Question

我有一个测量v（x，y，z）数据的3D传感器。我只使用x和y数据。仅平滑x和y就足够了。

如果我使用日志显示数据，它会显示如下：（时间）0.1 ...（数据记录）x = 1.1234566667 （时间）0.2 ...（数据记录）x = 1.1245655666 （时间）0.3 ...（数据记录）x = 1.2344445555

实际上数据更精确，但我想在1.1234值和1.2344值之间平滑，因为对我来说它是相同的，我可以使用整数，只显示“x = 1”但我需要小数那么，我需要在这里展示一种“平滑”的价值。

任何人都有任何想法？我正在使用c＃进行编程，但并非所有函数都正常工作，所以我需要构建自己的函数。

Answer 1

最简单的方法是对数据进行移动平均。也就是说，保持一系列传感器数据读数并对其进行平均。像这样的东西（伪代码）：

  data_X = [0,0,0,0,0];

  function read_X () {
      data_X.delete_first_element();
      data_X.push(get_sensor_data_X());
      return average(data_X);
   }

这样做需要权衡。您使用的数组越大，结果越平滑，但结果与实际读数之间的滞后越大。例如：

                           /\_/\
                        /\/     \_/\
  Sensor reading:  __/\/            \/\
                                       \/\  _/\___________
                                          \/
                              _
                           __/ \_
                       ___/      \__
  Small array:     ___/             \_/\_       _
                                         \   __/ \________
                                          \_/

                                 ____
                              __/    \__
                           __/           \__
  Large array:     _______/                 \__      __
                                               \_   /  \__
                                                 \_/


(forgive my ASCII-ART but I'm hoping it's good enough for illustration).

如果你想要快速反应但是平滑度很好，那么你使用的是阵列的加权平均值。这基本上是数字信号处理（与资本DSP），其名称与模拟设计更为密切相关。这是一篇关于它的简短维基百科文章（如果你想沿着这条路走下去，你应该阅读好的外部链接）：http://en.wikipedia.org/wiki/Digital_filter

以下是SO的一些代码，内容涉及可能符合您需求的低通滤波器：Low pass filter software?。请注意，在该答案的代码中，他使用的是大小为4的数组（或信号处理术语中的顺序4，因为这样的滤波器称为四阶滤波器，它实际上可以通过四阶多项式方程来建模：ax ^ 4 + bx ^ 3 + cx ^ 2 + dx）。

Answer 2

所以我来到这里寻找解决同样的问题（Android中的传感器输入平滑），这就是我想出的：

/*
 * time smoothing constant for low-pass filter
 * 0 ≤ α ≤ 1 ; a smaller value basically means more smoothing
 * See: http://en.wikipedia.org/wiki/Low-pass_filter#Discrete-time_realization
 */
static final float ALPHA = 0.2f;

protected float[] accelVals;

public void onSensorChanged(SensorEvent event) {
    if (event.sensor.getType() == Sensor.TYPE_ACCELEROMETER)
        accelVals = lowPass( event.values, accelVals );

    // use smoothed accelVals here; see this link for a simple compass example:
    // http://www.codingforandroid.com/2011/01/using-orientation-sensors-simple.html
}

/**
 * @see http://en.wikipedia.org/wiki/Low-pass_filter#Algorithmic_implementation
 * @see http://en.wikipedia.org/wiki/Low-pass_filter#Simple_infinite_impulse_response_filter
 */
protected float[] lowPass( float[] input, float[] output ) {
    if ( output == null ) return input;

    for ( int i=0; i<input.length; i++ ) {
        output[i] = output[i] + ALPHA * (input[i] - output[i]);
    }
    return output;
}

感谢@slebetman指点我看维基百科的链接，经过一番阅读后，我开始了解维基百科低通过滤器文章中的算法。我不会发誓我有最好的算法（甚至是正确的！）但是轶事证据似乎表明它正在做这个伎俩。

Answer 3

有很多方法可以平滑传感器数据取决于它是什么类型的传感器以及适合的类比。我在我的项目中使用了这些算法：

高通滤波器[HPF]和低通滤波器[LPF] - 如所选答案所示。
移动平均算法-MAA
Gaely的算法[MAA的更好版本]
快速傅里叶变换-FFT

代码：

HPF高通滤波器

private float[] highPass(float x, float y, float z) {
    float[] filteredValues = new float[3];
    gravity[0] = ALPHA * gravity[0] + (1 – ALPHA) * x;
    gravity[1] = ALPHA * gravity[1] + (1 – ALPHA) * y;
    gravity[2] = ALPHA * gravity[2] + (1 – ALPHA) * z;
    filteredValues[0] = x – gravity[0];
    filteredValues[1] = y – gravity[1];
    filteredValues[2] = z – gravity[2];
    return filteredValues;   
    }

LPF低通滤波器

private float[] lowPass(float x, float y, float z) {
    float[] filteredValues = new float[3];
    filteredValues[0] = x * a + filteredValues[0] * (1.0f – a);
    filteredValues[1] = y * a + filteredValues[1] * (1.0f – a);
    filteredValues[2] = z * a + filteredValues[2] * (1.0f – a);
    return filteredValues;
    }

MAA-移动平均值

     private final int SMOOTH_FACTOR_MAA = 2;//increase for better results   but hits cpu bad

     public ArrayList<Float> processWithMovingAverageGravity(ArrayList<Float> list, ArrayList<Float> gList) {
            int listSize = list.size();//input list
            int iterations = listSize / SMOOTH_FACTOR_MAA;
            if (!AppUtility.isNullOrEmpty(gList)) {
                gList.clear();
            }
            for (int i = 0, node = 0; i < iterations; i++) {
                float num = 0;
                for (int k = node; k < node + SMOOTH_FACTOR_MAA; k++) {
                    num = num + list.get(k);
                }
                node = node + SMOOTH_FACTOR_MAA;
                num = num / SMOOTH_FACTOR_MAA;
                gList.add(num);//out put list
            }
            return gList;
        }

Answer 4

以下是基于iOS Event Handling guide的MotionEvents部分中逻辑的示例。

float ALPHA = 0.1;

protected float[] lowPass( float[] input, float[] output ) {
    if ( output == null ) return input;

    for ( int i=0; i<input.length; i++ ) {
        output[i] = (input[i] * ALPHA) + (ouptut[i] * (1.0 - ALPHA));
    }
    return output;
}

Answer 5

在这里挖掘一个旧问题，但是如果您在.NET中，可以使用RX为您执行此操作。

例如，将RX与WebClient.DownloadFileAsync结合使用来计算＆＃34;平滑＆＃34;下载速度：

double interval = 2.0; // 2 seconds
long bytesReceivedSplit = 0;

WebClient wc = new WebClient();
var downloadProgress = Observable.FromEventPattern<
    DownloadProgressChangedEventHandler, DownloadProgressChangedEventArgs>(
    h => wc.DownloadProgressChanged += h,
    h => wc.DownloadProgressChanged -= h)
    .Select(x => x.EventArgs);

downloadProgress.Sample(TimeSpan.FromSeconds(interval)).Subscribe(x =>
    {
        Console.WriteLine((x.BytesReceived - bytesReceivedSplit) / interval);
        bytesReceivedSplit = x.BytesReceived;
    });

Uri source = new Uri("http://someaddress.com/somefile.zip");
wc.DownloadFileAsync(source, @"C:\temp\somefile.zip");

显然，间隔时间越长，平滑度越大，但是等待初始读数的时间越长。

平滑传感器的数据

5 个答案: