CN108680189A - 一种基于卡尔曼滤波的mems陀螺仪z轴零偏动态补偿方法 - Google Patents

一种基于卡尔曼滤波的mems陀螺仪z轴零偏动态补偿方法 Download PDF

Info

Publication number
CN108680189A
CN108680189A CN201810743466.9A CN201810743466A CN108680189A CN 108680189 A CN108680189 A CN 108680189A CN 201810743466 A CN201810743466 A CN 201810743466A CN 108680189 A CN108680189 A CN 108680189A
Authority
CN
China
Prior art keywords
axis
offset
moment
mems gyroscope
value
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
Application number
CN201810743466.9A
Other languages
English (en)
Other versions
CN108680189B (zh
Inventor
王雷
蒋佩宇
赵炜
刘飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxi Lingsi Technology Co Ltd
Original Assignee
Wuxi Lingsi Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuxi Lingsi Technology Co Ltd filed Critical Wuxi Lingsi Technology Co Ltd
Priority to CN201810743466.9A priority Critical patent/CN108680189B/zh
Publication of CN108680189A publication Critical patent/CN108680189A/zh
Application granted granted Critical
Publication of CN108680189B publication Critical patent/CN108680189B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
    • G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Gyroscopes (AREA)

Abstract

本发明公开了一种基于卡尔曼滤波的MEMS陀螺仪Z轴零偏动态补偿方法，主要包括：步骤S1：在IMU处于静态时，获取载体姿态数据，并通过获取的载体姿态数据计算得出MEMS陀螺仪Z轴角速度Rz的补偿值作为初始补偿值Offset；步骤S2：实测中，从IMU中读取新的载体姿态数据；步骤S3：判断载体是否为静态；步骤S4：利用卡尔曼算法计算，并得到新的MEMS陀螺仪Z轴角速度Rz的补偿值，更新Offset，之后跳转到所述步骤S2，形成循环。本发明的一种基于卡尔曼滤波的MEMS陀螺仪Z轴零偏动态补偿方法，通过动态捕捉Z轴零偏，并运用卡尔曼算法对零偏进行动态补偿，提高MEMS陀螺仪的精度，减小陀螺仪Z轴误差，同时降低了航向角YAW的测量误差。

