imufiltergydF4y2Ba

加速度计和陀螺仪读数的方向gydF4y2Ba

展开所有页面gydF4y2Ba

描述gydF4y2Ba

的gydF4y2BaimufiltergydF4y2BaSystem object™融合加速度计和陀螺仪传感器数据来估计设备方向。gydF4y2Ba

估算设备方向：gydF4y2Ba

创建gydF4y2BaimufiltergydF4y2Ba对象并设置其属性。gydF4y2Ba
使用参数调用对象，就像它是一个函数。gydF4y2Ba

要了解有关系统对象如何工作的更多信息，请参见gydF4y2Ba什么是系统对象?gydF4y2Ba

创建gydF4y2Ba

语法gydF4y2Ba

fuse = imufilter.gydF4y2Ba

保险丝= imufilter (ReferenceFrame, RF)gydF4y2Ba

保险丝= imufilter (gydF4y2Ba＿＿＿gydF4y2Ba、名称、值)gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

保险丝gydF4y2Ba=imufiltergydF4y2Ba返回一个间接卡尔曼滤波系统对象，gydF4y2Ba保险丝gydF4y2Ba，加速度计和陀螺数据融合以估计设备方向。过滤器使用九个元素状态向量来跟踪方向估计，陀螺仪偏差估计和线性加速度估计的误差。gydF4y2Ba

保险丝gydF4y2Ba= imufilter (gydF4y2Ba“ReferenceFrame”gydF4y2Ba，gydF4y2BaRF.gydF4y2Ba）gydF4y2Ba返回一个gydF4y2BaimufiltergydF4y2Ba滤波融合加速度计和陀螺仪数据以估计相对于参考框架的设备方向的系统对象gydF4y2BaRF.gydF4y2Ba．指定gydF4y2BaRF.gydF4y2Ba作为gydF4y2BaNED的gydF4y2Ba（东北向下）或gydF4y2Ba“ENU表示”gydF4y2Ba(East-North-Up)。默认值为gydF4y2BaNED的gydF4y2Ba．gydF4y2Ba

例子gydF4y2Ba

保险丝gydF4y2Ba= imufilter (gydF4y2Ba＿＿＿gydF4y2Ba，gydF4y2Ba名称、值gydF4y2Ba）gydF4y2Ba每个属性集gydF4y2Ba姓名gydF4y2Ba到了指定的gydF4y2Ba价值gydF4y2Ba。未指定的属性具有默认值。gydF4y2Ba

例子:gydF4y2Ba保险丝= imufilter(“GyroscopeNoise”“SampleRate”,200年,1 e-6)gydF4y2Ba创建一个系统对象，gydF4y2Ba保险丝gydF4y2Ba，采样频率为200hz，陀螺仪噪声设置为1e-6弧度每秒的平方。gydF4y2Ba

属性gydF4y2Ba

全部展开gydF4y2Ba

除非另有说明，属性是gydF4y2BanontunablegydF4y2Ba，这意味着您不能在调用对象之后更改它们的值。对象在调用时锁定，而gydF4y2Ba释放gydF4y2Ba函数将解锁它们。gydF4y2Ba

如果一个属性是gydF4y2Ba可调gydF4y2Ba，您可以随时更改它的值。gydF4y2Ba

有关更改属性值的详细信息，请参阅gydF4y2Ba在MATLAB中使用系统对象进行系统设计gydF4y2Ba．gydF4y2Ba

`SampleRategydF4y2Ba`- - - - - -gydF4y2Ba输入传感器数据采样率(Hz)gydF4y2Ba
`100.gydF4y2Ba`(默认)|gydF4y2Ba正有限标量gydF4y2Ba

输入传感器数据的采样率(Hz)，指定为正的有限标量。gydF4y2Ba

可调:gydF4y2Ba不gydF4y2Ba

`DecimationFactorgydF4y2Ba`- - - - - -gydF4y2Ba抽取因子gydF4y2Ba
`1gydF4y2Ba`(默认)|gydF4y2Ba正整数标量gydF4y2Ba

抽取因子，用来降低输入传感器数据的采样率，指定为一个正整数标量。gydF4y2Ba

输入的行数，gydF4y2BaaccelReadingsgydF4y2Ba和gydF4y2BagyroReadingsgydF4y2Ba，必须是抽取因子的倍数。gydF4y2Ba

可调:gydF4y2Ba不gydF4y2Ba

`AccelerometerNoisegydF4y2Ba`- - - - - -gydF4y2Ba加速度计信号噪声的差异（（M / sgydF4y2Ba^2gydF4y2Ba）gydF4y2Ba^2gydF4y2Ba）gydF4y2Ba
`0.00019247gydF4y2Ba`(默认)|gydF4y2Ba积极的真正的标量gydF4y2Ba

加速度计信号噪声的差异（M / sgydF4y2Ba^2gydF4y2Ba）gydF4y2Ba^2gydF4y2Ba，指定为正实标量。gydF4y2Ba

可调:gydF4y2Ba是的gydF4y2Ba

`陀螺噪声gydF4y2Ba`- - - - - -gydF4y2Ba陀螺仪信号噪声方差((rad/s)gydF4y2Ba^2gydF4y2Ba）gydF4y2Ba
`9.1385 e-5gydF4y2Ba`(默认)|gydF4y2Ba积极的真正的标量gydF4y2Ba

陀螺仪信号噪声的方差(rad/s)gydF4y2Ba^2gydF4y2Ba，指定为正实标量。gydF4y2Ba

可调:gydF4y2Ba是的gydF4y2Ba

`陀螺仪的速度gydF4y2Ba`- - - - - -gydF4y2Ba陀螺仪偏置漂移方差(rad/s)gydF4y2Ba^2gydF4y2Ba）gydF4y2Ba
`3.0462e-13gydF4y2Ba`(默认)|gydF4y2Ba积极的真正的标量gydF4y2Ba

陀螺仪偏移漂移方差(rad/s)gydF4y2Ba^2gydF4y2Ba，指定为正实标量。gydF4y2Ba

可调:gydF4y2Ba是的gydF4y2Ba

`LinearAccelerationNoisegydF4y2Ba`- - - - - -gydF4y2Ba线性加速度噪声的方差(m/sgydF4y2Ba^2gydF4y2Ba）gydF4y2Ba^2gydF4y2Ba）gydF4y2Ba
`0.0096236gydF4y2Ba`(默认)|gydF4y2Ba积极的真正的标量gydF4y2Ba

线性加速度噪声的方差(m/s)gydF4y2Ba^2gydF4y2Ba）gydF4y2Ba^2gydF4y2Ba，指定为正实标量。线性加速度模型为低通滤波白噪声过程。gydF4y2Ba

可调:gydF4y2Ba是的gydF4y2Ba

`LinearAcclerationDecayFactorgydF4y2Ba`- - - - - -gydF4y2Ba线性加速漂移的衰减因子gydF4y2Ba
`0.5gydF4y2Ba`(默认)|gydF4y2Ba[0,1]范围内的标量gydF4y2Ba

线性加速度漂移的衰减系数，指定为[0,1]范围内的标量。如果线性加速度变化很快，设置gydF4y2Balinearaccelerationdecayfactor.gydF4y2Ba如果线性加速度变化缓慢，则设置gydF4y2Balinearaccelerationdecayfactor.gydF4y2Ba将线加速度漂移建模为低通滤波白噪声过程。gydF4y2Ba

可调:gydF4y2Ba是的gydF4y2Ba

`InitialProcessNoisegydF4y2Ba`- - - - - -gydF4y2Ba过程噪声的协方差矩阵gydF4y2Ba
9-by-9矩阵gydF4y2Ba

用于过程噪声的协方差矩阵，指定为9×9矩阵。默认值为：gydF4y2Ba

第1列至第6列0.000006092348396 0 0 0 0 0 0 0 0 0.000006092348396 0 0 0 0 0 0 0 0 0.00007615435497 0 0 0 0 0 0 0 0.000076154354947 0 0 0 0 0 0 0 0.000076154354947 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0gydF4y2Ba

初始过程协方差矩阵解释了过程模型中的误差。gydF4y2Ba

`OrientationFormatgydF4y2Ba`- - - - - -gydF4y2Ba面向输出格式gydF4y2Ba
`“四元数”gydF4y2Ba`(默认)|gydF4y2Ba`旋转矩阵的gydF4y2Ba`

输出方向格式，指定为gydF4y2Ba“四元数”gydF4y2Ba或者gydF4y2Ba旋转矩阵的gydF4y2Ba．输出的大小取决于输入的大小，gydF4y2BaNgydF4y2Ba，以及输出方向格式：gydF4y2Ba

“四元数”gydF4y2Ba——输出是一个gydF4y2BaNgydF4y2Ba1gydF4y2Ba四元数gydF4y2Ba．gydF4y2Ba
旋转矩阵的gydF4y2Ba- 输出是3×3的 -gydF4y2BaNgydF4y2Ba旋转矩阵。gydF4y2Ba

数据类型:gydF4y2Ba字符gydF4y2Ba|gydF4y2Ba字符串gydF4y2Ba

用法gydF4y2Ba

语法gydF4y2Ba

[方向，AngularVelocity] =保险丝（加速度，回电）gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

