我正在尝试从here实施Madgwick传感器融合算法,以计算我的手机的方向。当我移动时,它工作得相对较好,但是如果手机在桌子上稳定,它会很快累积错误。我尝试使用传感器更新速率和滤波器增益,但它没有帮助
我还尝试根据编辑代码 this解决方案,但它也没有用。 有办法解决这个问题吗?谢谢
MadgwickAHRS算法:
public class MadgwickAHRS
{
public float SamplePeriod ;
public float Beta;
public float[] Quaternion;
public MadgwickAHRS(float samplePeriod)
{
SamplePeriod = samplePeriod;
Beta = 1f;
Quaternion = new float[] { 1f, 0f, 0f, 0f };
}
public MadgwickAHRS(float samplePeriod, float beta)
{
SamplePeriod = samplePeriod;
Beta = beta;
Quaternion = new float[] { 1f, 0f, 0f, 0f };
}
public void Update(float gx, float gy, float gz, float ax, float ay, float az, float mx, float my, float mz)
{
float q1 = Quaternion[0], q2 = Quaternion[1], q3 = Quaternion[2], q4 = Quaternion[3]; // short name local variable for readability
float norm;
float hx, hy, _2bx, _2bz;
float s1, s2, s3, s4;
float qDot1, qDot2, qDot3, qDot4;
// Auxiliary variables to avoid repeated arithmetic
float _2q1mx;
float _2q1my;
float _2q1mz;
float _2q2mx;
float _4bx;
float _4bz;
float _8bx;
float _8bz;
float _2q1 = 2f * q1;
float _2q2 = 2f * q2;
float _2q3 = 2f * q3;
float _2q4 = 2f * q4;
float _2q1q3 = 2f * q1 * q3;
float _2q3q4 = 2f * q3 * q4;
float q1q1 = q1 * q1;
float q1q2 = q1 * q2;
float q1q3 = q1 * q3;
float q1q4 = q1 * q4;
float q2q2 = q2 * q2;
float q2q3 = q2 * q3;
float q2q4 = q2 * q4;
float q3q3 = q3 * q3;
float q3q4 = q3 * q4;
float q4q4 = q4 * q4;
// Normalise accelerometer measurement
norm = (float)Math.sqrt(ax * ax + ay * ay + az * az);
if (norm == 0f) return; // handle NaN
norm = 1 / norm; // use reciprocal for division
ax *= norm;
ay *= norm;
az *= norm;
// Normalise magnetometer measurement
norm = (float)Math.sqrt(mx * mx + my * my + mz * mz);
if (norm == 0f) return; // handle NaN
norm = 1 / norm; // use reciprocal for division
mx *= norm;
my *= norm;
mz *= norm;
// Reference direction of Earth's magnetic field
_2q1mx = 2f * q1 * mx;
_2q1my = 2f * q1 * my;
_2q1mz = 2f * q1 * mz;
_2q2mx = 2f * q2 * mx;
hx = mx * q1q1 - _2q1my * q4 + _2q1mz * q3 + mx * q2q2 + _2q2 * my * q3 + _2q2 * mz * q4 - mx * q3q3 - mx * q4q4;
hy = _2q1mx * q4 + my * q1q1 - _2q1mz * q2 + _2q2mx * q3 - my * q2q2 + my * q3q3 + _2q3 * mz * q4 - my * q4q4;
_2bx = (float)Math.sqrt(hx * hx + hy * hy);
_2bz = -_2q1mx * q3 + _2q1my * q2 + mz * q1q1 + _2q2mx * q4 - mz * q2q2 + _2q3 * my * q4 - mz * q3q3 + mz * q4q4;