Description

一种基于卡尔曼滤波的MEMS陀螺仪Z轴零偏动态补偿方法
技术领域
本发明涉及MEMS陀螺仪Z轴零偏动态补偿领域，具体地，涉及一种基于卡尔曼滤波的MEMS陀螺仪Z轴零偏动态补偿方法。
背景技术
基于MEMS陀螺仪的IMU模块都存在零偏问题，对于X轴和Y轴的零偏，可以通过X轴和Y轴的加速度计的测量值运用卡尔曼滤波算法进行校准，而Z轴无法通过该方法校准，所以目前市场上的基于MEMS的IMU模块的Z轴测量值普遍不准，带来的结果是航向角的测量会具有很大的偏差，该偏差很大程度上是由于Z轴的零偏引起。
本专利通过动态捕捉Z轴零偏，并运用卡尔曼算法对零偏进行动态补偿，提高MEMS陀螺仪的精度，减小了陀螺仪Z轴误差，同时降低了航向角YAW的测量误差。
发明内容
本发明的目的在于，针对上述问题，提出一种基于卡尔曼滤波的MEMS陀螺仪Z轴零偏动态补偿方法，以实现提高MEMS陀螺仪的精度，减小了陀螺仪Z轴误差，同时降低了航向角YAW的测量误差的优点。
为实现上述目的，本发明采用的技术方案是：一种基于卡尔曼滤波的MEMS陀螺仪Z轴零偏动态补偿方法，主要包括：
步骤S1：在IMU处于静态，获取载体姿态数据，并通过获取的载体姿态数据计算得出MEMS陀螺仪Z轴角速度Rz的补偿值作为初始补偿值Offset；
步骤S2：实测中，从IMU中读取新的载体姿态数据；
步骤S3：判断载体是否为静态；
步骤S4：利用卡尔曼算法计算，并得到新的MEMS陀螺仪Z轴角速度Rz的补偿值，更新Offset，之后跳转到所述步骤S2，形成循环。
进一步地，所述步骤S1，具体包括：
在IMU处于静态状态或近似静态时，
初始化，在产品出厂前，将MEMS传感器静置5秒，获得载体姿态z轴转速Rz的数据，计算此过程载体的Rz的平均值，记作E(0)，并用Offset＝E(0)作为当前MEMS陀螺仪Z轴转速Rz出厂时补偿值，此时该1000个Rz测量值的方差记作COV(0)。
进一步地，所述步骤S3，具体包括：
步骤S31:若新的载体姿态数据跳动范围小于阈值，则认定该时刻依然为静态，计算新的载体Rz的平均值，记作E(k)，并计算其协方差，记作COV(k)，k表示第k次成功获取静态数据，若之后能继续成功获取静态载体姿态数据，则k＝k+1。
步骤S32：若新的载体姿态数据跳动范围大于阈值，则判定该时刻为动态，k值不变，跳回所述步骤S2。
进一步地，其中静态判断依据与阈值设定，具体包括：
从IMU中读取载体姿态数据，记录1000组数据，数据中包括Ax，Ay，Az，Rz，其中Ax，Ay，Az分别代表x轴、y轴、z轴的加速度；
其中阈值为：Tax＝M*[max(Ax)–min(Ax)]，Tay＝M*[max(Ay)–min(Ay)]，Taz＝M*[max(Az)–min(Az)]，Trz＝M*[max(Rz)–min(Rz)]，max与min分别对应向量的最大值与最小值，Tax、Tay、Taz、Trz分别代表x轴加速度阈值、y轴加速度阈值、z轴加速度阈值以及z轴转速阈值，M为阈值比例系数，可根据载体工作环境设定；
若三轴加速度Ax，Ay，Az与MEMS陀螺仪Z轴转速Rz实测跳变均小于阈值，则判定为静态，否则为动态；因实际应用中很难保证外部噪声信号能处于较小状态，故适当增加跳动范围。
进一步地，步骤S4中所述利用卡尔曼算法计算，具体步骤：
初值赋值如下：其中P(0|0)＝COV(0)，X(0|0)＝E(0),Q(k)＝0.0001(Q(k)可根据具体情况设置，R(k)＝COV(k)，通过迭代计算，可以得到不同k时刻的补偿值X(k|k)；
X(k|k-1)＝X(k-1|k-1)
其中k表示第k次测量满足静态条件的判定(此后称之为k时刻)，此时，X(k-1|k-1)为k-1时刻Rz的最优补偿值，即Offset，X(k|k-1)为通过k-1时刻的Rz最优补偿值得到的k时刻Rz的估计补偿值；
P(k|k-1)＝P(k-1|k-1)+Q(k)