［gydF4y2Ba取向gydF4y2Ba，gydF4y2BaangularVelocitygydF4y2Ba) =保险丝(gydF4y2BaaccelReadingsgydF4y2Ba，gydF4y2BagyroReadingsgydF4y2Ba）gydF4y2Ba熔断加速度计和陀螺仪读数以计算取向和角速度测量。该算法假定设备在第一次呼叫之前静止。gydF4y2Ba

输入参数gydF4y2Ba

全部展开gydF4y2Ba

`accelReadingsgydF4y2Ba`- - - - - -gydF4y2Ba传感器体坐标系下的加速度计读数(m/s)gydF4y2Ba^2gydF4y2Ba）gydF4y2Ba
NgydF4y2Ba3矩阵gydF4y2Ba

传感器主体坐标系中的加速计读数（m/s）gydF4y2Ba^2gydF4y2Ba，指定为一个gydF4y2BaNgydF4y2Ba3矩阵。gydF4y2BaNgydF4y2Ba样品的数量是多少，三列是多少gydF4y2BaaccelReadingsgydF4y2Ba代表(gydF4y2BaxgydF4y2BaygydF4y2BazgydF4y2Ba)测量。假定加速度计读数与指定的采样率相对应gydF4y2BaSampleRategydF4y2Ba财产。gydF4y2Ba

数据类型:gydF4y2Ba单身的gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`gyroReadingsgydF4y2Ba`- - - - - -gydF4y2Ba传感器体坐标系下的陀螺仪读数(rad/s)gydF4y2Ba
NgydF4y2Ba3矩阵gydF4y2Ba

传感器主体坐标系中的陀螺仪读数，单位为rad/s，指定为gydF4y2BaNgydF4y2Ba3矩阵。gydF4y2BaNgydF4y2Ba样品的数量是多少，三列是多少gydF4y2BagyroReadingsgydF4y2Ba代表(gydF4y2BaxgydF4y2BaygydF4y2BazgydF4y2Ba)测量。陀螺仪读数被假定为与指定的采样速率相对应gydF4y2BaSampleRategydF4y2Ba财产。gydF4y2Ba

数据类型:gydF4y2Ba单身的gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

输出参数gydF4y2Ba

全部展开gydF4y2Ba

`取向gydF4y2Ba`- 从全局坐标系旋转量到传感器主体坐标系的方向gydF4y2Ba
米gydF4y2Ba-by-1四元数向量（默认）| 3-by-3-by-gydF4y2Ba米gydF4y2Ba数组gydF4y2Ba

可以将数量从全局坐标系旋转到实体坐标系的方向，以四元数或数组形式返回gydF4y2Ba取向gydF4y2Ba这取决于gydF4y2BaOrientationFormatgydF4y2Ba属性设置为gydF4y2Ba“四元数”gydF4y2Ba或者gydF4y2Ba旋转矩阵的gydF4y2Ba：gydF4y2Ba

“四元数”gydF4y2Ba——输出为angydF4y2Ba米gydF4y2Ba-by-1四元数向量，具有与输入相同的底层数据类型。gydF4y2Ba
旋转矩阵的gydF4y2Ba输出是一个3x3x-gydF4y2Ba米gydF4y2Ba旋转矩阵数组与输入相同的数据类型。gydF4y2Ba

输入样本数，gydF4y2BaNgydF4y2Ba,gydF4y2BaDecimationFactorgydF4y2Ba属性确定gydF4y2Ba米gydF4y2Ba．gydF4y2Ba

你可以用gydF4y2Ba取向gydF4y2Ba在一个gydF4y2BarotateframegydF4y2Ba函数将量从全局坐标系旋转到传感器体坐标系。gydF4y2Ba

数据类型:gydF4y2Ba四元数gydF4y2Ba|gydF4y2Ba单身的gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`angularVelocitygydF4y2Ba`-传感器体坐标系角速度(rad/s)gydF4y2Ba
米gydF4y2Ba3组(默认)gydF4y2Ba

在传感器体坐标系中去除陀螺仪偏差的角速度(rad/s)，返回为gydF4y2Ba米gydF4y2Ba-By-3阵列。输入样本数，gydF4y2BaNgydF4y2Ba,gydF4y2BaDecimationFactorgydF4y2Ba属性确定gydF4y2Ba米gydF4y2Ba．gydF4y2Ba

数据类型:gydF4y2Ba单身的gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

对象的功能gydF4y2Ba

要使用对象函数，请指定System对象作为第一个输入参数。例如，释放名为system的对象的系统资源gydF4y2BaobjgydF4y2Ba，使用下面的语法:gydF4y2Ba

释放（obj）gydF4y2Ba

全部展开gydF4y2Ba

特定于gydF4y2Ba`imufiltergydF4y2Ba`

调优gydF4y2Ba 调优gydF4y2BaimufiltergydF4y2Ba减少估计误差的参数gydF4y2Ba

所有系统对象都是通用的gydF4y2Ba

`一步gydF4y2Ba`	跑gydF4y2Ba系统对象gydF4y2Ba算法gydF4y2Ba
`释放gydF4y2Ba`	释放资源并允许更改gydF4y2Ba系统对象gydF4y2Ba属性值和输入特征gydF4y2Ba
`重置gydF4y2Ba`	使内部状态复位gydF4y2Ba系统对象gydF4y2Ba

例子gydF4y2Ba

全部崩溃gydF4y2Ba

从IMU数据估计方向gydF4y2Ba

打开实时脚本gydF4y2Ba

加载gydF4y2Barpy_9axisgydF4y2Ba该文件包含记录的加速计、陀螺仪和磁强计传感器数据，这些数据来自于俯仰振荡的设备（大约gydF4y2BaygydF4y2Ba-轴)，然后偏航(绕)gydF4y2BazgydF4y2Ba-轴)，然后滚动(绕)gydF4y2BaxgydF4y2Ba设在)。该文件还包含记录的采样率。gydF4y2Ba

负载gydF4y2Ba'rpy_9axis.mat'gydF4y2BasensorDatagydF4y2BaFsgydF4y2BaaccelerometerReadings = sensorData.Acceleration;gyroscopeReadings = sensorData.AngularVelocity;gydF4y2Ba

创建一个gydF4y2BaimufiltergydF4y2Ba系统对象™采样率设置为传感器数据的采样率。指定两个数字为减少算法的计算成本。gydF4y2Ba

decim = 2;保险丝=过滤器(gydF4y2Ba“SampleRate”gydF4y2Ba，财政司司长，gydF4y2Ba“DecimationFactor”gydF4y2Ba, decim);gydF4y2Ba

将加速度计读数和陀螺仪读数传递给gydF4y2BaimufiltergydF4y2Ba目的，gydF4y2Ba保险丝gydF4y2Ba，输出随时间变化的传感器体方向的估计。默认情况下，方向输出为四元数向量。gydF4y2Ba

q =保险丝(accelerometerReadings gyroscopeReadings);gydF4y2Ba

方向是由旋转父坐标系到子坐标系所需的角位移定义的。用欧拉角绘制方向，用度数表示。gydF4y2Ba

imufiltergydF4y2Ba融合正确地估计了从假设的朝北的初始方向的方向变化。然而,设备的gydF4y2BaxgydF4y2Ba-轴在记录时指向南方。要正确估计相对于真实初始方向或相对于NED的方向，请使用gydF4y2BaahrsfiltergydF4y2Ba．gydF4y2Ba

时间= (0:decim:大小(accelerometerReadings, 1) 1) / Fs;情节(时间,eulerd (q,gydF4y2Ba“ZYX股票”gydF4y2Ba，gydF4y2Ba“帧”gydF4y2Ba))头衔(gydF4y2Ba取向估计的gydF4y2Ba)传说(gydF4y2Ba'z轴'gydF4y2Ba，gydF4y2Ba“Y轴”gydF4y2Ba，gydF4y2Ba“轴”gydF4y2Ba）xlabel（gydF4y2Ba‘时间’gydF4y2Ba)伊拉贝尔(gydF4y2Ba的旋转(度)gydF4y2Ba）gydF4y2Ba

图中包含一个轴对象。带有标题方向估计的轴对象包含3个类型为line的对象。这些对象代表z轴，y轴，x轴。gydF4y2Ba

模型倾斜使用陀螺仪和加速度计读数gydF4y2Ba

打开脚本gydF4y2Ba

模型使用使用加速度计和陀螺仪的倾斜IMUgydF4y2Ba免疫传感器gydF4y2Ba系统对象™. 使用理想模型和现实模型来比较使用gydF4y2BaimufiltergydF4y2Ba系统对象。gydF4y2Ba

加载描述地面真实运动和采样率的结构。运动结构描述顺序旋转：gydF4y2Ba

偏航:120度超过2秒gydF4y2Ba
音高:60度/秒gydF4y2Ba
翻滚：半秒30度gydF4y2Ba
翻滚：-30度，超过半秒gydF4y2Ba
音高:-60度/秒gydF4y2Ba
偏航:-120度超过2秒gydF4y2Ba

在最后一个阶段，运动结构将第一、第二和第三个旋转组合为一个单轴旋转。加速度、角速度和方向在局部坐标系中定义。gydF4y2Ba

负载gydF4y2Bay120p60r30.matgydF4y2Ba运动gydF4y2BafsgydF4y2BaaccNED = motion.Acceleration;angVelNED = motion.AngularVelocity;取向= motion.Orientation;numSamples =大小(motion.Orientation, 1);t = (0: (numSamples-1)。/ fs;gydF4y2Ba

