imufiltergydF4y2Ba

加速度计和陀螺仪读数的方向gydF4y2Ba

扩大所有页面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

为了估计设备的方向：gydF4y2Ba

创建gydF4y2BaimufiltergydF4y2Ba对象并设置其属性。gydF4y2Ba
调用带参数的对象，就好像它是一个功能。gydF4y2Ba

要了解更多关于System对象如何工作的信息，请参见gydF4y2Ba什么是系统对象?gydF4y2Ba(MATLAB)。gydF4y2Ba

创建gydF4y2Ba

语法gydF4y2Ba

FUSE = imufiltergydF4y2Ba

保险丝= imufilter (ReferenceFrame, RF)gydF4y2Ba

fuse = imufilter（gydF4y2Ba＿＿＿gydF4y2Ba，名称，价值）gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

保险丝gydF4y2Ba= imufiltergydF4y2Ba返回间接卡尔曼滤波系统对象，gydF4y2Ba保险丝gydF4y2Ba用于加速度计和陀螺仪数据的融合来估计设备的方向。的过滤器使用一个九元件状态矢量中的取向估计，所述陀螺仪偏差估计，以及线性加速度估计跟踪误差。gydF4y2Ba

保险丝gydF4y2Ba= imufilter (gydF4y2Ba“ReferenceFrame”gydF4y2Ba，gydF4y2BaRF.gydF4y2Ba）gydF4y2Ba返回A.gydF4y2BaimufiltergydF4y2Ba过滤系统对象，使加速度计和陀螺数据熔化，以估计相对于参考帧的设备方向gydF4y2BaRF.gydF4y2Ba．指定gydF4y2BaRF.gydF4y2Ba作为gydF4y2BaNED的gydF4y2Ba(North-East-Down)或gydF4y2Ba'enu'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System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，这意味着在调用对象后无法更改其值。当您调用它们时，对象锁定gydF4y2Ba释放gydF4y2Ba函数打开它们。gydF4y2Ba

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

有关更改属性值的更多信息，请参阅gydF4y2Ba在MATLAB中使用系统对象进行系统设计gydF4y2Ba(MATLAB)。gydF4y2Ba

`采样率gydF4y2Ba`- - - - - -gydF4y2Ba输入传感器数据采样率(Hz)gydF4y2Ba
`100.gydF4y2Ba`(默认)|gydF4y2Ba积极的有限的标量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

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

抽取因子通过减少输入传感器数据的采样率，指定为正整数标量。gydF4y2Ba

输入的行数，gydF4y2Ba加速gydF4y2Ba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方差（（米/秒gydF4y2Ba^2gydF4y2Ba）gydF4y2Ba^2gydF4y2Ba）gydF4y2Ba
`0.00019247gydF4y2Ba`(默认)|gydF4y2Ba积极的真正标量gydF4y2Ba

在加速度计信号的噪声方差（米/秒gydF4y2Ba^2gydF4y2Ba）gydF4y2Ba^2gydF4y2Ba，指定为正实标量。gydF4y2Ba

可调:gydF4y2Ba是的gydF4y2Ba

`GyroscopeNoisegydF4y2Ba`- - - - - -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

`GyroscopeDriftNoisegydF4y2Ba`- - - - - -gydF4y2Ba陀螺仪偏置漂移方差(rad/s)gydF4y2Ba^2gydF4y2Ba）gydF4y2Ba
`3.0462 e-13gydF4y2Ba`(默认)|gydF4y2Ba积极的真正标量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
`0.0096236.gydF4y2Ba`(默认)|gydF4y2Ba积极的真正标量gydF4y2Ba

线性加速度噪声的差异（M / sgydF4y2Ba^2gydF4y2Ba）gydF4y2Ba^2gydF4y2Ba，指定为正实标量。线性加速度被建模为低通滤波的白噪声过程。gydF4y2Ba