P(k-1|k-1)为k-1时刻的Rz的最优补偿值的协方差；P(k|k-1)为k时刻的估计补偿值的协方差，Q(k)为k时刻估计噪声的方差；
X(k|k)＝X(k|k-1)+Kg(k)(E(k)–X(k|k-1))
Kg(k)＝P(k|k-1)/(P(k|k-1)+R(k))
P(k|k)＝(1–Kg(k))P(k|k-1)
Offset＝X(k|k)
R(k)为k时刻测量噪声的方差，Kg(k)为k时刻的卡尔曼增益，P(k|k)为k时刻最优补偿值的协方差，X(k|k)表示对k时刻Rz的测量平均值E(k)与估计值X(k|k-1)通过卡尔曼增益值分配权重获得的k时刻Rz的最优补偿值，最后将X(k|k)赋值给Offset，完成Rz补偿值的更新，此时的Offset为获取的最终补偿值。
进一步地，步骤S1中所述载体姿态数据为1000个连续的MEMS陀螺仪Z轴角速度Rz测量值。
本发明的有益技术效果：
一种基于卡尔曼滤波的MEMS陀螺仪Z轴零偏动态补偿方法，主要包括：步骤S1：在IMU处于静态时，获取载体姿态数据，并通过获取的载体姿态数据计算得出MEMS陀螺仪Z轴角速度Rz的补偿值作为初始补偿值Offset；步骤S2：实测中，从IMU中读取新的载体姿态数据；步骤S3：判断载体是否为静态；步骤S4：利用卡尔曼算法计算，并得到新的MEMS陀螺仪Z轴角速度Rz的补偿值，之后跳转到所述步骤S2，形成循环。本专利通过动态捕捉Z轴零偏，并运用卡尔曼算法对零偏进行动态补偿，提高MEMS陀螺仪的精度，减小了陀螺仪Z轴误差，同时降低了航向角YAW的测量误差。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中MEMS陀螺仪未进行补偿时测得航向角值图；
图2为本发明实施例中MEMS陀螺仪测出斜率后做简单补偿得到航向角值图；
图3为本发明实施例中补偿过程逻辑图；
图4为本发明实施例中以A轴加速度Ax为例Tax选取范围示意图；
图5为本发明实施例中将使用该算法补偿后的YAW值与没做补偿的YAW值对比图；
图6为本发明实施例中使用该算法补偿后的YAW值与MTi-300AHRS值同步比对图；
图7为本发明实施例中使用该算法补偿后的YAW值与MTi-300AHRS差值曲线图；
图8为本发明实施例中经过卡尔曼滤波算法更新的补偿值图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
通过对MEMS陀螺仪的长期跟踪测量，发现MEMS陀螺仪的零偏具有短时稳定，长时间微小变动的特性，拿其中一次典型测量值为例，未进行补偿时测得航向角值如图1所示。
测出斜率后做简单补偿得到航向角值如图2所示，由上图可以看出，简单的补偿并不能很好的解决Z轴的零偏问题。
本专利采用动态自适应卡尔曼补偿算法，通过捕捉载体静态或近似静态时刻，运用卡尔曼算法对Z轴零偏进行计算并补偿，使补偿的零偏始终接近于真实值，大大改善MEMS陀螺仪的测量精度。
补偿过程逻辑图如图3所示，一种基于卡尔曼滤波的MEMS陀螺仪Z轴零偏动态补偿方法，主要包括：
步骤S1：在IMU处于静态时，获取载体姿态数据，并通过获取的载体姿态数据计算得出MEMS陀螺仪Z轴角速度Rz的补偿值作为初始补偿值Offset；
步骤S2：实测中，从IMU中读取新的载体姿态数据；
步骤S3：判断载体是否为静态；
步骤S4：利用卡尔曼算法计算，并得到新的MEMS陀螺仪Z轴角速度Rz的补偿值，更新Offset，之后跳转到所述步骤S2，形成循环。
进一步地，所述步骤S1，具体包括：
在IMU处于静态状态或近似静态时，
初始化，在产品出厂前，将MEMS传感器静置5秒，获得载体姿态z轴转速Rz的数据，计算此过程载体的Rz的平均值，记作E(0)，并用Offset＝E(0)作为当前MEMS陀螺仪Z轴转速Rz出厂时补偿值，此时该1000个Rz测量值的方差记作COV(0)。
进一步地，所述步骤S3，具体包括：
