比较：TYPE_ROTATION_VECTOR与辅助过滤器

Question

我一直在研究方向估计，我需要在直线行走时估算正确的航向。面对一些障碍后，我再次从基础开始。

我已经实现了here的互补滤波器，它使用从Android（非原始加速度），原始陀螺仪数据和原始磁力计数据获得的重力矢量。我还对陀螺仪和磁强计数据应用低通滤波器并将其用作输入。

互补滤波器的输出是欧拉角，我也记录了TYPE_ROTATION_VECTOR，它以4D四元数输出设备方向。

所以我想把Quaternions转换成Euler并将它们与从Complementary过滤器获得的Euler进行比较。当手机在桌子上静止时，欧拉角的输出如下所示。

可以看出，Yaw的价值大幅下降。

手机静止时这个简单的情况我做错了什么

然后我走进客厅，得到以下输出。

补充滤镜的形状看起来非常好，非常接近Android的形状。但价值观大幅下降。

请告诉我，我做错了什么？

Answer 1

我认为没有必要对陀螺仪应用低通滤波器。因为你正在整合陀螺仪以获得旋转，所以它可能会弄乱一切。

请注意，TYPE_GRAVITY是一个复合传感器读数，由陀螺和accel在Android自己的传感器融合算法中合成。也就是说，这已经通过了卡尔曼滤波器。如果您打算使用Android的内置传感器融合，为什么不使用TYPE_ROTATION_VECTOR？

你的角度以弧度为单位，第一组中的误差与90度相差不太远。也许你已经在磁力计输入中交换了X和Y？

这是我采取的方法：首先编写一个测试，它采用加速度和陀螺仪并从中合成欧拉角。暂时忽略陀螺仪。走在房子周围，确认它做对了，但是很紧张。

接下来，在你的算法上拍一个积极的低通滤波器，例如

yaw0 = yaw;
yaw = computeFromAccelMag();  // yaw in radians
factor = 0.2;                 // between 0 and 1; experiment
yaw = yaw * factor + yaw0 * (1-factor);

确认这仍然有效。它应该不那么紧张，但也很迟钝。

最后，添加陀螺仪并制作补充滤波器。

dt = time_since_last_gyro_update;
yaw += gyroData[2] * dt;            // test: might need to subtract instead of add
yaw0 = yaw;
yaw = computeFromAccelMag();  // yaw in radians
factor = 0.2;                 // between 0 and 1; experiment
yaw = yaw * factor + yaw0 * (1-factor);

关键是在开发算法时测试每一步，这样当错误发生时，你就会知道是什么导致了它。