可调:gydF4y2Ba是的gydF4y2Ba

`LinearAcclerationDecayFactorgydF4y2Ba`- - - - - -gydF4y2Ba衰减因子为线性加速度漂移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gydF4y2BaLinearAccelerationDecayFactorgydF4y2Ba到一个更低的值。如果线性加速度变化缓慢，设置gydF4y2BaLinearAccelerationDecayFactorgydF4y2Ba到更高的值。线性加速度漂移被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
9×9矩阵gydF4y2Ba

协方差矩阵为过程噪声，指定为9乘9矩阵。默认值是：gydF4y2Ba

列1到6 0 0 0 0 0 0 0.000006092348396 0.000006092348396 0.000006092348396 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.000076154354947 0.000076154354947 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列7到9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.009623610000000 0.009623610000000 0.009623610000000gydF4y2Ba

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”gydF4y2Ba`

输出方向格式，指定为gydF4y2Ba“四元数”gydF4y2Ba或者gydF4y2Ba“旋转矩阵”gydF4y2Ba．输出的大小取决于输入的大小，gydF4y2BaNgydF4y2Ba，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”gydF4y2Ba- 输出是一个3×3逐gydF4y2BaNgydF4y2Ba旋转矩阵。gydF4y2Ba

数据类型:gydF4y2BachargydF4y2Ba|gydF4y2Ba字符串gydF4y2Ba

使用gydF4y2Ba

语法gydF4y2Ba

(定位、angularVelocity) =保险丝(accelReadings gyroReadings)gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

［gydF4y2Ba方向gydF4y2Ba，gydF4y2BaangularVelocitygydF4y2Ba) =保险丝(gydF4y2Ba加速gydF4y2Ba，gydF4y2BagyroReadingsgydF4y2Ba）gydF4y2Ba保险丝的加速度计和陀螺仪读数计算方位和角速度测量。该算法假定该设备是第一次调用之前固定。gydF4y2Ba

输入参数gydF4y2Ba

全部展开gydF4y2Ba

`加速gydF4y2Ba`- - - - - -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

加速度计在传感器体坐标系中的读数，单位为m/sgydF4y2Ba^2gydF4y2Ba，指定为gydF4y2BaNgydF4y2Ba-By-3矩阵。gydF4y2BaNgydF4y2Ba样品的数量是多少，三列是多少gydF4y2Ba加速gydF4y2Ba代表(gydF4y2BaxgydF4y2BaygydF4y2BazgydF4y2Ba)测量。假定加速度计读数与指定的采样率相对应gydF4y2Ba采样率gydF4y2Ba财产。gydF4y2Ba

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

`gyroReadingsgydF4y2Ba`- - - - - -gydF4y2Ba传感器体坐标系中的陀螺仪读数（RAD / S）gydF4y2Ba
NgydF4y2Ba3矩阵gydF4y2Ba

陀螺仪在传感器体坐标系中的读数，单位为rad/s，指定为gydF4y2BaNgydF4y2Ba-By-3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gydF4y2Ba采样率gydF4y2Ba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

`方向gydF4y2Ba`- 方向，从全局坐标系旋转批量传感器主体坐标系gydF4y2Ba
米gydF4y2Ba-by-1四元数向量(默认gydF4y2Ba米gydF4y2Ba大批gydF4y2Ba

可以将量从全局坐标系旋转到物体坐标系的方向，以四元数或数组的形式返回。的大小和类型gydF4y2Ba方向gydF4y2Ba取决于gydF4y2BaOrientationFormatgydF4y2Ba属性设置为gydF4y2Ba“四元数”gydF4y2Ba或者gydF4y2Ba“旋转矩阵”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”gydF4y2Ba- 输出是一个3×3逐gydF4y2Ba米gydF4y2Ba旋转矩阵阵列的相同的数据类型的输入。gydF4y2Ba

输入样本的数量，gydF4y2BaNgydF4y2Ba,gydF4y2BadecimationFactor.gydF4y2Ba财产确定gydF4y2Ba米gydF4y2Ba．gydF4y2Ba

您可以使用gydF4y2Ba方向gydF4y2Ba在一个gydF4y2Ba旋转框架gydF4y2Ba功能从全局坐标系旋转到传感器主体坐标系。gydF4y2Ba

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

`angularVelocitygydF4y2Ba`- 传感器体坐标系中的角速度（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。输入样本的数量，gydF4y2BaNgydF4y2Ba,gydF4y2BadecimationFactor.gydF4y2Ba财产确定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，使用此语法：gydF4y2Ba