步骤S31:若新的载体姿态数据跳动范围小于阈值，则认定该时刻依然为静态，计算新的载体Rz的平均值，记作E(k)，并计算其协方差，记作COV(k)，k表示第k次成功获取静态数据，若之后能继续成功获取静态载体姿态数据，则k＝k+1。
步骤S32：若新的载体姿态数据跳动范围大于阈值，则判定该时刻为动态，k值不变，跳回所述步骤S2。
进一步地，其中静态判断依据与阈值设定，具体包括：
从IMU中读取载体姿态数据，记录1000组数据，数据中包括Ax，Ay，Az，Rz，其中Ax，Ay，Az分别代表x轴、y轴、z轴的加速度；
其中阈值为：Tax＝M*[max(Ax)–min(Ax)]，Tay＝M*[max(Ay)–min(Ay)]，Taz＝M*[max(Az)–min(Az)]，Trz＝M*[max(Rz)–min(Rz)]，max与min分别对应向量的最大值与最小值，Tax、Tay、Taz、Trz分别代表x轴加速度阈值、y轴加速度阈值、z轴加速度阈值以及z轴转速阈值。M为阈值比例系数，可根据载体工作环境设定；
若三轴加速度Ax，Ay，Az与MEMS陀螺仪Z轴转速Rz实测跳变均小于阈值，则判定为静态，否则为动态；因实际应用中很难保证外部噪声信号能处于较小状态，故适当增加跳动范围，以A轴加速度Ax为例，示意图如图4所示，此处M＝1.5。
根据MEMS陀螺仪的零偏具有短时稳定，长时间微小变动的特性，应用单变量卡尔曼滤波算法进行零偏补偿自更新：
对于线性系统，正常卡尔曼滤波算法如下：
X(k)＝A X(k-1)+B U(k)+W(k)
Z(k)＝H X(k)+V(k)
X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。A和B是系统参数。Z(K)是k时刻的测量值，H是测量系统的参数。W(k)和V(k)分别表示过程和测量的噪声，他们的协方差分别是Q和R
X(k|k-1)＝A X(k-1|k-1)+B U(k)
(1)
式(1)中，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量，
P(k|k-1)＝A P(k-1|k-1)A’+Q(k)
(2)
式2中，P(k|k-1)是X(k|k-1)对应的协方差，P(k-1|k-1)是X(k-1|k-1)对应的协方差，
X(k|k)＝X(k|k-1)+Kg(k)(Z(k)–HX(k|k-1))
(3)
Kg＝P(k|k-1)H’/(HP(k|k-1)H’+R(k))
(4)
其中Kg为卡尔曼增益，X(k|k)为k时刻卡尔曼滤波结果，即最优估计值。
P(k|k)＝(1–Kg(k)H)P(k|k-1)
(5)
P(k|k)为更新的k时刻协方差。
上面公式(1)-(5)就是卡尔曼滤波的5大公式，在本专利应用中,不存在系统控制量，观测值即为系统状态，U(k)＝0，H＝1，假定上一次的补偿值与下一次的预测值相同，则A＝1，协方差初值P(0|0)＝COV(0)，其中k表示第k次1000个点的陀螺仪转速值被判断为静态，则有Z(k)＝E(k)，其中E(k)为该第k次所取1000个Rz测量值的平均值，即被判定为静态下的Z轴陀螺仪取值的1000点平均值E即为k时刻的系统状态值，在迭代计算中R(k)＝COV(k)，COV(k)表示该时刻1000个Rz值的协方差。此时卡尔曼增益简化为Kg＝P(k|k-1)/(P(k|k-1)+R(k))。根据以上描述，本专利中卡尔曼滤波计算过程则简化成如下公式：
进一步地，步骤S4中所述利用卡尔曼算法计算，具体步骤：
初值赋值如下：其中P(0|0)＝COV(0)，X(0|0)＝E(0),Q(k)＝0.0001(Q(k)可根据具体情况设置，R(k)＝COV(k)，通过迭代计算，可以得到不同k时刻的补偿值X(k|k)；
X(k|k-1)＝X(k-1|k-1)
其中k表示第k次测量满足静态条件的判定(此后称之为k时刻)，此时，X(k-1|k-1)为k-1时刻Rz的最优补偿值，即Offset，X(k|k-1)为通过k-1时刻的Rz最优补偿值得到的k时刻Rz的估计补偿值；