创建一个理想的IMU传感器对象和默认的IMU过滤器对象。gydF4y2Ba

IMU = imuSensor (gydF4y2Ba“accel-gyro”gydF4y2Ba，gydF4y2Ba“SampleRate”gydF4y2Bafs);aFilter = imufilter (gydF4y2Ba“SampleRate”gydF4y2Bafs);gydF4y2Ba

在一个循环:gydF4y2Ba

通过向IMU传感器对象提供地面真实运动来模拟IMU输出。gydF4y2Ba
使用默认的IMU过滤器对象过滤IMU输出。gydF4y2Ba

定向=零（Numsamples，1，gydF4y2Ba“四元数”gydF4y2Ba);gydF4y2Ba为gydF4y2Bai = 1:numSamples [accelBody,gyroBody] = IMU(accNED(i，:)，angVelNED(i，:)，orientationNED(i，:));方向(i) = aFilter (accelBody gyroBody);gydF4y2Ba结束gydF4y2Ba发行版(aFilter)gydF4y2Ba

绘制随时间变化的方向。gydF4y2Ba

图(1)情节(t, eulerd(取向,gydF4y2Ba“ZYX股票”gydF4y2Ba，gydF4y2Ba“帧”gydF4y2Ba)包含(gydF4y2Ba‘时间’gydF4y2Ba)伊拉贝尔(gydF4y2Ba的旋转(度)gydF4y2Ba)标题(gydF4y2Ba方向估计——理想IMU数据，默认IMU滤波器gydF4y2Ba)传说(gydF4y2Ba'z轴'gydF4y2Ba，gydF4y2Ba“Y轴”gydF4y2Ba，gydF4y2Ba“轴”gydF4y2Ba）gydF4y2Ba

修改您的gydF4y2Ba免疫传感器gydF4y2Ba模拟真实世界的传感器。再次运行这个循环，并随着时间的推移绘制方向估计。gydF4y2Ba

IMU。一个ccelerometer = accelparams(......gydF4y2Ba“测量技术”gydF4y2Ba,19.62,gydF4y2Ba......gydF4y2Ba“决议”gydF4y2Ba，0.00059875，gydF4y2Ba......gydF4y2Ba“ConstantBias”gydF4y2Ba，0.4905，gydF4y2Ba......gydF4y2Ba“轴不对齐”gydF4y2Ba2,gydF4y2Ba......gydF4y2Ba'黑色曝光'gydF4y2Ba，0.003924，gydF4y2Ba......gydF4y2Ba“BiasInstability”gydF4y2Ba，0，gydF4y2Ba......gydF4y2Ba“温度比亚斯”gydF4y2Ba， [0.34335 0.34335 0.5886]，gydF4y2Ba......gydF4y2Ba“TemperatureScaleFactor”gydF4y2Ba, 0.02);IMU。陀螺仪= gyroparams (gydF4y2Ba......gydF4y2Ba“测量技术”gydF4y2Ba，4.3633，gydF4y2Ba......gydF4y2Ba“决议”gydF4y2Ba, 0.00013323,gydF4y2Ba......gydF4y2Ba“轴不对齐”gydF4y2Ba2,gydF4y2Ba......gydF4y2Ba'黑色曝光'gydF4y2Ba，8.7266e-05，gydF4y2Ba......gydF4y2Ba“温度比亚斯”gydF4y2Ba, 0.34907,gydF4y2Ba......gydF4y2Ba“TemperatureScaleFactor”gydF4y2Ba, 0.02,gydF4y2Ba......gydF4y2Ba'AccelerationBias'gydF4y2Ba, 0.00017809,gydF4y2Ba......gydF4y2Ba“ConstantBias”gydF4y2Ba, 0.3491, 0.5, 0);orientationDefault = 0 (numSamples 1gydF4y2Ba“四元数”gydF4y2Ba);gydF4y2Ba为gydF4y2Bai = 1:numSamples [accelBody,gyroBody] = IMU(accNED(i，:)，angVelNED(i，:)，orientationNED(i，:));OrientationDefault（i）=从事（加速器（加速）（加入体，Gyrobody）;gydF4y2Ba结束gydF4y2Ba释放（过滤器）图（2）曲线图（t、eulerd、故障、，gydF4y2Ba“ZYX股票”gydF4y2Ba，gydF4y2Ba“帧”gydF4y2Ba)包含(gydF4y2Ba‘时间’gydF4y2Ba)伊拉贝尔(gydF4y2Ba的旋转(度)gydF4y2Ba)标题(gydF4y2Ba'定向估计 - 现实的IMU数据，默认IMU过滤器'gydF4y2Ba)传说(gydF4y2Ba'z轴'gydF4y2Ba，gydF4y2Ba“Y轴”gydF4y2Ba，gydF4y2Ba“轴”gydF4y2Ba）gydF4y2Ba

能力gydF4y2BaimufiltergydF4y2Ba当对真实的IMU建模时，跟踪地面真实数据的能力显著降低。要提高性能，请修改您的属性gydF4y2BaimufiltergydF4y2Ba对象。这些值是由经验决定的。再次运行这个循环，并随着时间的推移绘制方向估计。gydF4y2Ba

aFilter。GyroscopeNoise = 7.6154 e;aFilter。一个ccelerometerNoise = 0.0015398; aFilter.GyroscopeDriftNoise = 3.0462e-12; aFilter.LinearAccelerationNoise = 0.00096236; aFilter.InitialProcessNoise = aFilter.InitialProcessNoise*10; orientationNondefault = zeros(numSamples,1,“四元数”gydF4y2Ba);gydF4y2Ba为gydF4y2Bai = 1:numSamples [accelBody,gyroBody] = IMU(accNED(i，:)，angVelNED(i，:)，orientationNED(i，:));orientationNondefault (i) = aFilter (accelBody gyroBody);gydF4y2Ba结束gydF4y2Ba发行版(aFilter)图(3)图(t, eulerd (orientationNondefault,gydF4y2Ba“ZYX股票”gydF4y2Ba，gydF4y2Ba“帧”gydF4y2Ba)包含(gydF4y2Ba‘时间’gydF4y2Ba)伊拉贝尔(gydF4y2Ba的旋转(度)gydF4y2Ba)标题(gydF4y2Ba'定向估计 - 现实的IMU数据，非默认IMU过滤器'gydF4y2Ba)传说(gydF4y2Ba'z轴'gydF4y2Ba，gydF4y2Ba“Y轴”gydF4y2Ba，gydF4y2Ba“轴”gydF4y2Ba）gydF4y2Ba

量化改进后的性能gydF4y2BaimufiltergydF4y2Ba，绘制地面真值运动和目标返回方向之间的四元数距离gydF4y2BaimufiltergydF4y2Ba使用默认和非默认属性。gydF4y2Ba

qDistDefault = rad2deg (dist(取向,orientationDefault));qDistNondefault = rad2deg (dist(取向,orientationNondefault));图(4)图(t) [qDistDefault qDistNondefault])标题(gydF4y2Ba'距离真实方向的距离'gydF4y2Ba)传说(gydF4y2Ba真实的IMU数据，默认的IMU过滤器gydF4y2Ba，gydF4y2Ba......gydF4y2Ba“真实的IMU数据，非默认的IMU过滤器”gydF4y2Ba）xlabel（gydF4y2Ba‘时间’gydF4y2Ba)伊拉贝尔(gydF4y2Ba“四元数距离(度)gydF4y2Ba）gydF4y2Ba

消除角速度测量中的偏差gydF4y2Ba

打开实时脚本gydF4y2Ba

此示例显示如何使用IMU使用陀螺仪偏置gydF4y2BaimufiltergydF4y2Ba．gydF4y2Ba

使用gydF4y2BakinematicTrajectorygydF4y2Ba创建一个由两部分组成的轨迹。第一部分的角速度是恒定的gydF4y2BaygydF4y2Ba- 和gydF4y2BazgydF4y2Ba相互重合。第二部分在所有三个轴上的角速度都是变化的。gydF4y2Ba

时间= 60 * 8;fs = 20;numSamples = duration * fs;rng (gydF4y2Ba“默认”gydF4y2Ba）gydF4y2Ba%给RNG种子，以再现噪声传感器的测量结果。gydF4y2Bainitnangvel = [0,0.5,0.25];Finalangvel = [-0.2,0.6,0.5];Contrantangvel = Repmat（Rightangvel，地板（Numsamples / 2），1）;varyingangvel = [linspace（initorangvel（1），Finalangvel（1），Ceil（Numsamples / 2））。'，gydF4y2Ba......gydF4y2BafinalAngVel linspace (initialAngVel(2),(2),装天花板(numSamples / 2)。”gydF4y2Ba......gydF4y2Balinspace (initialAngVel (3) finalAngVel(3),装天花板(numSamples / 2)。');angVelBody = [constantAngVel;varyingAngVel];accBody = 0 (numSamples, 3);traj = kinematicTrajectory (gydF4y2Ba“SampleRate”gydF4y2Bafs);[qn, ~ ~, accNED angVelNED] = traj (accBody angVelBody);gydF4y2Ba

创建一个gydF4y2Ba免疫传感器gydF4y2Ba系统对象™,gydF4y2BaIMUgydF4y2Ba，使用非理想陀螺仪。调用gydF4y2BaIMUgydF4y2Ba地面真实加速度、角速度和方向。gydF4y2Ba

