |
CN205537670U (zh) * | 2016-03-30 | 2016-08-31 | 沈阳泰科易科技有限公司 | 一种航姿路径记录装置 |
CN106017463A (zh) * | 2016-05-26 | 2016-10-12 | 浙江大学 | 一种基于定位传感装置的飞行器定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108507571A (zh) | 2018-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Del Rosario et al. | Quaternion-based complementary filter for attitude determination of a smartphone | |
CN108225308B (zh) | 一种基于四元数的扩展卡尔曼滤波算法的姿态解算方法 | |
Valenti et al. | A linear Kalman filter for MARG orientation estimation using the algebraic quaternion algorithm | |
Del Rosario et al. | Computationally efficient adaptive error-state Kalman filter for attitude estimation | |
CN101726295B (zh) | 考虑加速度补偿和基于无迹卡尔曼滤波的惯性位姿跟踪方法 | |
CN107560613B (zh) | 基于九轴惯性传感器的机器人室内轨迹跟踪系统及方法 | |
CN110398245B (zh) | 基于脚戴式惯性测量单元的室内行人导航姿态估计方法 | |
CN106052685B (zh) | 一种两级分离融合的姿态和航向估计方法 | |
CN110146077A (zh) | 移动机器人姿态角解算方法 | |
Zhang et al. | A novel adaptive Kalman filtering approach to human motion tracking with magnetic-inertial sensors | |
CN107490378B (zh) | 一种基于mpu6050与智能手机的室内定位与导航的方法 | |
CN110887481B (zh) | 基于mems惯性传感器的载体动态姿态估计方法 | |
CN106403952A (zh) | 一种动中通低成本组合姿态测量方法 | |
CN108731676B (zh) | 一种基于惯性导航技术的姿态融合增强测量方法及系统 | |
CN112630813A (zh) | 基于捷联惯导和北斗卫星导航系统的无人机姿态测量方法 | |
CN106370178B (zh) | 移动终端设备的姿态测量方法及装置 | |
CN109764870B (zh) | 基于变换估计量建模方案的载体初始航向估算方法 | |
CN112665574A (zh) | 基于动量梯度下降法的水下机器人姿态采集方法 | |
CN111121820B (zh) | 基于卡尔曼滤波的mems惯性传感器阵列融合方法 | |
CN110207647B (zh) | 一种基于互补卡尔曼滤波器的臂环姿态角计算方法 | |
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 | |
CN111649747A (zh) | 一种基于imu的自适应ekf姿态测量改进方法 | |
Hoang et al. | Measurement optimization for orientation tracking based on no motion no integration technique | |
CN109506674B (zh) | 一种加速度的校正方法及装置 | |
CN108507571B (zh) | 一种高速运动学下imu姿态捕捉方法及系统 |
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 |