P(k|k-1)＝P(k-1|k-1)+Q(k)
P(k-1|k-1)为k-1时刻的Rz的最优补偿值的协方差；P(k|k-1)为k时刻的估计补偿值的协方差，Q(k)为k时刻估计噪声的方差；
X(k|k)＝X(k|k-1)+Kg(k)(E(k)–X(k|k-1))
Kg(k)＝P(k|k-1)/(P(k|k-1)+R(k))
P(k|k)＝(1–Kg(k))P(k|k-1)
Offset＝X(k|k)
R(k)为k时刻测量噪声的方差，Kg(k)为k时刻的卡尔曼增益，P(k|k)为k时刻最优补偿值的协方差，X(k|k)表示对k时刻Rz的测量平均值E(k)与估计值X(k|k-1)通过卡尔曼增益值分配权重获得的k时刻Rz的最优补偿值。最后将X(k|k)赋值给Offset，完成Rz补偿值的更新，此时的Offset为获取的最终补偿值。
进一步地，步骤S1中所述载体姿态数据为1000个连续的MEMS陀螺仪Z轴角速度Rz测量值。
将使用该算法补偿后的YAW值与没做补偿的YAW值做对比，对比图如图5所示。
将使用该算法补偿后的YAW值与MTi-300AHRS做同步比对，可以看出该算法可以有效降低MEMS陀螺仪零偏导致的误差如图6-7所示，在该过程中，经过卡尔曼滤波算法更新的补偿值如图8所示。
实验证明，对于间歇性运动的载体，该自适应动态卡尔曼滤波滤波补偿算法可以有效的对MEMS陀螺仪Z轴零偏进行间歇校正，有效提高了MEMS陀螺仪Z轴航向角的测量精度。
根据MEMS陀螺仪的零偏具有短时稳定，长时间微小变动的特性，该专利将自适应动态零偏补偿算法与单变量卡尔曼滤波相结合，形成可自动调整补偿参数的自适应补偿系统，自适应动态补偿可以随时间变化，逐渐调整零偏的补偿值，使补偿值随IMU状态变化而自动变化，卡尔曼滤波具有估计准确的特性，将卡尔曼滤波与自适应动态补偿相结合，使得系统的补偿值在自动更新的同时更能贴近真实的补偿值，使补偿结果更加精确，从而提高IMU的测量精度。
至少可以达到以下有益效果：
一种基于卡尔曼滤波的MEMS陀螺仪Z轴零偏动态补偿方法，主要包括：步骤S1：在IMU处于静态状态时，获取载体姿态数据，并通过获取的载体姿态数据计算得出MEMS陀螺仪Z轴角速度Rz的补偿值Offset；步骤S2：实测中，从IMU中读取新的载体姿态数据；步骤S3：判断载体是否为静态；步骤S4：利用卡尔曼算法计算，并得到新的MEMS陀螺仪Z轴角速度Rz的补偿值，更新Offset，之后跳转到所述步骤S2，形成循环。本专利通过动态捕捉Z轴零偏，并运用卡尔曼算法对零偏进行动态补偿，提高MEMS陀螺仪的精度，减小了陀螺仪Z轴误差，同时降低了航向角YAW的测量误差。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于卡尔曼滤波的MEMS陀螺仪Z轴零偏动态补偿方法，其特征在于，主要包括：
步骤S1：在IMU处于静态，获取载体姿态数据，并通过获取的载体姿态数据计算得出MEMS陀螺仪Z轴角速度Rz的补偿值作为初始补偿值Offset；
步骤S2：实测中，从IMU中读取新的载体姿态数据；
步骤S3：判断载体是否为静态；
步骤S4：利用卡尔曼算法计算，并得到新的MEMS陀螺仪Z轴角速度Rz的补偿值，更新Offset，之后跳转到所述步骤S2，形成循环。
2.根据权利要求1所述的一种基于卡尔曼滤波的MEMS陀螺仪Z轴零偏动态补偿方法，其特征在于，
所述步骤S1，具体包括：
在IMU处于静态时，
初始化，在产品出厂前，将MEMS传感器静置5秒，获得载体Z轴转速Rz的数据，计算此过程载体的Rz的平均值，记作E(0)，并用Offset＝E(0)作为当前MEMS陀螺仪Z轴转速Rz出厂时补偿值，此时该1000个Rz测量值的方差记作COV(0)。
3.根据权利要求1所述的一种基于卡尔曼滤波的MEMS陀螺仪Z轴零偏动态补偿方法，其特征在于，
所述步骤S3，具体包括：
