CN112880671A - 一种惯性传感器量程扩充方法、装置和系统 - Google Patents

Abstract

本发明提供了一种惯性传感器量程扩充方法、装置和系统，方法包括：同步接收多个惯性传感器的测量数据，建立每一惯性传感器的误差模型；其中，各惯性传感器具备不同的量程；使用卡尔曼滤波算法对各惯性传感器的测量数据进行滤波融合，输出融合之后的传感器数据。本发明利用冗余惯性传感器件进行组合，通过高量程惯性器件和低量程器件的数据输出，通过惯性传感器的误差模型建立滤波算法，最后得到兼顾高量程高稳定性的传感器方案。本发明采用滤波手段，对不同传感器会适配不同的误差参数，在滤波融合过程会自动识别出多个惯性传感器的误差，输出优化的数据，既扩展了传感器系统的量程，还提升了整个传感系统的性能。

Description

一种惯性传感器量程扩充方法、装置和系统

技术领域

本发明涉及传感器技术领域，尤其涉及一种惯性传感器量程扩充方法和系统。

背景技术

当前惯性传感器(包含陀螺仪和加速度计)的设计，会有预设的测量范围(量程)。一般地，不同的量程范围的惯性传感器会对应不同的传感器性能以及不同的成本。这分两种情况，一种是为了保证惯性传感器的稳定性以及噪声等性能，对传感器的设计阶段就以较窄的量程进行设计；另一种情况是传感器本身为大量程设计，传感器本身支持配置，在不同的量程情况下，会对应不同性能(常见的是传感器的分辨率)。

在实际的传感器应用中，需要对传感器进行选型，其中量程是一大考虑的因素。应用同时对动态性能(量程)和稳定性有要求。然而，其中有应用在大部分(约80％)应用场景是运动在低量程环境下，为了保证整个系统的性能，不得不为了20％的应用场景选择更高量程惯性器件。在保证量程和稳定性的前提下，会导致无法有满足技术要求的传感器选型或者只能选择成本高的惯性传感器。

发明内容

为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的惯性传感器量程扩充方法和系统。

第一方面，本发明实施例提供一种惯性传感器量程扩充方法，包括：

S1，同步接收多个惯性传感器的测量数据，建立每一惯性传感器的误差模型；其中，各惯性传感器具备不同的量程；

S2，使用卡尔曼滤波算法对各惯性传感器的测量数据进行滤波融合，输出融合之后的传感器数据。

其中，步骤S1中建立的惯性传感器的误差模型为：

y(t)＝ω+b+n_ω

上式中，y(t)是惯性传感器的测量值，ω是真实的惯性信号，b是惯性传感器的偏置漂移，n_ω为白噪声。

其中，步骤S2中，使用卡尔曼滤波算法对各惯性传感器的测量数据进行滤波融合，具体包括：

以X(t)＝[b,ω]^T为状态向量，建立卡尔曼滤波方程；

根据各惯性传感器不同量程下的性能，分段设置滤波噪声值；

基于卡尔曼滤波方程和分段噪声，进行实时滤波解算，输出融合之后的传感器数据。

其中，步骤S1中所述多个惯性传感器是冗余的用于检测同一方向物理量的惯性传感器。

其中，所述惯性传感器为陀螺仪或加速度计。

第二方面，本发明实施例还提供一种惯性传感器量程扩充装置，包括：

接收模块，用于同步接收多个惯性传感器的测量数据，建立每一惯性传感器的误差模型；其中，各惯性传感器具备不同的量程；

滤波融合模块，用于使用卡尔曼滤波算法对各惯性传感器的测量数据进行滤波融合，输出融合之后的传感器数据。

第三方面，本发明实施例提供了一种电子设备，包括处理器、存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面实施例提供的惯性传感器量程扩充方法。

第四方面，本发明实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机程序，该计算机程序被处理器执行时实现以执行第一方面实施例提供的惯性传感器量程扩充方法。