发行版(obj)gydF4y2Ba

全部展开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`	重置内部状态gydF4y2Ba系统对象gydF4y2Ba

例子gydF4y2Ba

全部折叠gydF4y2Ba

从IMU数据估计方向gydF4y2Ba

打开生活的脚本gydF4y2Ba

加载gydF4y2Barpy_9axisgydF4y2Ba文件，其中包含记录的加速度计，陀螺仪，和磁力计传感器数据从一个设备在俯仰摆动(周围gydF4y2BaygydF4y2Ba-axis，然后偏航（周围gydF4y2BazgydF4y2Ba-axis），然后滚动（周围gydF4y2BaxgydF4y2Ba设在)。该文件还包含记录的采样率。gydF4y2Ba

负载gydF4y2Ba'rpy_9axis.mat'gydF4y2BaSensoldata.gydF4y2BaFsgydF4y2BaAcceleromaterReadings = Sensoldata.Acceleration;gyroscopereadings = sensoldata.angularvelocity;gydF4y2Ba

创建一个gydF4y2BaimufiltergydF4y2Ba系统对象™与采样率设置到传感器的数据的采样率。指定的两个抽取因子来降低算法的计算成本。gydF4y2Ba

decim = 2;保险丝= imufilter (gydF4y2Ba“SampleRate”gydF4y2BaFs,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

取向由旋转父坐标系所需的角位移来定义为子坐标系。随着时间的推移在度数以欧拉角度的方向绘制。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gydF4y2Baahrsfilter.gydF4y2Ba．gydF4y2Ba

时间=（0：DECIM：尺寸（加速度计，1）-1）/ FS;绘图（时间，eulerd（q，gydF4y2Ba“ZYX股票”gydF4y2Ba，gydF4y2Ba“帧”gydF4y2Ba)标题(gydF4y2Ba取向估计的gydF4y2Ba)传说(gydF4y2Ba“Z轴”gydF4y2Ba，gydF4y2Ba“轴”gydF4y2Ba，gydF4y2Ba“轴”gydF4y2Ba）xlabel（gydF4y2Ba“时间(s)”gydF4y2Ba) ylabel (gydF4y2Ba的旋转(度)gydF4y2Ba）gydF4y2Ba

模型采用了倾斜式陀螺仪和加速度计读数gydF4y2Ba

打开脚本gydF4y2Ba

模型包含了加速计和陀螺仪使用倾斜IMUgydF4y2BaimuSensorgydF4y2Ba系统对象™。使用理想模型和现实模型来比较使用的方向跟踪结果gydF4y2BaimufiltergydF4y2Ba系统对象。gydF4y2Ba

加载一个描述地面真实运动和采样率的结构体。运动结构描述顺序旋转:gydF4y2Ba

偏航:120度超过2秒gydF4y2Ba
音高：一秒钟内60度gydF4y2Ba
滚:30度半秒gydF4y2Ba
滚:-30度超过半秒gydF4y2Ba
音高:-60度/秒gydF4y2Ba
偏航：-120度超过两秒gydF4y2Ba

在最后一个阶段，运动结构将第1、2和3个旋转组合成单轴旋转。加速度、角速度和方向在本地NED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IMU过滤器对象。gydF4y2Ba

IMU = imuSensor (gydF4y2Ba“加速 - 陀螺仪”gydF4y2Ba，gydF4y2Ba“SampleRate”gydF4y2Bafs);aFilter = imufilter（gydF4y2Ba“SampleRate”gydF4y2Bafs);gydF4y2Ba