IMU = imuSensor (gydF4y2Ba“accel-gyro”gydF4y2Ba，gydF4y2Ba......gydF4y2Ba“陀螺”gydF4y2Ba，回转参数(gydF4y2Ba“随机散步”gydF4y2Ba, 0.003,gydF4y2Ba“ConstantBias”gydF4y2Ba0.3),gydF4y2Ba......gydF4y2Ba“SampleRate”gydF4y2Bafs);[accelreads, gyroReadingsBody] = IMU(accNED,angVelNED,qNED);gydF4y2Ba

创建一个gydF4y2BaimufiltergydF4y2Ba系统对象，gydF4y2Ba保险丝gydF4y2Ba．调用gydF4y2Ba保险丝gydF4y2Ba用建模的加速度计读数和陀螺仪读数。gydF4y2Ba

保险丝=过滤器(gydF4y2Ba“SampleRate”gydF4y2Ba，财政司司长，gydF4y2Ba“漂移噪声”gydF4y2Ba1 e-6);[~, angVelBodyRecovered] =保险丝(accelReadings gyroReadingsBody);gydF4y2Ba

绘制每个轴的地基角速度，陀螺读数和回收的角速度。gydF4y2Ba

角速度从gydF4y2BaimufiltergydF4y2Ba补偿陀螺仪偏差随时间的影响，并收敛到真实的角速度。gydF4y2Ba

时间=（0：NUMSAMPLES-1）'/ FS;图（1）绘图（时间，angvelbody（：1），gydF4y2Ba......gydF4y2Ba时间,gyroReadingsBody (: 1),gydF4y2Ba......gydF4y2Ba时间,angVelBodyRecovered(: 1)标题(gydF4y2Ba“轴”gydF4y2Ba)传说(gydF4y2Ba“真正的角速度”gydF4y2Ba，gydF4y2Ba......gydF4y2Ba“陀螺仪数据”gydF4y2Ba，gydF4y2Ba......gydF4y2Ba“恢复角速度”gydF4y2Ba)伊拉贝尔(gydF4y2Ba“角速度(rad / s)”gydF4y2Ba）gydF4y2Ba

图中包含一个轴对象。标题为x轴的axis对象包含3个类型为line的对象。这些对象代表真实角速度，陀螺仪读数，恢复角速度。gydF4y2Ba

图(2)图(时间,angVelBody (:, 2),gydF4y2Ba......gydF4y2Ba时间，回转体读数（：，2），gydF4y2Ba......gydF4y2Ba时间,angVelBodyRecovered(: 2)标题(gydF4y2Ba“Y轴”gydF4y2Ba)伊拉贝尔(gydF4y2Ba“角速度(rad / s)”gydF4y2Ba）gydF4y2Ba

图中包含一个轴对象。标题为y轴的axis对象包含3个类型为line的对象。gydF4y2Ba

图（3）绘图（时间，angVelBody（：，3），gydF4y2Ba......gydF4y2Ba时间，回转体读数（：，3），gydF4y2Ba......gydF4y2Ba时间，Angvelbody恢复（：，3））标题(gydF4y2Ba'z轴'gydF4y2Ba)伊拉贝尔(gydF4y2Ba“角速度(rad / s)”gydF4y2Ba）xlabel（gydF4y2Ba‘时间’gydF4y2Ba）gydF4y2Ba

图中包含一个轴对象。标题为z轴的轴对象包含3个类型为line的对象。gydF4y2Ba

算法gydF4y2Ba

全部展开gydF4y2Ba

注：以下算法仅适用于NED参考系。gydF4y2Ba

的gydF4y2BaimufiltergydF4y2Ba采用中描述的六轴卡尔曼滤波结构gydF4y2Ba［1］gydF4y2Ba．该算法试图跟踪方向、陀螺仪偏移和线性加速度的误差，以输出最终方向和角速度。与直接跟踪方向不同，间接卡尔曼滤波器模拟误差过程，gydF4y2BaxgydF4y2Ba，具有递归更新：gydF4y2Ba

${xgydF4y2Ba}_{kgydF4y2Ba} ＝gydF4y2Ba ［gydF4y2Ba \begin{matrix} {θgydF4y2Ba}_{kgydF4y2Ba} \\ {bgydF4y2Ba}_{kgydF4y2Ba} \\ {一个gydF4y2Ba}_{kgydF4y2Ba} \end{matrix} ］gydF4y2Ba ＝gydF4y2Ba {FgydF4y2Ba}_{kgydF4y2Ba} ［gydF4y2Ba \begin{matrix} {θgydF4y2Ba}_{kgydF4y2Ba -gydF4y2Ba 1gydF4y2Ba} \\ {bgydF4y2Ba}_{kgydF4y2Ba -gydF4y2Ba 1gydF4y2Ba} \\ {一个gydF4y2Ba}_{kgydF4y2Ba -gydF4y2Ba 1gydF4y2Ba} \end{matrix} ］gydF4y2Ba +gydF4y2Ba {wgydF4y2Ba}_{kgydF4y2Ba}$

在哪里gydF4y2BaxgydF4y2Ba_kgydF4y2Ba是一个9×1矢量，包括：gydF4y2Ba

θgydF4y2Ba_kgydF4y2Ba——3乘1的方向误差矢量，以度数表示gydF4y2BakgydF4y2Ba
bgydF4y2Ba_kgydF4y2Ba- 3 × 1陀螺仪零角速率偏差矢量，deg/s，在时间gydF4y2BakgydF4y2Ba
一个gydF4y2Ba_kgydF4y2Ba- 在传感器框架中测量的3×1加速度误差矢量，在g中gydF4y2BakgydF4y2Ba
wgydF4y2Ba_kgydF4y2Ba——9乘1的加性噪声向量gydF4y2Ba
FgydF4y2Ba_kgydF4y2Ba——状态转移模型gydF4y2Ba

因为gydF4y2BaxgydF4y2Ba_kgydF4y2Ba被定义为错误过程，gydF4y2Ba先验gydF4y2Ba估计总是零，因此状态转移模型，gydF4y2BaFgydF4y2Ba_kgydF4y2Ba,是零。这一见解导致了以下标准卡尔曼方程的简化:gydF4y2Ba

标准卡尔曼方程式：gydF4y2Ba

$\begin{array}{l} {xgydF4y2Ba}_{kgydF4y2Ba}^{-gydF4y2Ba} ＝gydF4y2Ba {FgydF4y2Ba}_{kgydF4y2Ba} {xgydF4y2Ba}_{kgydF4y2Ba -gydF4y2Ba 1gydF4y2Ba}^{+gydF4y2Ba} \\ {PgydF4y2Ba}_{kgydF4y2Ba}^{-gydF4y2Ba} ＝gydF4y2Ba {FgydF4y2Ba}_{kgydF4y2Ba} {PgydF4y2Ba}_{kgydF4y2Ba -gydF4y2Ba 1gydF4y2Ba}^{+gydF4y2Ba} {FgydF4y2Ba}_{kgydF4y2Ba}^{TgydF4y2Ba} +gydF4y2Ba {问gydF4y2Ba}_{kgydF4y2Ba} \\ {ygydF4y2Ba}_{kgydF4y2Ba} ＝gydF4y2Ba {zgydF4y2Ba}_{kgydF4y2Ba} -gydF4y2Ba {HgydF4y2Ba}_{kgydF4y2Ba} {xgydF4y2Ba}_{kgydF4y2Ba}^{-gydF4y2Ba} \\ {年代gydF4y2Ba}_{kgydF4y2Ba} ＝gydF4y2Ba {RgydF4y2Ba}_{kgydF4y2Ba} +gydF4y2Ba {HgydF4y2Ba}_{kgydF4y2Ba} {PgydF4y2Ba}_{kgydF4y2Ba}^{-gydF4y2Ba} {HgydF4y2Ba}_{kgydF4y2Ba}^{TgydF4y2Ba} \\ {KgydF4y2Ba}_{kgydF4y2Ba} ＝gydF4y2Ba {PgydF4y2Ba}_{kgydF4y2Ba}^{-gydF4y2Ba} {HgydF4y2Ba}_{kgydF4y2Ba}^{TgydF4y2Ba} {（gydF4y2Ba {年代gydF4y2Ba}_{kgydF4y2Ba} ）gydF4y2Ba}^{-gydF4y2Ba 1gydF4y2Ba} \\ {xgydF4y2Ba}_{kgydF4y2Ba}^{+gydF4y2Ba} ＝gydF4y2Ba {xgydF4y2Ba}_{kgydF4y2Ba}^{-gydF4y2Ba} +gydF4y2Ba {KgydF4y2Ba}_{kgydF4y2Ba} {ygydF4y2Ba}_{kgydF4y2Ba} \\ {PgydF4y2Ba}_{kgydF4y2Ba}^{+gydF4y2Ba} ＝gydF4y2Ba {PgydF4y2Ba}_{kgydF4y2Ba}^{-gydF4y2Ba} -gydF4y2Ba {KgydF4y2Ba}_{kgydF4y2Ba} {HgydF4y2Ba}_{kgydF4y2Ba} {PgydF4y2Ba}_{kgydF4y2Ba}^{-gydF4y2Ba} \end{array}$