_4bx = 2f * _2bx;
_4bz = 2f * _2bz;
_8bx = 2f * _4bx;
_8bz = 2f * _4bz;
/** Gradient decent algorithm corrective step old
s1 = -_2q3 * (2f * q2q4 - _2q1q3 - ax) + _2q2 * (2f * q1q2 + _2q3q4 - ay) - _2bz * q3 * (_2bx * (0.5f - q3q3 - q4q4) + _2bz * (q2q4 - q1q3) - mx) + (-_2bx * q4 + _2bz * q2) * (_2bx * (q2q3 - q1q4) + _2bz * (q1q2 + q3q4) - my) + _2bx * q3 * (_2bx * (q1q3 + q2q4) + _2bz * (0.5f - q2q2 - q3q3) - mz);
s2 = _2q4 * (2f * q2q4 - _2q1q3 - ax) + _2q1 * (2f * q1q2 + _2q3q4 - ay) - 4f * q2 * (1 - 2f * q2q2 - 2f * q3q3 - az) + _2bz * q4 * (_2bx * (0.5f - q3q3 - q4q4) + _2bz * (q2q4 - q1q3) - mx) + (_2bx * q3 + _2bz * q1) * (_2bx * (q2q3 - q1q4) + _2bz * (q1q2 + q3q4) - my) + (_2bx * q4 - _4bz * q2) * (_2bx * (q1q3 + q2q4) + _2bz * (0.5f - q2q2 - q3q3) - mz);
s3 = -_2q1 * (2f * q2q4 - _2q1q3 - ax) + _2q4 * (2f * q1q2 + _2q3q4 - ay) - 4f * q3 * (1 - 2f * q2q2 - 2f * q3q3 - az) + (-_4bx * q3 - _2bz * q1) * (_2bx * (0.5f - q3q3 - q4q4) + _2bz * (q2q4 - q1q3) - mx) + (_2bx * q2 + _2bz * q4) * (_2bx * (q2q3 - q1q4) + _2bz * (q1q2 + q3q4) - my) + (_2bx * q1 - _4bz * q3) * (_2bx * (q1q3 + q2q4) + _2bz * (0.5f - q2q2 - q3q3) - mz);
s4 = _2q2 * (2f * q2q4 - _2q1q3 - ax) + _2q3 * (2f * q1q2 + _2q3q4 - ay) + (-_4bx * q4 + _2bz * q2) * (_2bx * (0.5f - q3q3 - q4q4) + _2bz * (q2q4 - q1q3) - mx) + (-_2bx * q1 + _2bz * q3) * (_2bx * (q2q3 - q1q4) + _2bz * (q1q2 + q3q4) - my) + _2bx * q2 * (_2bx * (q1q3 + q2q4) + _2bz * (0.5f - q2q2 - q3q3) - mz);
norm = 1f / (float)Math.sqrt(s1 * s1 + s2 * s2 + s3 * s3 + s4 * s4); // normalise step magnitude
*/
s1 = -_2q3 * (2f * (q2q4 -q1q3) - ax) + _2q2 * (2f *(q1q2 + q3q4) - ay) + -_4bz * q3 * (_4bx * (0.5f -q3q3 - q4q4) + _4bz * (q2q4 - q1q3) - mx) + (-_4bx * q4 + _4bz * q2) * (_4bx * (q2q3 - q1q4) + _4bz * (q1q2 + q3q4) - my) + _4bx * q3 * (_4bx * (q1q3 + q2q4) + _4bz * (0.5f - q2q2 - q3q3) - mz);
s2 = (float)(_2q4 * (2f *(q2q4 - q1q3) - ax) + _2q1 * (2f *(q1q2 + q3q4) - ay) - 4f * q2 * (2 *(0.5 - q2q2 - q3q3) - az) + _4bz * q4 * (_4bx * (0.5f - q3q3 - q4q4) + _4bz * (q2q4 - q1q3) - mx) + (_4bx * q3 + _4bz * q1) * (_4bx * (q2q3 - q1q4) + _4bz * (q1q2 + q3q4) - my) + (_4bx * q4 - _8bz * q2) * (_4bx * (q1q3 + q2q4) + _4bz * (0.5f - q2q2 - q3q3) - mz));