在循环中：gydF4y2Ba

通过向IMU传感器对象输入地面真实运动来模拟IMU输出。gydF4y2Ba
过滤器使用默认过滤器IMU对象IMU输出。gydF4y2Ba

取向=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）绘图（T，Eulerd（方向，gydF4y2Ba“ZYX股票”gydF4y2Ba，gydF4y2Ba“帧”gydF4y2Ba））xlabel（gydF4y2Ba“时间(s)”gydF4y2Ba) ylabel (gydF4y2Ba的旋转(度)gydF4y2Ba） 标题（gydF4y2Ba'定向估计 - 理想的IMU数据，默认IMU过滤器'gydF4y2Ba)传说(gydF4y2Ba“Z轴”gydF4y2Ba，gydF4y2Ba“轴”gydF4y2Ba，gydF4y2Ba“轴”gydF4y2Ba）gydF4y2Ba

修改您的gydF4y2BaimuSensorgydF4y2Ba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.accelerometer = Accelparams（gydF4y2Ba......gydF4y2Ba“MeasurementRange”gydF4y2Ba, 19.62,gydF4y2Ba......gydF4y2Ba“决议”gydF4y2Ba，0.00059875，gydF4y2Ba......gydF4y2Ba“ConstantBias”gydF4y2Ba，0.4905，gydF4y2Ba......gydF4y2Ba“AxesMisalignment”gydF4y2Ba2，gydF4y2Ba......gydF4y2Ba'NoiseDensity'gydF4y2Ba，0.003924，gydF4y2Ba......gydF4y2Ba“BiasInstability”gydF4y2Ba0,gydF4y2Ba......gydF4y2Ba“TemperatureBias”gydF4y2Ba， [0.34335 0.34335 0.5886]，gydF4y2Ba......gydF4y2Ba“TemperatureScaleFactor”gydF4y2Ba，0.02）;imu.gyroscope = gyroparams（gydF4y2Ba......gydF4y2Ba“MeasurementRange”gydF4y2Ba，4.3633，gydF4y2Ba......gydF4y2Ba“决议”gydF4y2Ba, 0.00013323,gydF4y2Ba......gydF4y2Ba“AxesMisalignment”gydF4y2Ba2，gydF4y2Ba......gydF4y2Ba'NoiseDensity'gydF4y2Ba8.7266 e-05gydF4y2Ba......gydF4y2Ba“TemperatureBias”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）= aFilter（accelBody，gyroBody）;gydF4y2Ba结束gydF4y2Ba发行版(aFilter)图(2)情节(t, eulerd (orientationDefault,gydF4y2Ba“ZYX股票”gydF4y2Ba，gydF4y2Ba“帧”gydF4y2Ba））xlabel（gydF4y2Ba“时间(s)”gydF4y2Ba) ylabel (gydF4y2Ba的旋转(度)gydF4y2Ba） 标题（gydF4y2Ba“方向估计 - 现实IMU数据，默认IMU过滤器”gydF4y2Ba)传说(gydF4y2Ba“Z轴”gydF4y2Ba，gydF4y2Ba“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目的。这些值是凭经验确定的。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））xlabel（gydF4y2Ba“时间(s)”gydF4y2Ba) ylabel (gydF4y2Ba的旋转(度)gydF4y2Ba） 标题（gydF4y2Ba“方向估计 - 现实IMU数据，非默认IMU过滤器”gydF4y2Ba)传说(gydF4y2Ba“Z轴”gydF4y2Ba，gydF4y2Ba“轴”gydF4y2Ba，gydF4y2Ba“轴”gydF4y2Ba）gydF4y2Ba

量化改进后的性能gydF4y2BaimufiltergydF4y2Ba，绘制地面真实运动和返回方向之间的四元数距离gydF4y2BaimufiltergydF4y2Ba默认和非默认属性。gydF4y2Ba

qdistdefault = rad2deg（dist（方向，方向default））;qdistnondefault = rad2deg（dist（方向，方向nondefault）;图（4）plot（t，[qdistdefault，qdistnondefault]）标题（gydF4y2Ba“从真正的定向四元距离”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(s)”gydF4y2Ba) ylabel (gydF4y2Ba“四元数距离(度)gydF4y2Ba）gydF4y2Ba