第五方面，本发明实施例提供了一种惯性传感器量程扩充系统，包括中央控制器及与其连接的多个惯性传感器，各惯性传感器具备不同的量程；

所述中央控制器用于同步接收多个惯性传感器的测量数据，建立每一惯性传感器的误差模型，使用卡尔曼滤波算法对各惯性传感器的测量数据进行滤波融合，输出融合之后的传感器数据。

本发明实施例提供的惯性传感器量程扩充方法、装置和系统，利用冗余惯性传感器件进行组合，通过高量程惯性器件和低量程器件的数据输出，通过惯性传感器的误差模型建立滤波算法，最后得到兼顾高量程高稳定性的传感器方案。本发明采用滤波手段，对不同传感器会适配不同的误差参数，在滤波融合过程会自动识别出多个惯性传感器的误差，输出优化的数据，既扩展了传感器系统的量程，还提升了整个传感系统的性能。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，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的附图。

图1为本发明实施例提供的惯性传感器量程扩充方法流程示意图；

图2为本发明实施例提供的惯性传感器量程扩充方法的原理图；

图3为本发明实施例提供的惯性传感器测量数据滤波融合的输出结果示意图；

图4为本发明实施例提供的惯性传感器量程扩充装置结构示意图；

图5为本发明实施例提供的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

目前。在实际的传感器应用中，需要对传感器进行选型，其中量程是一大考虑的因素。应用同时对动态性能(量程)和稳定性有要求。然而，其中有应用在大部分(约80％)应用场景是运动在低量程环境下，为了保证整个系统的性能，不得不为了20％的应用场景选择更高量程惯性器件。在保证量程和稳定性的前提下，会导致无法有满足技术要求的传感器选型或者只能选择成本高的惯性传感器。

因此，本发明实施例提供了一种惯性传感器量程扩充方法，不仅从应用的成本考虑，还是从供应的安全性角度，都需要有更优的技术方案，以低成本方案实现量程和稳定性兼顾。以下将结合附图通过多个实施例进行展开说明和介绍。

图1为本发明实施例提供的惯性传感器量程扩充方法流程示意图，如图1所示，本发明实施例提供的惯性传感器量程扩充方法包括但不限于以下步骤：

S1，同步接收多个惯性传感器的测量数据，建立每一惯性传感器的误差模型；其中，

具体地，首先，中央控制器同步接收冗余的多个传感器的测量数据，多个惯性传感器用于检测同一方向物理量，且各惯性传感器具备不同的量程或其他物理性能，例如分辨率等。

进一步，建立每一惯性传感器的误差模型：

y(t)＝ω+b+n_ω

上式中，y(t)是惯性传感器的测量值，ω是真实的惯性(角速度或加速度)信号，b是惯性传感器的偏置漂移(Bias Drift)，n_ω为白噪声，即图2中的noise。图2中b₁、b₂…b_n分别表示各个惯性传感器的偏置漂移。

其中，所述惯性传感器为陀螺仪或加速度计。

S2，使用卡尔曼滤波算法对各惯性传感器的测量数据进行滤波融合，输出融合之后的传感器数据。

图2为本发明实施例提供的惯性传感器量程扩充方法的原理图。本实施例中，使用卡尔曼滤波算法对各惯性传感器的测量数据进行滤波融合，具体包括：

建立每一惯性传感器的误差模型后，以X(t)＝[b,ω]^T为状态向量，建立卡尔曼滤波方程。

接着，参照图2，在上述滤波过程中，假设各惯性传感器的量程分别为R1，R2，…，Rn。根据各惯性传感器不同量程下的性能，分段设置滤波噪声值；

最后，基于上述卡尔曼滤波方程和分段噪声，进行实时滤波解算，输出融合之后的传感器数据。滤波过程的w值作为系统的输出值。

以下对步骤S2中使用卡尔曼滤波算法对各惯性传感器的测量数据进行滤波融合的步骤进行具体说明：

建立以下噪音模型如下：

y(t)＝ω+b+n_ω (2-1)