此算法中使用的卡尔曼方程：gydF4y2Ba

$\begin{array}{l} {xgydF4y2Ba}_{kgydF4y2Ba}^{-gydF4y2Ba} ＝gydF4y2Ba 0gydF4y2Ba \\ {PgydF4y2Ba}_{kgydF4y2Ba}^{-gydF4y2Ba} ＝gydF4y2Ba {问gydF4y2Ba}_{kgydF4y2Ba} \\ {ygydF4y2Ba}_{kgydF4y2Ba} ＝gydF4y2Ba {zgydF4y2Ba}_{kgydF4y2Ba} \\ {年代gydF4y2Ba}_{kgydF4y2Ba} ＝gydF4y2Ba {RgydF4y2Ba}_{kgydF4y2Ba} +gydF4y2Ba {HgydF4y2Ba}_{kgydF4y2Ba} {PgydF4y2Ba}_{kgydF4y2Ba}^{-gydF4y2Ba} {HgydF4y2Ba}_{kgydF4y2Ba}^{TgydF4y2Ba} \\ {KgydF4y2Ba}_{kgydF4y2Ba} ＝gydF4y2Ba {PgydF4y2Ba}_{kgydF4y2Ba}^{-gydF4y2Ba} {HgydF4y2Ba}_{kgydF4y2Ba}^{TgydF4y2Ba} {（gydF4y2Ba {年代gydF4y2Ba}_{kgydF4y2Ba} ）gydF4y2Ba}^{-gydF4y2Ba 1gydF4y2Ba} \\ {xgydF4y2Ba}_{kgydF4y2Ba}^{+gydF4y2Ba} ＝gydF4y2Ba {KgydF4y2Ba}_{kgydF4y2Ba} {ygydF4y2Ba}_{kgydF4y2Ba} \\ {PgydF4y2Ba}_{kgydF4y2Ba}^{+gydF4y2Ba} ＝gydF4y2Ba {PgydF4y2Ba}_{kgydF4y2Ba}^{-gydF4y2Ba} -gydF4y2Ba {KgydF4y2Ba}_{kgydF4y2Ba} {HgydF4y2Ba}_{kgydF4y2Ba} {PgydF4y2Ba}_{kgydF4y2Ba}^{-gydF4y2Ba} \end{array}$

在哪里gydF4y2Ba

xgydF4y2Ba_kgydF4y2Ba^-gydF4y2Ba——预测(gydF4y2Ba先验gydF4y2Ba）国家估计;错误过程gydF4y2Ba
PgydF4y2Ba_kgydF4y2Ba^-gydF4y2Ba——预测(gydF4y2Ba先验gydF4y2Ba）估计协方差gydF4y2Ba
ygydF4y2Ba_kgydF4y2Ba- 创新gydF4y2Ba
年代gydF4y2Ba_kgydF4y2Ba–创新协方差gydF4y2Ba
KgydF4y2Ba_kgydF4y2Ba——卡尔曼增益gydF4y2Ba
xgydF4y2Ba_kgydF4y2Ba^+gydF4y2Ba——更新(gydF4y2Ba后验gydF4y2Ba)状态估计gydF4y2Ba
PgydF4y2Ba_kgydF4y2Ba^+gydF4y2Ba——更新(gydF4y2Ba后验gydF4y2Ba）估计协方差gydF4y2Ba

kgydF4y2Ba代表迭代，上标gydF4y2Ba^+gydF4y2Ba代表一个gydF4y2Ba后验gydF4y2Ba估计，和上标gydF4y2Ba^-gydF4y2Ba代表一个gydF4y2Ba先验gydF4y2Ba估计。gydF4y2Ba

下图和以下步骤描述了通过该算法的单帧迭代。gydF4y2Ba

算法流程图gydF4y2Ba

在第一次迭代之前，gydF4y2BaaccelReadingsgydF4y2Ba和gydF4y2BagyroReadingsgydF4y2Ba输入将分为1×3帧和gydF4y2BaDecimationFactorgydF4y2Ba-分别为3帧。该算法使用与陀螺仪读数块相对应的最新加速度计读数。gydF4y2Ba

详细的概述gydF4y2Ba

逐步通过算法对每个阶段进行详细的概述说明。gydF4y2Ba

模型gydF4y2Ba

该算法将加速度和角度变化建模为线性过程。gydF4y2Ba

预测方向gydF4y2Ba

通过首先估计来自前一个帧的角度变化来预测当前帧的方向：gydF4y2Ba

$ΔgydF4y2Ba {φgydF4y2Ba}_{NgydF4y2Ba \timesgydF4y2Ba 3.gydF4y2Ba} ＝gydF4y2Ba \frac{（gydF4y2Ba ggydF4y2Ba ygydF4y2Ba rgydF4y2Ba ogydF4y2Ba RgydF4y2Ba egydF4y2Ba 一个gydF4y2Ba dgydF4y2Ba 我gydF4y2Ba ngydF4y2Ba ggydF4y2Ba {年代gydF4y2Ba}_{NgydF4y2Ba \timesgydF4y2Ba 3.gydF4y2Ba} -gydF4y2Ba ggydF4y2Ba ygydF4y2Ba rgydF4y2Ba ogydF4y2Ba OgydF4y2Ba fgydF4y2Ba fgydF4y2Ba 年代gydF4y2Ba egydF4y2Ba {tgydF4y2Ba}_{1gydF4y2Ba \timesgydF4y2Ba 3.gydF4y2Ba} ）gydF4y2Ba}{fgydF4y2Ba 年代gydF4y2Ba}$

在哪里gydF4y2BaNgydF4y2Ba抽取因子是否由gydF4y2BaDecimationFactorgydF4y2Ba财产,gydF4y2BafsgydF4y2Ba是由制造商指定的采样率gydF4y2BaSampleRategydF4y2Ba财产。gydF4y2Ba

角的变化被转换成四元数gydF4y2BaRotvec.gydF4y2Ba四元数gydF4y2Ba施工的语法:gydF4y2Ba

$ΔgydF4y2Ba {问gydF4y2Ba}_{NgydF4y2Ba \timesgydF4y2Ba 1gydF4y2Ba} ＝gydF4y2Ba 四元数gydF4y2Ba （gydF4y2Ba ΔgydF4y2Ba {φgydF4y2Ba}_{NgydF4y2Ba \timesgydF4y2Ba 3.gydF4y2Ba} ，gydF4y2Ba ＇gydF4y2Ba rgydF4y2Ba ogydF4y2Ba tgydF4y2Ba vgydF4y2Ba egydF4y2Ba cgydF4y2Ba ＇gydF4y2Ba ）gydF4y2Ba$

之前的方向估计通过Δ旋转来更新gydF4y2Ba问gydF4y2Ba：gydF4y2Ba

${问gydF4y2Ba}_{1gydF4y2Ba \timesgydF4y2Ba 1gydF4y2Ba}^{-gydF4y2Ba} ＝gydF4y2Ba （gydF4y2Ba {问gydF4y2Ba}_{1gydF4y2Ba \timesgydF4y2Ba 1gydF4y2Ba}^{+gydF4y2Ba} ）gydF4y2Ba （gydF4y2Ba {πgydF4y2Ba}_{ngydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{NgydF4y2Ba} ΔgydF4y2Ba {问gydF4y2Ba}_{ngydF4y2Ba} ）gydF4y2Ba$

在第一次迭代期间，方向估计，gydF4y2Ba问gydF4y2Ba^-gydF4y2Ba，由gydF4y2Ba生态公司gydF4y2Ba假设gydF4y2BaxgydF4y2Ba设在北。gydF4y2Ba

从方向估计重力gydF4y2Ba

重力矢量被解释为四元数的第三列，gydF4y2Ba问gydF4y2Ba^-gydF4y2Ba，旋转矩阵形式:gydF4y2Ba

${ggydF4y2Ba}_{1gydF4y2Ba \timesgydF4y2Ba 3.gydF4y2Ba} ＝gydF4y2Ba {（gydF4y2Ba rgydF4y2Ba PgydF4y2Ba rgydF4y2Ba 我gydF4y2Ba ogydF4y2Ba rgydF4y2Ba （gydF4y2Ba ：gydF4y2Ba ，gydF4y2Ba 3.gydF4y2Ba ）gydF4y2Ba ）gydF4y2Ba}^{TgydF4y2Ba}$

看到gydF4y2Ba生态公司gydF4y2Ba来解释为什么第三列gydF4y2Barprior.gydF4y2Ba可以解释为重力矢量。gydF4y2Ba

加速度的重力gydF4y2Ba

通过从加速度计读数中减去前一迭代的衰减线性加速估计来进行第二重力矢量估计：gydF4y2Ba

$ggydF4y2Ba 一个gydF4y2Ba cgydF4y2Ba cgydF4y2Ba egydF4y2Ba {lgydF4y2Ba}_{1gydF4y2Ba \timesgydF4y2Ba 3.gydF4y2Ba} ＝gydF4y2Ba 一个gydF4y2Ba cgydF4y2Ba cgydF4y2Ba egydF4y2Ba lgydF4y2Ba RgydF4y2Ba egydF4y2Ba 一个gydF4y2Ba dgydF4y2Ba 我gydF4y2Ba ngydF4y2Ba ggydF4y2Ba {年代gydF4y2Ba}_{1gydF4y2Ba \timesgydF4y2Ba 3.gydF4y2Ba} -gydF4y2Ba lgydF4y2Ba 我gydF4y2Ba ngydF4y2Ba 一个gydF4y2Ba cgydF4y2Ba cgydF4y2Ba egydF4y2Ba lgydF4y2Ba pgydF4y2Ba rgydF4y2Ba 我gydF4y2Ba ogydF4y2Ba {rgydF4y2Ba}_{1gydF4y2Ba \timesgydF4y2Ba 3.gydF4y2Ba}$