消除角速度测量中的偏差gydF4y2Ba

打开生活的脚本gydF4y2Ba

此示例示出了如何从IMU使用除去陀螺仪偏差gydF4y2BaimufiltergydF4y2Ba．gydF4y2Ba

使用gydF4y2Bakinematictrajectory.gydF4y2Ba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。gydF4y2BainitialAngVel = [0,0.5,0.25];finalAngVel = [-0.2,0.6,0.5];constantAngVel = repmat（initialAngVel，地板（NUMSAMPLES / 2），1）;varyingAngVel = [linspace（initialAngVel（1），finalAngVel（1），小区（NUMSAMPLES / 2））。'，gydF4y2Ba......gydF4y2BafinalAngVel linspace (initialAngVel(2),(2),装天花板(numSamples / 2)。”gydF4y2Ba......gydF4y2BaLinspace（InitiNangvel（3），Finalangvel（3），CEIL（NUMSAMPLES / 2））。'];angvelbody = [contantangvel;varyingangvel];AccBody = Zeros（Numsamples，3）;traj = kinematictrajectory（gydF4y2Ba“SampleRate”gydF4y2Bafs);[qn, ~ ~, accNED angVelNED] = traj (accBody angVelBody);gydF4y2Ba

创建一个gydF4y2BaimuSensorgydF4y2Ba系统对象™,gydF4y2BaIMU.gydF4y2Ba，使用非理想陀螺仪。调用gydF4y2BaIMU.gydF4y2Ba加速度，角速度和方向。gydF4y2Ba

IMU = imuSensor (gydF4y2Ba“加速 - 陀螺仪”gydF4y2Ba，gydF4y2Ba......gydF4y2Ba“陀螺”gydF4y2Bagyroparams (gydF4y2Ba“随机散步”gydF4y2Ba, 0.003,gydF4y2Ba“ConstantBias”gydF4y2Ba0.3),gydF4y2Ba......gydF4y2Ba“SampleRate”gydF4y2Bafs);[accelReadings，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使用建模的加速度计读数和陀螺仪读数。gydF4y2Ba

保险丝= imufilter (gydF4y2Ba“SampleRate”gydF4y2Bafs,gydF4y2Ba“GyroscopeDriftNoise”gydF4y2Ba1 e-6);[~, angVelBodyRecovered] =保险丝(accelReadings gyroReadingsBody);gydF4y2Ba

绘制地面实况角速度，陀螺仪的读数，并将回收的各轴的角速度。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（之一）图（时间，angVelBody（：，1），gydF4y2Ba......gydF4y2Ba时间,gyroReadingsBody (: 1),gydF4y2Ba......gydF4y2Ba时间，angvelbodyrocovered（：，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) ylabel (gydF4y2Ba'角速度（rad / s）'gydF4y2Ba）gydF4y2Ba

图（2）情节（时间，agvelbody（:,2），gydF4y2Ba......gydF4y2Ba时间,gyroReadingsBody (:, 2),gydF4y2Ba......gydF4y2Ba时间,angVelBodyRecovered(: 2)标题(gydF4y2Ba“轴”gydF4y2Ba) ylabel (gydF4y2Ba'角速度（rad / s）'gydF4y2Ba）gydF4y2Ba

图(3)图(时间,angVelBody (:, 3),gydF4y2Ba......gydF4y2Ba时间,gyroReadingsBody (:, 3),gydF4y2Ba......gydF4y2Ba时间,angVelBodyRecovered(: 3)标题(gydF4y2Ba“Z轴”gydF4y2Ba) ylabel (gydF4y2Ba'角速度（rad / s）'gydF4y2Ba）xlabel（gydF4y2Ba“时间(s)”gydF4y2Ba）gydF4y2Ba

算法gydF4y2Ba

全部展开gydF4y2Ba

注:以下算法仅适用于NED参考帧。gydF4y2Ba

的gydF4y2BaimufiltergydF4y2Ba使用六轴Kalman滤波器结构描述gydF4y2Ba[1]gydF4y2Ba（传感器融合和跟踪工具箱）。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。间接Kalman滤波器模型不直接跟踪方向，而不是直接跟踪方向，而是错误过程，gydF4y2BaxgydF4y2Ba，用递归的更新：gydF4y2Ba