式中，y(t)是惯性传感器的测量值，ω是真实的惯性(角速度或加速度)信号，b是惯性传感器的偏置漂移(Bias Drift)。n_ω为白噪声。需要说明的是ω和n_ω在此处被假设为均值为零的白噪声。

真实惯性传感信号ω是假设为由一个白噪声驱动，并将该白噪声作为卡尔曼滤波的状态向量之一，表示如下：

上式中n_ω为白噪声。

假设惯性传感器阵列中惯性传感器的数量为N，基于上述关系，定义状态向量X(t)＝[b,ω]^T；卡尔曼滤波的状态更新方程和测量更新方程表述如下：

上式中，Y(t)为测量向量，表述为：

Y(t)＝[y₁,y₂,…,y_N]^T (2-4)

卡尔曼滤波的系数矩阵由下式给出：

F＝0_(N+1)×(N+1)

w(t)和v(t)分别为过程噪声矩阵和测量噪声矩阵，w_b为惯性传感器偏置的噪声，表述如下：

上述噪声满足：

式中；Q表示状态噪声矩阵；Q_b表示变量b的噪声矩阵。

基于(2-3)式的状态更新与测量更新方程，通过连续时间卡尔曼滤波(Continuous-time Kalman Filter)可以得到真实角速率信号和各个惯性传感器的偏置漂移的优化估计。具体计算方法由下式给出：

式中，

为状态向量X(t)的估计值，K(t)为卡尔曼滤波中的滤波增益，P(t)为滤波中的估计误差协方差矩阵。R为测量噪声矩阵。

本发明实施例提供的惯性传感器量程扩充方法，利用冗余惯性传感器件进行组合，通过高量程惯性器件和低量程器件的数据输出，通过惯性传感器的误差模型建立滤波算法，最后得到兼顾高量程高稳定性的传感器方案。

本发明采用一个量程为2000°/s的陀螺仪G1和量程为100°/s的陀螺仪G2进行组合。G1具有大量程的优势，但是零点稳定性较弱；G2具有零点稳定强的优势，但是量程较小。通过本发明的方法进行融合后，得到的输出为G3。图3为本发明实施例提供的惯性传感器测量数据滤波融合的输出结果示意图，输出结果如图3所示。

参照图3，结果选取了-10°/s和-300°/s环境下的输出进行对比。在-10°/s的环境下，融合了G1和G2的输出，得出的输出结果G3具有高精度的特性，而在-300°/s的环境下，G2已经没有输出了，G1有输出但是输出的误差较大，而本发明方法的输出G3具备比G1更好的输出精度。

需要说明的是，针对量程扩充方案，一般的工程技术人员，容易想到的是将几个量程不一样的传感器进行组合，对输出内容进行条件判断选择，或者在量程重复部分进行简单的加权平均。这种方案并不具备实施性和先进性。一是在低量程的交界点，由于传感器误差不一致，会导致数据的跳变；二是简单加权平均方法会导致输出性能的降低。而本发明实施例提供的惯性传感器量程扩充方法，采用滤波手段，对不同传感器会适配不同的误差参数，在滤波融合过程会自动识别出多个惯性传感器的误差，输出优化的数据，既扩展了传感器系统的量程，还提升了整个传感系统的性能。

在一个实施例中，图4为本发明实施例提供的惯性传感器量程扩充装置结构示意图，该装置可以是中央控制器，该装置包括接收模块401和滤波融合模块402，其中：

接收模块401用于同步接收多个惯性传感器的测量数据，建立每一惯性传感器的误差模型；各惯性传感器具备不同的量程。滤波融合模块402用于使用卡尔曼滤波算法对各惯性传感器的测量数据进行滤波融合，输出融合之后的传感器数据。

具体的如何利用接收模块401和滤波融合模块402进行惯性传感器量程扩充，可以参照前述的方法实施例，本发明实施例在此不再赘述。

在一个实施例中，本发明实施例提供了一种电子设备，如图5所示，该电子设备可以包括：处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503中的逻辑指令，以执行上述各实施例提供的惯性传感器量程扩充方法的步骤，例如包括：S1，同步接收多个惯性传感器的测量数据，建立每一惯性传感器的误差模型；其中，各惯性传感器具备不同的量程；S2，使用卡尔曼滤波算法对各惯性传感器的测量数据进行滤波融合，输出融合之后的传感器数据。