误差模型gydF4y2Ba

误差模型是加速度计读数估计的重力值与陀螺仪读数估计的重力值之间的差值:gydF4y2Ba $zgydF4y2Ba ＝gydF4y2Ba ggydF4y2Ba -gydF4y2Ba ggydF4y2Ba 一个gydF4y2Ba cgydF4y2Ba cgydF4y2Ba egydF4y2Ba lgydF4y2Ba$ ．gydF4y2Ba

卡尔曼滤波方程gydF4y2Ba

卡尔曼方程使用了从陀螺仪读数得出的重力估计，gydF4y2BaggydF4y2Ba以及观察错误过程，gydF4y2BazgydF4y2Ba，更新卡尔曼增益和中间协方差矩阵。卡尔曼增益适用于错误信号，gydF4y2BazgydF4y2Ba，输出gydF4y2Ba后验gydF4y2Ba误差估计，gydF4y2BaxgydF4y2Ba^+gydF4y2Ba．gydF4y2Ba

观察模型gydF4y2Ba

观测模型映射1×3的观测状态，gydF4y2BaggydF4y2Ba，进入3乘9的真实状态，gydF4y2BaHgydF4y2Ba．gydF4y2Ba

观测模型构造为:gydF4y2Ba

${HgydF4y2Ba}_{3.gydF4y2Ba \timesgydF4y2Ba 9gydF4y2Ba} ＝gydF4y2Ba ［gydF4y2Ba \begin{matrix} 0gydF4y2Ba & {ggydF4y2Ba}_{zgydF4y2Ba} & -gydF4y2Ba {ggydF4y2Ba}_{ygydF4y2Ba} & 0gydF4y2Ba & -gydF4y2Ba κgydF4y2Ba {ggydF4y2Ba}_{zgydF4y2Ba} & κgydF4y2Ba {ggydF4y2Ba}_{ygydF4y2Ba} & 1gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba \\ -gydF4y2Ba {ggydF4y2Ba}_{zgydF4y2Ba} & 0gydF4y2Ba & {ggydF4y2Ba}_{xgydF4y2Ba} & κgydF4y2Ba {ggydF4y2Ba}_{zgydF4y2Ba} & 0gydF4y2Ba & -gydF4y2Ba κgydF4y2Ba {ggydF4y2Ba}_{xgydF4y2Ba} & 0gydF4y2Ba & 1gydF4y2Ba & 0gydF4y2Ba \\ {ggydF4y2Ba}_{ygydF4y2Ba} & -gydF4y2Ba {ggydF4y2Ba}_{xgydF4y2Ba} & 0gydF4y2Ba & -gydF4y2Ba κgydF4y2Ba {ggydF4y2Ba}_{ygydF4y2Ba} & κgydF4y2Ba {ggydF4y2Ba}_{xgydF4y2Ba} & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 1gydF4y2Ba \end{matrix} ］gydF4y2Ba$

在哪里gydF4y2BaggydF4y2Ba_xgydF4y2Ba，gydF4y2BaggydF4y2Ba_ygydF4y2Ba和gydF4y2BaggydF4y2Ba_zgydF4y2Ba是gydF4y2BaxgydF4y2Ba-,gydF4y2BaygydF4y2Ba- - - - - -,gydF4y2BazgydF4y2Ba-分别根据方向估计的重力矢量元素。gydF4y2BaκgydF4y2Ba是一个由gydF4y2BaSampleRategydF4y2Ba和gydF4y2BaDecimationFactorgydF4y2Ba特性：gydF4y2BaκgydF4y2Ba＝gydF4y2BaDecimationFactorgydF4y2Ba/gydF4y2BaSampleRategydF4y2Ba．gydF4y2Ba

参见第7.3和7.4节gydF4y2Ba［1］gydF4y2Ba用于推导观测模型。gydF4y2Ba

创新协方差gydF4y2Ba

创新协方差是一个3 × 3矩阵，用于跟踪测量中的可变性。创新协方差矩阵计算为:gydF4y2Ba

${年代gydF4y2Ba}_{3.gydF4y2Ba xgydF4y2Ba 3.gydF4y2Ba} ＝gydF4y2Ba {RgydF4y2Ba}_{3.gydF4y2Ba xgydF4y2Ba 3.gydF4y2Ba} +gydF4y2Ba （gydF4y2Ba {HgydF4y2Ba}_{3.gydF4y2Ba xgydF4y2Ba 9gydF4y2Ba} ）gydF4y2Ba （gydF4y2Ba {PgydF4y2Ba}_{_{9gydF4y2Ba xgydF4y2Ba 9gydF4y2Ba}}^{-gydF4y2Ba} ）gydF4y2Ba {（gydF4y2Ba {HgydF4y2Ba}_{3.gydF4y2Ba xgydF4y2Ba 9gydF4y2Ba} ）gydF4y2Ba}^{TgydF4y2Ba}$

在哪里gydF4y2Ba

HgydF4y2Ba是观测模型矩阵gydF4y2Ba
PgydF4y2Ba^-gydF4y2Ba是预测的(gydF4y2Ba先验gydF4y2Ba）估计在前面的迭代中计算的观察模型的协方差gydF4y2Ba
RgydF4y2Ba是观测模型噪声的协方差，计算公式如下：gydF4y2Ba

${RgydF4y2Ba}_{3.gydF4y2Ba \timesgydF4y2Ba 3.gydF4y2Ba} ＝gydF4y2Ba （gydF4y2Ba λgydF4y2Ba +gydF4y2Ba ξgydF4y2Ba +gydF4y2Ba κgydF4y2Ba （gydF4y2Ba βgydF4y2Ba +gydF4y2Ba ηgydF4y2Ba ）gydF4y2Ba ）gydF4y2Ba ［gydF4y2Ba \begin{matrix} 1gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba \\ 0gydF4y2Ba & 1gydF4y2Ba & 0gydF4y2Ba \\ 0gydF4y2Ba & 0gydF4y2Ba & 1gydF4y2Ba \end{matrix} ］gydF4y2Ba ．gydF4y2Ba$

观测模型噪声方差定义如下:gydF4y2Ba
- κgydF4y2Ba–– (gydF4y2BaDecimationFactorgydF4y2Ba/gydF4y2BaSampleRategydF4y2Ba）gydF4y2Ba^2gydF4y2Ba
- βgydF4y2Ba-gydF4y2Ba陀螺仪的速度gydF4y2Ba
- ηgydF4y2Ba-gydF4y2Ba陀螺噪声gydF4y2Ba
- λgydF4y2Ba-gydF4y2BaAccelerometerNoisegydF4y2Ba
- ξgydF4y2Ba-gydF4y2BaLinearAccelerationNoisegydF4y2Ba

更新误差估计协方差gydF4y2Ba

误差估计协方差是一个9×9矩阵，用于跟踪状态的变异性。gydF4y2Ba

误差估计协方差矩阵更新为:gydF4y2Ba

${PgydF4y2Ba}_{_{9gydF4y2Ba \timesgydF4y2Ba 9gydF4y2Ba}}^{+gydF4y2Ba} ＝gydF4y2Ba {PgydF4y2Ba}_{_{9gydF4y2Ba \timesgydF4y2Ba 9gydF4y2Ba}}^{-gydF4y2Ba} -gydF4y2Ba （gydF4y2Ba {KgydF4y2Ba}_{9gydF4y2Ba \timesgydF4y2Ba 3.gydF4y2Ba} ）gydF4y2Ba （gydF4y2Ba {HgydF4y2Ba}_{3.gydF4y2Ba \timesgydF4y2Ba 9gydF4y2Ba} ）gydF4y2Ba （gydF4y2Ba {PgydF4y2Ba}_{_{9gydF4y2Ba \timesgydF4y2Ba 9gydF4y2Ba}}^{-gydF4y2Ba} ）gydF4y2Ba$

在哪里gydF4y2BaKgydF4y2Ba是卡尔曼增益，gydF4y2BaHgydF4y2Ba是测量矩阵，和gydF4y2BaPgydF4y2Ba^-gydF4y2Ba为前一次迭代中计算的误差估计协方差。gydF4y2Ba

预测错误估计协方差gydF4y2Ba

误差估计协方差是一个9×9矩阵，用于跟踪状态的变异性。的gydF4y2Ba先验gydF4y2Ba误差估计协方差，gydF4y2BaPgydF4y2Ba^-gydF4y2Ba，为过程噪声协方差，gydF4y2Ba问gydF4y2Ba，在之前的迭代期间确定。gydF4y2Ba问gydF4y2Ba的函数gydF4y2Ba后验gydF4y2Ba误差估计协方差，gydF4y2BaPgydF4y2Ba^+gydF4y2Ba．在计算gydF4y2Ba问gydF4y2Ba，则假定互相关项与自相关项相比可忽略不计，并设置为零：gydF4y2Ba