步骤S31:若新的载体姿态数据跳动范围小于阈值，则认定该时刻依然为静态，计算新的载体Rz的平均值，记作E(k)，并计算其协方差，记作COV(k)，k表示第k次成功获取静态数据，若之后能继续成功获取静态载体姿态数据，则k＝k+1；
步骤S32：若新的载体姿态数据跳动范围大于阈值，则判定该时刻为动态，k值不变，跳回所述步骤S2。
4.根据权利要求3所述的一种基于卡尔曼滤波的MEMS陀螺仪Z轴零偏动态补偿方法，其特征在于，
其中静态判断依据与阈值设定，具体包括：
从IMU中读取载体姿态数据，记录1000组数据，数据中包括Ax，Ay，Az，Rz，其中Ax，Ay，Az分别代表x轴、y轴、z轴的加速度；
其中阈值为：Tax＝M*[max(Ax)–min(Ax)]，Tay＝M*[max(Ay)–min(Ay)]，Taz＝M*[max(Az)–min(Az)]，Trz＝M*[max(Rz)–min(Rz)]，max与min分别对应向量的最大值与最小值，Tax、Tay、Taz、Trz分别代表x轴加速度阈值、y轴加速度阈值、z轴加速度阈值以及z轴转速阈值，M为阈值比例系数，可根据载体工作环境设定；
若三轴加速度Ax，Ay，Az与MEMS陀螺仪Z轴转速Rz实测跳变均小于阈值，则判定为静态，否则为动态；因实际应用中很难保证外部噪声信号能处于较小状态，故适当增加跳动范围。
5.根据权利要求1或3所述的一种基于卡尔曼滤波的MEMS陀螺仪Z轴零偏动态补偿方法，其特征在于，
步骤S4中所述利用卡尔曼算法计算，具体步骤：
初值赋值如下：其中P(0|0)＝COV(0)，X(0|0)＝E(0),Q(k)＝0.0001(Q(k)可根据具体情况设置，R(k)＝COV(k)，通过迭代计算，可以得到不同k时刻的补偿值X(k|k)；
X(k|k-1)＝X(k-1|k-1)
其中k表示第k次测量满足静态条件的判定(此后称之为k时刻)，此时，X(k-1|k-1)为k-1时刻Rz的最优补偿值，即Offset，X(k|k-1)为通过k-1时刻的Rz最优补偿值得到的k时刻Rz的估计补偿值；
P(k|k-1)＝P(k-1|k-1)+Q(k)
P(k-1|k-1)为k-1时刻的Rz的最优补偿值的协方差；P(k|k-1)为k时刻的估计补偿值的协方差，Q(k)为k时刻估计噪声的方差；
X(k|k)＝X(k|k-1)+Kg(k)(E(k)–X(k|k-1))
Kg(k)＝P(k|k-1)/(P(k|k-1)+R(k))
P(k|k)＝(1–Kg(k))P(k|k-1)
Offset＝X(k|k)
R(k)为k时刻测量噪声的方差，Kg(k)为k时刻的卡尔曼增益，P(k|k)为k时刻最优补偿值的协方差，X(k|k)表示对k时刻Rz的测量平均值E(k)与估计值X(k|k-1)通过卡尔曼增益值分配权重获得的k时刻Rz的最优补偿值，最后将X(k|k)赋值给Offset，完成Rz补偿值的更新，此时的Offset为获取的最终补偿值。
6.根据权利要求1或2所述的一种基于卡尔曼滤波的MEMS陀螺仪Z轴零偏动态补偿方法，其特征在于，
步骤S1中所述载体姿态数据为1000个连续的MEMS陀螺仪Z轴角速度Rz测量值。
CN201810743466.9A 2018-07-09 2018-07-09 一种基于卡尔曼滤波的mems陀螺仪z轴零偏动态补偿方法 Active CN108680189B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810743466.9A CN108680189B (zh) 2018-07-09 2018-07-09 一种基于卡尔曼滤波的mems陀螺仪z轴零偏动态补偿方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810743466.9A CN108680189B (zh) 2018-07-09 2018-07-09 一种基于卡尔曼滤波的mems陀螺仪z轴零偏动态补偿方法