在一个实施例中，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的惯性传感器量程扩充方法的步骤，例如包括：S1，同步接收多个惯性传感器的测量数据，建立每一惯性传感器的误差模型；其中，各惯性传感器具备不同的量程；S2，使用卡尔曼滤波算法对各惯性传感器的测量数据进行滤波融合，输出融合之后的传感器数据。

在一个实施例中，本发明实施例提供了一种惯性传感器量程扩充系统，包括中央控制器及与其连接的多个惯性传感器，各惯性传感器具备不同的量程；所述中央控制器用于同步接收多个惯性传感器的测量数据，建立每一惯性传感器的误差模型，使用卡尔曼滤波算法对各惯性传感器的测量数据进行滤波融合，输出融合之后的传感器数据。

综上所述，本发明实施例提供了一种惯性传感器量程扩充方法、装置和系统，利用冗余惯性传感器件进行组合，通过高量程惯性器件和低量程器件的数据输出，通过惯性传感器的误差模型建立滤波算法，最后得到兼顾高量程高稳定性的传感器方案。本发明采用滤波手段，对不同传感器会适配不同的误差参数，在滤波融合过程会自动识别出多个惯性传感器的误差，输出优化的数据，既扩展了传感器系统的量程，还提升了整个传感系统的性能。

本发明的各实施方式可以任意进行组合，以实现不同的技术效果。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种惯性传感器量程扩充方法，其特征在于，包括：

S1，同步接收多个惯性传感器的测量数据，建立每一惯性传感器的误差模型；其中，各惯性传感器具备不同的量程；

S2，使用卡尔曼滤波算法对各惯性传感器的测量数据进行滤波融合，输出融合之后的传感器数据。

2.根据权利要求1所述的惯性传感器量程扩充方法，其特征在于，步骤S1中建立的惯性传感器的误差模型为：

y(t)＝ω+b+n_ω

上式中，y(t)是惯性传感器的测量值，ω是真实的惯性信号，b是惯性传感器的偏置漂移，n_ω为白噪声。

3.根据权利要求2所述的惯性传感器量程扩充方法，其特征在于，步骤S2中，使用卡尔曼滤波算法对各惯性传感器的测量数据进行滤波融合，具体包括：

以X(t)＝[b,ω]^T为状态向量，建立卡尔曼滤波方程；

根据各惯性传感器不同量程下的性能，分段设置滤波噪声值；

基于卡尔曼滤波方程和分段噪声，进行实时滤波解算，输出融合之后的传感器数据。

4.根据权利要求1所述的惯性传感器量程扩充方法，其特征在于，步骤S1中所述多个惯性传感器是冗余的用于检测同一方向物理量的惯性传感器。

5.根据权利要求1所述的惯性传感器量程扩充方法，其特征在于，所述惯性传感器为陀螺仪或加速度计。

6.一种惯性传感器量程扩充装置，其特征在于，包括：

接收模块，用于同步接收多个惯性传感器的测量数据，建立每一惯性传感器的误差模型；其中，各惯性传感器具备不同的量程；

滤波融合模块，用于使用卡尔曼滤波算法对各惯性传感器的测量数据进行滤波融合，输出融合之后的传感器数据。

7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述惯性传感器量程扩充方法的步骤。

8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述惯性传感器量程扩充方法的步骤。

9.一种惯性传感器量程扩充系统，其特征在于，包括中央控制器及与其连接的多个惯性传感器，各惯性传感器具备不同的量程；

所述中央控制器用于同步接收多个惯性传感器的测量数据，建立每一惯性传感器的误差模型，使用卡尔曼滤波算法对各惯性传感器的测量数据进行滤波融合，输出融合之后的传感器数据。

Images