$问gydF4y2Ba ＝gydF4y2Ba ［gydF4y2Ba \begin{matrix} {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 1gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba {κgydF4y2Ba}^{2gydF4y2Ba} {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 31.gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba βgydF4y2Ba +gydF4y2Ba ηgydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & -gydF4y2Ba κgydF4y2Ba （gydF4y2Ba {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 31.gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba βgydF4y2Ba ）gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba \\ 0gydF4y2Ba & {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 11.gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba {κgydF4y2Ba}^{2gydF4y2Ba} {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 41.gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba βgydF4y2Ba +gydF4y2Ba ηgydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & -gydF4y2Ba κgydF4y2Ba （gydF4y2Ba {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 41.gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba βgydF4y2Ba ）gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba \\ 0gydF4y2Ba & 0gydF4y2Ba & {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 21.gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba {κgydF4y2Ba}^{2gydF4y2Ba} {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 51gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba βgydF4y2Ba +gydF4y2Ba ηgydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & -gydF4y2Ba κgydF4y2Ba （gydF4y2Ba {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 51gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba βgydF4y2Ba ）gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba \\ -gydF4y2Ba κgydF4y2Ba （gydF4y2Ba {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 31.gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba βgydF4y2Ba ）gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 31.gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba βgydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba \\ 0gydF4y2Ba & -gydF4y2Ba κgydF4y2Ba （gydF4y2Ba {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 41.gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba βgydF4y2Ba ）gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 41.gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba βgydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba \\ 0gydF4y2Ba & 0gydF4y2Ba & -gydF4y2Ba κgydF4y2Ba （gydF4y2Ba {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 51gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba βgydF4y2Ba ）gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 51gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba βgydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba \\ 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & {νgydF4y2Ba}^{2gydF4y2Ba} {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 61gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba ξgydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba \\ 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & {νgydF4y2Ba}^{2gydF4y2Ba} {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 71gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba ξgydF4y2Ba & 0gydF4y2Ba \\ 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & {νgydF4y2Ba}^{2gydF4y2Ba} {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 81gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba ξgydF4y2Ba \end{matrix} ］gydF4y2Ba$

在哪里gydF4y2Ba

PgydF4y2Ba^+gydF4y2Ba——是更新的(gydF4y2Ba后验gydF4y2Ba)误差估计协方差gydF4y2Ba
κgydF4y2Ba-gydF4y2BaDecimationFactorgydF4y2Ba/gydF4y2BaSampleRategydF4y2Ba
βgydF4y2Ba-gydF4y2Ba陀螺仪的速度gydF4y2Ba
ηgydF4y2Ba-gydF4y2Ba陀螺噪声gydF4y2Ba
νgydF4y2Ba-gydF4y2BaLinearAcclerationDecayFactorgydF4y2Ba
ξgydF4y2Ba-gydF4y2BaLinearAccelerationNoisegydF4y2Ba

见第10.1节gydF4y2Ba［1］gydF4y2Ba对于过程误差矩阵的术语来实现。gydF4y2Ba

卡尔曼增益gydF4y2Ba

卡尔曼增益矩阵是一个9乘3的矩阵，用于对创新进行加权。在这个算法中，创新被解释为误差过程，gydF4y2BazgydF4y2Ba．gydF4y2Ba

卡尔曼增益矩阵构造为:gydF4y2Ba

${KgydF4y2Ba}_{9gydF4y2Ba \timesgydF4y2Ba 3.gydF4y2Ba} ＝gydF4y2Ba （gydF4y2Ba {PgydF4y2Ba}_{_{9gydF4y2Ba \timesgydF4y2Ba 9gydF4y2Ba}}^{-gydF4y2Ba} ）gydF4y2Ba {（gydF4y2Ba {HgydF4y2Ba}_{3.gydF4y2Ba \timesgydF4y2Ba 9gydF4y2Ba} ）gydF4y2Ba}^{TgydF4y2Ba} {（gydF4y2Ba {（gydF4y2Ba {年代gydF4y2Ba}_{3.gydF4y2Ba \timesgydF4y2Ba 3.gydF4y2Ba} ）gydF4y2Ba}^{TgydF4y2Ba} ）gydF4y2Ba}^{-gydF4y2Ba 1gydF4y2Ba}$

在哪里gydF4y2Ba

PgydF4y2Ba^-gydF4y2Ba- 预测错误协方差gydF4y2Ba
HgydF4y2Ba——观察模型gydF4y2Ba
年代gydF4y2Ba–创新协方差gydF4y2Ba

更新Posteriori错误gydF4y2Ba

的gydF4y2Ba后路gydF4y2Ba通过将卡尔曼增益矩阵与重力矢量估计中的错误组合来确定误差估计：gydF4y2Ba

${xgydF4y2Ba}_{9gydF4y2Ba \timesgydF4y2Ba 1gydF4y2Ba} ＝gydF4y2Ba （gydF4y2Ba {KgydF4y2Ba}_{9gydF4y2Ba \timesgydF4y2Ba 3.gydF4y2Ba} ）gydF4y2Ba {（gydF4y2Ba {zgydF4y2Ba}_{1gydF4y2Ba \timesgydF4y2Ba 3.gydF4y2Ba} ）gydF4y2Ba}^{TgydF4y2Ba}$

正确的gydF4y2Ba

估算方向gydF4y2Ba

将之前的估计乘以误差来更新方向估计:gydF4y2Ba

${问gydF4y2Ba}^{+gydF4y2Ba} ＝gydF4y2Ba （gydF4y2Ba {问gydF4y2Ba}^{-gydF4y2Ba} ）gydF4y2Ba （gydF4y2Ba {θgydF4y2Ba}^{+gydF4y2Ba} ）gydF4y2Ba$

估计线性加速度gydF4y2Ba

线性加速度估计的更新方法是将线性加速度估计从之前的迭代中衰减并减去误差:gydF4y2Ba

$lgydF4y2Ba 我gydF4y2Ba ngydF4y2Ba 一个gydF4y2Ba cgydF4y2Ba cgydF4y2Ba egydF4y2Ba lgydF4y2Ba PgydF4y2Ba rgydF4y2Ba 我gydF4y2Ba ogydF4y2Ba rgydF4y2Ba ＝gydF4y2Ba （gydF4y2Ba lgydF4y2Ba 我gydF4y2Ba ngydF4y2Ba 一个gydF4y2Ba cgydF4y2Ba cgydF4y2Ba egydF4y2Ba lgydF4y2Ba PgydF4y2Ba rgydF4y2Ba 我gydF4y2Ba ogydF4y2Ba {rgydF4y2Ba}_{kgydF4y2Ba -gydF4y2Ba 1gydF4y2Ba} ）gydF4y2Ba νgydF4y2Ba -gydF4y2Ba {bgydF4y2Ba}^{+gydF4y2Ba}$

在哪里gydF4y2Ba

νgydF4y2Ba-gydF4y2BaLinearAcclerationDecayFactorgydF4y2Ba

估算陀螺仪偏移gydF4y2Ba

通过将之前迭代的陀螺仪偏移量减去陀螺仪偏移量误差来更新陀螺仪偏移量估计:gydF4y2Ba

$ggydF4y2Ba ygydF4y2Ba rgydF4y2Ba ogydF4y2Ba OgydF4y2Ba fgydF4y2Ba fgydF4y2Ba 年代gydF4y2Ba egydF4y2Ba tgydF4y2Ba ＝gydF4y2Ba ggydF4y2Ba ygydF4y2Ba rgydF4y2Ba ogydF4y2Ba OgydF4y2Ba fgydF4y2Ba fgydF4y2Ba 年代gydF4y2Ba egydF4y2Ba {tgydF4y2Ba}_{kgydF4y2Ba -gydF4y2Ba 1gydF4y2Ba} -gydF4y2Ba {一个gydF4y2Ba}^{+gydF4y2Ba}$

计算角速度gydF4y2Ba

为了估计角速度，坐标系gydF4y2BagyroReadingsgydF4y2Ba平均，并减去在先前的迭代中计算的陀螺仪偏移：gydF4y2Ba

$一个gydF4y2Ba ngydF4y2Ba ggydF4y2Ba ugydF4y2Ba lgydF4y2Ba 一个gydF4y2Ba rgydF4y2Ba VgydF4y2Ba egydF4y2Ba lgydF4y2Ba ogydF4y2Ba cgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba {ygydF4y2Ba}_{1gydF4y2Ba \timesgydF4y2Ba 3.gydF4y2Ba} ＝gydF4y2Ba \frac{σ.gydF4y2Ba ggydF4y2Ba ygydF4y2Ba rgydF4y2Ba ogydF4y2Ba RgydF4y2Ba egydF4y2Ba 一个gydF4y2Ba dgydF4y2Ba 我gydF4y2Ba ngydF4y2Ba ggydF4y2Ba {年代gydF4y2Ba}_{NgydF4y2Ba \timesgydF4y2Ba 3.gydF4y2Ba}}{NgydF4y2Ba} -gydF4y2Ba ggydF4y2Ba ygydF4y2Ba rgydF4y2Ba ogydF4y2Ba OgydF4y2Ba fgydF4y2Ba fgydF4y2Ba 年代gydF4y2Ba egydF4y2Ba {tgydF4y2Ba}_{1gydF4y2Ba \timesgydF4y2Ba 3.gydF4y2Ba}$

在哪里gydF4y2BaNgydF4y2Ba抽取因子是否由gydF4y2BaDecimationFactorgydF4y2Ba财产。gydF4y2Ba

在第一次迭代时，将陀螺仪偏移估计初始化为零。gydF4y2Ba

参考文献gydF4y2Ba

[1]开源传感器融合。gydF4y2Bahttps://github.com/memsindustrygroup/Open-Source-Sensor-Fusion/tree/master/docsgydF4y2Ba