Publications (2)

Publication Number Publication Date
CN108680189A true CN108680189A (zh) 2018-10-19
CN108680189B CN108680189B (zh) 2024-04-12

Family

ID=63813446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810743466.9A Active CN108680189B (zh) 2018-07-09 2018-07-09 一种基于卡尔曼滤波的mems陀螺仪z轴零偏动态补偿方法

Country Status (1)

Country Link
CN (1) CN108680189B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109708631A (zh) * 2018-12-26 2019-05-03 南京航空航天大学 一种基于手机模态识别的行人导航航向修正方法
CN109827596A (zh) * 2019-04-02 2019-05-31 北京理工大学 一种间断运动条件下mems陀螺仪的零偏估计方法
CN110542417A (zh) * 2019-09-05 2019-12-06 武汉理工大学 基于静态和和动态倾角仪校正的陀螺仪线形测量方法与系统
CN110672099A (zh) * 2019-09-09 2020-01-10 武汉元生创新科技有限公司 一种用于室内机器人导航的航向校正方法和系统
CN111928844A (zh) * 2020-06-11 2020-11-13 嘉兴市纳杰微电子技术有限公司 一种一般mems陀螺在agv应用上的模型系统
CN112301641A (zh) * 2020-10-14 2021-02-02 厦门翰普电子有限公司 一种带mems传感器的洗衣机转速测量方法及位移数据检测方法
CN112378417A (zh) * 2020-10-27 2021-02-19 苏州臻迪智能科技有限公司 一种基于惯性测量单元的陀螺仪零偏获取方法及系统
CN114545924A (zh) * 2021-12-30 2022-05-27 深圳银星智能集团股份有限公司 行进方向的偏移修正方法及相关设备
CN114964230A (zh) * 2022-05-12 2022-08-30 北京自动化控制设备研究所 一种车载组合导航陀螺漂移修正方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060279549A1 (en) * 2005-06-08 2006-12-14 Guanglie Zhang Writing system
CN104931049A (zh) * 2015-06-05 2015-09-23 北京信息科技大学 一种基于运动分类的行人自主定位方法
CN105043385A (zh) * 2015-06-05 2015-11-11 北京信息科技大学 一种行人自主导航定位的自适应卡尔曼滤波方法
CN105203098A (zh) * 2015-10-13 2015-12-30 上海华测导航技术股份有限公司 基于九轴mems传感器的农业机械全姿态角更新方法
CN105783923A (zh) * 2016-01-05 2016-07-20 山东科技大学 基于rfid和mems惯性技术的人员定位方法
CN106092140A (zh) * 2016-06-24 2016-11-09 成都希德电子信息技术有限公司 一种陀螺仪零偏估计方法
CN106500693A (zh) * 2016-12-07 2017-03-15 中国电子科技集团公司第五十四研究所 一种基于自适应扩展卡尔曼滤波的ahrs算法
CN106989745A (zh) * 2017-05-31 2017-07-28 合肥工业大学 顶管姿态测量系统中的倾角仪与光纤陀螺仪的融合方法
CN107402007A (zh) * 2016-05-19 2017-11-28 成都天禄科技有限公司 一种提高微型ahrs模块精度的方法和微型ahrs模块
US20180052006A1 (en) * 2016-08-22 2018-02-22 Rosemount Aerospace Inc. Air data aided inertial measurement unit
CN108168546A (zh) * 2017-12-28 2018-06-15 重庆大学 定位系统及定位方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060279549A1 (en) * 2005-06-08 2006-12-14 Guanglie Zhang Writing system
CN104931049A (zh) * 2015-06-05 2015-09-23 北京信息科技大学 一种基于运动分类的行人自主定位方法
CN105043385A (zh) * 2015-06-05 2015-11-11 北京信息科技大学 一种行人自主导航定位的自适应卡尔曼滤波方法
CN105203098A (zh) * 2015-10-13 2015-12-30 上海华测导航技术股份有限公司 基于九轴mems传感器的农业机械全姿态角更新方法
CN105783923A (zh) * 2016-01-05 2016-07-20 山东科技大学 基于rfid和mems惯性技术的人员定位方法
CN107402007A (zh) * 2016-05-19 2017-11-28 成都天禄科技有限公司 一种提高微型ahrs模块精度的方法和微型ahrs模块
CN106092140A (zh) * 2016-06-24 2016-11-09 成都希德电子信息技术有限公司 一种陀螺仪零偏估计方法
US20180052006A1 (en) * 2016-08-22 2018-02-22 Rosemount Aerospace Inc. Air data aided inertial measurement unit
CN106500693A (zh) * 2016-12-07 2017-03-15 中国电子科技集团公司第五十四研究所 一种基于自适应扩展卡尔曼滤波的ahrs算法
CN106989745A (zh) * 2017-05-31 2017-07-28 合肥工业大学 顶管姿态测量系统中的倾角仪与光纤陀螺仪的融合方法
CN108168546A (zh) * 2017-12-28 2018-06-15 重庆大学 定位系统及定位方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZHEN SHI等: "Angular velocity estimation in gyroscope-free inertial measurement system based on unscented kalman filter", 《2010 8TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION》, 23 August 2010 (2010-08-23), pages 2031 - 2034 *
埃博尔梅德·纽诺丁等: "《惯性导航、卫星定位及其组合的基本原理》", 31 March 2017, 国防工业出版社, pages: 172 - 179 *
段栋栋: "高精度MEMS陀螺仪的滤波算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 3, 15 March 2016 (2016-03-15), pages 136 - 2734 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109708631A (zh) * 2018-12-26 2019-05-03 南京航空航天大学 一种基于手机模态识别的行人导航航向修正方法
CN109827596A (zh) * 2019-04-02 2019-05-31 北京理工大学 一种间断运动条件下mems陀螺仪的零偏估计方法
CN110542417A (zh) * 2019-09-05 2019-12-06 武汉理工大学 基于静态和和动态倾角仪校正的陀螺仪线形测量方法与系统
CN110542417B (zh) * 2019-09-05 2022-12-13 武汉理工大学 基于静态和和动态倾角仪校正的陀螺仪线形测量方法与系统
CN110672099A (zh) * 2019-09-09 2020-01-10 武汉元生创新科技有限公司 一种用于室内机器人导航的航向校正方法和系统
CN111928844A (zh) * 2020-06-11 2020-11-13 嘉兴市纳杰微电子技术有限公司 一种一般mems陀螺在agv应用上的模型系统
CN111928844B (zh) * 2020-06-11 2023-11-03 嘉兴市纳杰微电子技术有限公司 一种mems陀螺在agv应用上的模型系统
CN112301641A (zh) * 2020-10-14 2021-02-02 厦门翰普电子有限公司 一种带mems传感器的洗衣机转速测量方法及位移数据检测方法
CN112378417A (zh) * 2020-10-27 2021-02-19 苏州臻迪智能科技有限公司 一种基于惯性测量单元的陀螺仪零偏获取方法及系统
CN114545924A (zh) * 2021-12-30 2022-05-27 深圳银星智能集团股份有限公司 行进方向的偏移修正方法及相关设备
CN114964230A (zh) * 2022-05-12 2022-08-30 北京自动化控制设备研究所 一种车载组合导航陀螺漂移修正方法
CN114964230B (zh) * 2022-05-12 2023-11-03 北京自动化控制设备研究所 一种车载组合导航陀螺漂移修正方法