s3 = (float)(-_2q1 * (2f * (q2q4 -q1q3) - ax) + _2q4 * (2f * (q1q2 + q3q4) - ay) +( -4f *q3) * (2 * (0.5 - q2q2 - q3q3) - az) + (-_8bx * q3 - _4bz * q1) * (_4bx * (0.5f - q3q3 - q4q4) + _4bz * (q2q4 - q1q3) - mx) + (_4bx * q2 + _4bz * q4) * (_4bx * (q2q3 - q1q4) + _4bz * (q1q2 + q3q4) - my) + (_4bx * q1 - _8bz * q3) * (_4bx * (q1q3 + q2q4) + _4bz * (0.5f - q2q2 - q3q3) - mz));
s4 = _2q2 * (2f *(q2q4 - q1q3) - ax) + _2q3 * (2f *(q1q2 + q3q4) - ay) + (-_8bx * q4 + _4bz * q2) * (_4bx * (0.5f - q3q3- q4q4) + _4bz * (q2q4 - q1q3) - mx) + (-_4bx * q1 + _4bz * q3) * (_4bx * (q2q3 - q1q4) + _4bz * (q1q2 + q3q4) - my) + (_4bx * q2) * (_4bx * (q1q3 + q2q4) + _4bz * (0.5f - q2q2 - q3q3) - mz);
norm = 1f / (float)Math.sqrt(s1 * s1 + s2 * s2 + s3 * s3 + s4 * s4);
s1 *= norm;
s2 *= norm;
s3 *= norm;
s4 *= norm;
// Compute rate of change of quaternion
qDot1 = 0.5f * (-q2 * gx - q3 * gy - q4 * gz) - Beta * s1;
qDot2 = 0.5f * (q1 * gx + q3 * gz - q4 * gy) - Beta * s2;
qDot3 = 0.5f * (q1 * gy - q2 * gz + q4 * gx) - Beta * s3;
qDot4 = 0.5f * (q1 * gz + q2 * gy - q3 * gx) - Beta * s4;
// Integrate to yield quaternion
q1 += qDot1 * SamplePeriod;
q2 += qDot2 * SamplePeriod;
q3 += qDot3 * SamplePeriod;
q4 += qDot4 * SamplePeriod;
norm = 1f / (float)Math.sqrt(q1 * q1 + q2 * q2 + q3 * q3 + q4 * q4); // normalise quaternion
Quaternion[0] = q1 * norm;
Quaternion[1] = q2 * norm;
Quaternion[2] = q3 * norm;
Quaternion[3] = q4 * norm;
}
public double[] computeAngles()
{
double roll = Math.atan2(Quaternion[0] * Quaternion[1] + Quaternion[2] * Quaternion[3], 0.5f - Quaternion[1] * Quaternion[1] - Quaternion[2] * Quaternion[2]);
double pitch = Math.asin(-2.0f * (Quaternion[1] * Quaternion[3] - Quaternion[0] * Quaternion[2]));
double yaw = Math.atan2(Quaternion[1] * Quaternion[2] + Quaternion[0] * Quaternion[3], 0.5f - Quaternion[2] * Quaternion[2] - Quaternion[3] * Quaternion[3]);
return new double[] { roll,pitch,yaw };
}
}
输入数据图表: Input data
答案 0 :(得分:0)
Magdwick算法以及例如非常流行的Kalmann算法正在使用您的MEMS加速度计,陀螺仪和/或磁力计提供的数据。问题是所有这些传感器都有漂移和偏移。因此,你所描述的问题只不过是从这种噪声的整合/双重整合中得到的漂移。
Magdwick和Kalman滤波器都有自己的工具来滤除特定传感器的噪声(例如,使用陀螺仪的重力矢量或加速度计的预测矩阵),但如果传感器本身没有提供真正好的数据,它们就无法做多。而且实际上没有必要在智能手机中放置好的传感器。
你可以尝试一些东西。
由于加速度计可能是这里最大的漂移源,您可以尝试在加速度计信号上添加eq Butterworth滤波器,然后再将其传递给算法。这可能会减少漂移,但也会提供输出信号的显着惯性。尽管如此,如果您正在考虑将手机放在人体上的某些应用,那么您就不必认为您的加速度计信号可能增长10g或更多。
我开发了一款计算它旋转的应用程序。我遇到了同样的问题并且实施了巴特沃斯滤波器帮助......但是输出数据在不同设备上有很大差异。这只是传感器的质量,使它变得如此不可预测。