[2] Roetenberg，D.，H.J.Luinge，C.T.M.Baten和P.H.Veltink，“磁干扰的补偿改善了人体节段方向的惯性和磁感应。”gydF4y2Ba神经系统与康复工程学报gydF4y2Ba第13卷，2005年第3期，第395-405页。gydF4y2Ba

扩展功能gydF4y2Ba

C / c++代码生成gydF4y2Ba
使用Matlab®编码器生成C和C++代码™.gydF4y2Ba

使用注意事项及限制:gydF4y2Ba

看到gydF4y2BaMATLAB代码生成中的系统对象gydF4y2Ba(MATLAB编码器)gydF4y2Ba．gydF4y2Ba

另请参阅gydF4y2Ba

生态公司gydF4y2Ba|gydF4y2BaahrsfiltergydF4y2Ba|gydF4y2Ba免疫传感器gydF4y2Ba|gydF4y2BaGPSSensor.gydF4y2Ba|gydF4y2Ba四元数gydF4y2Ba

主题gydF4y2Ba

使用惯性传感器确定取向gydF4y2Ba

介绍了R2018bgydF4y2Ba

imufiltergydF4y2Ba

描述gydF4y2Ba

创建gydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

属性gydF4y2Ba

SampleRategydF4y2Ba- - - - - -gydF4y2Ba输入传感器数据采样率(Hz)gydF4y2Ba100.gydF4y2Ba(默认)|gydF4y2Ba正有限标量gydF4y2Ba

DecimationFactorgydF4y2Ba- - - - - -gydF4y2Ba抽取因子gydF4y2Ba1gydF4y2Ba(默认)|gydF4y2Ba正整数标量gydF4y2Ba

AccelerometerNoisegydF4y2Ba- - - - - -gydF4y2Ba加速度计信号噪声的差异（（M / sgydF4y2Ba2gydF4y2Ba）gydF4y2Ba2gydF4y2Ba）gydF4y2Ba0.00019247gydF4y2Ba(默认)|gydF4y2Ba积极的真正的标量gydF4y2Ba

陀螺噪声gydF4y2Ba- - - - - -gydF4y2Ba陀螺仪信号噪声方差((rad/s)gydF4y2Ba2gydF4y2Ba）gydF4y2Ba9.1385 e-5gydF4y2Ba(默认)|gydF4y2Ba积极的真正的标量gydF4y2Ba

陀螺仪的速度gydF4y2Ba- - - - - -gydF4y2Ba陀螺仪偏置漂移方差(rad/s)gydF4y2Ba2gydF4y2Ba）gydF4y2Ba3.0462e-13gydF4y2Ba(默认)|gydF4y2Ba积极的真正的标量gydF4y2Ba

LinearAccelerationNoisegydF4y2Ba- - - - - -gydF4y2Ba线性加速度噪声的方差(m/sgydF4y2Ba2gydF4y2Ba）gydF4y2Ba2gydF4y2Ba）gydF4y2Ba0.0096236gydF4y2Ba(默认)|gydF4y2Ba积极的真正的标量gydF4y2Ba

LinearAcclerationDecayFactorgydF4y2Ba- - - - - -gydF4y2Ba线性加速漂移的衰减因子gydF4y2Ba0.5gydF4y2Ba(默认)|gydF4y2Ba[0,1]范围内的标量gydF4y2Ba

InitialProcessNoisegydF4y2Ba- - - - - -gydF4y2Ba过程噪声的协方差矩阵gydF4y2Ba9-by-9矩阵gydF4y2Ba

OrientationFormatgydF4y2Ba- - - - - -gydF4y2Ba面向输出格式gydF4y2Ba“四元数”gydF4y2Ba(默认)|gydF4y2Ba旋转矩阵的gydF4y2Ba

用法gydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

输入参数gydF4y2Ba

accelReadingsgydF4y2Ba- - - - - -gydF4y2Ba传感器体坐标系下的加速度计读数(m/s)gydF4y2Ba2gydF4y2Ba）gydF4y2BaNgydF4y2Ba3矩阵gydF4y2Ba

gyroReadingsgydF4y2Ba- - - - - -gydF4y2Ba传感器体坐标系下的陀螺仪读数(rad/s)gydF4y2BaNgydF4y2Ba3矩阵gydF4y2Ba

输出参数gydF4y2Ba

取向gydF4y2Ba- 从全局坐标系旋转量到传感器主体坐标系的方向gydF4y2Ba米gydF4y2Ba-by-1四元数向量（默认）| 3-by-3-by-gydF4y2Ba米gydF4y2Ba数组gydF4y2Ba

angularVelocitygydF4y2Ba-传感器体坐标系角速度(rad/s)gydF4y2Ba米gydF4y2Ba3组(默认)gydF4y2Ba

对象的功能gydF4y2Ba

特定于gydF4y2BaimufiltergydF4y2Ba

所有系统对象都是通用的gydF4y2Ba

例子gydF4y2Ba

从IMU数据估计方向gydF4y2Ba

模型倾斜使用陀螺仪和加速度计读数gydF4y2Ba

消除角速度测量中的偏差gydF4y2Ba

算法gydF4y2Ba

详细的概述gydF4y2Ba

模型gydF4y2Ba

误差模型gydF4y2Ba

卡尔曼滤波方程gydF4y2Ba

正确的gydF4y2Ba

计算角速度gydF4y2Ba

参考文献gydF4y2Ba

扩展功能gydF4y2Ba

C / c++代码生成gydF4y2Ba使用Matlab®编码器生成C和C++代码™.gydF4y2Ba

另请参阅gydF4y2Ba

主题gydF4y2Ba

传感器融合和跟踪工具箱文档gydF4y2Ba

金宝app

自主系统的传感器融合与跟踪gydF4y2Ba

`SampleRategydF4y2Ba`- - - - - -gydF4y2Ba输入传感器数据采样率(Hz)gydF4y2Ba
`100.gydF4y2Ba`(默认)|gydF4y2Ba正有限标量gydF4y2Ba

`DecimationFactorgydF4y2Ba`- - - - - -gydF4y2Ba抽取因子gydF4y2Ba
`1gydF4y2Ba`(默认)|gydF4y2Ba正整数标量gydF4y2Ba

`AccelerometerNoisegydF4y2Ba`- - - - - -gydF4y2Ba加速度计信号噪声的差异（（M / sgydF4y2Ba^2gydF4y2Ba）gydF4y2Ba^2gydF4y2Ba）gydF4y2Ba
`0.00019247gydF4y2Ba`(默认)|gydF4y2Ba积极的真正的标量gydF4y2Ba

`陀螺噪声gydF4y2Ba`- - - - - -gydF4y2Ba陀螺仪信号噪声方差((rad/s)gydF4y2Ba^2gydF4y2Ba）gydF4y2Ba
`9.1385 e-5gydF4y2Ba`(默认)|gydF4y2Ba积极的真正的标量gydF4y2Ba

`陀螺仪的速度gydF4y2Ba`- - - - - -gydF4y2Ba陀螺仪偏置漂移方差(rad/s)gydF4y2Ba^2gydF4y2Ba）gydF4y2Ba
`3.0462e-13gydF4y2Ba`(默认)|gydF4y2Ba积极的真正的标量gydF4y2Ba

`LinearAccelerationNoisegydF4y2Ba`- - - - - -gydF4y2Ba线性加速度噪声的方差(m/sgydF4y2Ba^2gydF4y2Ba）gydF4y2Ba^2gydF4y2Ba）gydF4y2Ba
`0.0096236gydF4y2Ba`(默认)|gydF4y2Ba积极的真正的标量gydF4y2Ba

`LinearAcclerationDecayFactorgydF4y2Ba`- - - - - -gydF4y2Ba线性加速漂移的衰减因子gydF4y2Ba
`0.5gydF4y2Ba`(默认)|gydF4y2Ba[0,1]范围内的标量gydF4y2Ba

`InitialProcessNoisegydF4y2Ba`- - - - - -gydF4y2Ba过程噪声的协方差矩阵gydF4y2Ba
9-by-9矩阵gydF4y2Ba

`OrientationFormatgydF4y2Ba`- - - - - -gydF4y2Ba面向输出格式gydF4y2Ba
`“四元数”gydF4y2Ba`(默认)|gydF4y2Ba`旋转矩阵的gydF4y2Ba`

`accelReadingsgydF4y2Ba`- - - - - -gydF4y2Ba传感器体坐标系下的加速度计读数(m/s)gydF4y2Ba^2gydF4y2Ba）gydF4y2Ba
NgydF4y2Ba3矩阵gydF4y2Ba

`gyroReadingsgydF4y2Ba`- - - - - -gydF4y2Ba传感器体坐标系下的陀螺仪读数(rad/s)gydF4y2Ba
NgydF4y2Ba3矩阵gydF4y2Ba

`取向gydF4y2Ba`- 从全局坐标系旋转量到传感器主体坐标系的方向gydF4y2Ba
米gydF4y2Ba-by-1四元数向量（默认）| 3-by-3-by-gydF4y2Ba米gydF4y2Ba数组gydF4y2Ba

`angularVelocitygydF4y2Ba`-传感器体坐标系角速度(rad/s)gydF4y2Ba
米gydF4y2Ba3组(默认)gydF4y2Ba

特定于gydF4y2Ba`imufiltergydF4y2Ba`

C / c++代码生成gydF4y2Ba
使用Matlab®编码器生成C和C++代码™.gydF4y2Ba