Also Published As

Publication number Publication date
CN108680189B (zh) 2024-04-12

Similar Documents

Publication Publication Date Title
CN108680189A (zh) 一种基于卡尔曼滤波的mems陀螺仪z轴零偏动态补偿方法
KR102017404B1 (ko) 9축 mems 센서에 기반하여 농기계의 전-자세 각도를 갱신하는 방법
CN108168574B (zh) 一种基于速度观测的8位置捷联惯导系统级标定方法
US9763437B2 (en) Control system and method for a suspended boom sprayer
CN104316055B (zh) 一种基于改进的扩展卡尔曼滤波算法的两轮自平衡机器人姿态解算方法
CN111982100B (zh) 一种无人机的航向角解算算法
CN110887481B (zh) 基于mems惯性传感器的载体动态姿态估计方法
EP3209529A1 (en) Method for estimating a vehicle side slip angle, computer program implementing said method, control unit having said computer program loaded, and vehicle comprising said control unit
CN104880189B (zh) 一种动中通天线低成本跟踪抗干扰方法
EP3388788B1 (en) Inertially-aided air data computer altitude rate
CN106403952A (zh) 一种动中通低成本组合姿态测量方法
US11725947B2 (en) Alignment of electrical devices using inertial measurement units
CN111272158B (zh) 复杂磁扰动场景mems电子罗盘的动态方位角解算方法
US9863867B2 (en) Automatically updating hard iron and soft iron coefficients of a magnetic sensor
CN110595434B (zh) 基于mems传感器的四元数融合姿态估计方法
CN110132271B (zh) 一种自适应卡尔曼滤波姿态估计算法
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
CN111811472B (zh) 一种气压计高度动态补偿方法、装置、计算机存储介质
US20230194565A1 (en) Method of compensating for sensor tolerances
CN102607555B (zh) 基于加速度计的飞行器姿态直接修正方法
CN114492078B (zh) 一种轮胎侧偏刚度确定方法和装置
CN111025908A (zh) 基于自适应机动加速度扩展卡尔曼滤波器的航姿参考系统
CN102607561B (zh) 基于加速度计的飞行器欧拉角修正模型
US20180017389A1 (en) Multiple sensor integration
CN113885099B (zh) 重力梯度仪加速度计标度因数不一致性动态实时估计方法

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