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

在哪里gydF4y2BaxgydF4y2Ba_kgydF4y2Ba是由一个9×1矢量：gydF4y2Ba

θ.gydF4y2Ba_kgydF4y2Ba——3乘1的方向误差矢量，以度数表示gydF4y2BakgydF4y2Ba
bgydF4y2Ba_kgydF4y2Ba- 3×1陀螺仪零角速率偏置载体，在DEG / s中gydF4y2BakgydF4y2Ba
一个gydF4y2Ba_kgydF4y2Ba- 3×1加速度误差向量在传感器帧测量的，单位为g，在时间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被定义为误差的过程中，gydF4y2Ba先天的gydF4y2Ba估计总是零，因此状态转移模型，gydF4y2BaFgydF4y2Ba_kgydF4y2Ba，为零。这种洞察力导致以下降低标准卡尔曼方程：gydF4y2Ba

标准卡尔曼方程：gydF4y2Ba

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

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- 预料到的（gydF4y2Ba先天的gydF4y2Ba）状态估计;错误处理gydF4y2Ba
PgydF4y2Ba_kgydF4y2Ba^-gydF4y2Ba- 预料到的（gydF4y2Ba先天的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表示迭代中，上标gydF4y2Ba^+gydF4y2Ba代表一个gydF4y2Ba后验gydF4y2Ba估计，上标gydF4y2Ba^-gydF4y2Ba代表一个gydF4y2Ba先天的gydF4y2Ba估计。gydF4y2Ba

图和下面的步骤描述了通过算法的基于单一帧的迭代。gydF4y2Ba

第一次迭代之前，gydF4y2Ba加速gydF4y2Ba和gydF4y2BagyroReadingsgydF4y2Ba输入被分块成1×3帧和gydF4y2BadecimationFactor.gydF4y2Ba分别3帧。该算法使用最新的加速度计读数对应的块陀螺仪读数。gydF4y2Ba

详细的概述gydF4y2Ba

通过对算法的分步讲解，对每个阶段进行了详细的概述。gydF4y2Ba

模型gydF4y2Ba

该算法将加速度和角变化建模为线性过程。gydF4y2Ba

预测方向gydF4y2Ba

对于当前帧中的取向由第一估计从先前帧中的角度变化预测：gydF4y2Ba

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

在哪里gydF4y2BaNgydF4y2Ba抽取因子是否由gydF4y2BadecimationFactor.gydF4y2Ba财产，和gydF4y2BafsgydF4y2Ba样品率是否由gydF4y2Ba采样率gydF4y2Ba财产。gydF4y2Ba

角的变化被转换成四元数gydF4y2BarotvecgydF4y2Ba四元数gydF4y2Ba施工的语法:gydF4y2Ba

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

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

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

在第一次迭代，方向估计，gydF4y2Ba问gydF4y2Ba^-gydF4y2Ba，被初始化gydF4y2BaecompassgydF4y2Ba与这样的假设：gydF4y2BaxgydF4y2Ba设在北。gydF4y2Ba

估计重力从方向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gydF4y2BaecompassgydF4y2Ba有关为什么第三列的解释gydF4y2BarPriorgydF4y2Ba可以解释为重力矢量。gydF4y2Ba

估计重力从加速gydF4y2Ba

第二重力矢量估计是通过减去加速度计读数前一次迭代的衰减线性加速度估计制成：gydF4y2Ba

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

错误模型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和误差过程的观察，gydF4y2BazgydF4y2Ba，以更新卡尔曼增益和中介协方差矩阵。卡尔曼增益被施加到误差信号，gydF4y2BazgydF4y2Ba，输出gydF4y2Ba后验gydF4y2Ba误差估计,gydF4y2BaxgydF4y2Ba^+gydF4y2Ba．gydF4y2Ba

观察模型gydF4y2Ba

观测模型绘制了1乘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

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

在哪里gydF4y2BaggydF4y2Ba_xgydF4y2Ba，gydF4y2BaggydF4y2Ba_ygydF4y2Ba,gydF4y2BaggydF4y2Ba_zgydF4y2Ba是gydF4y2BaxgydF4y2Ba-，gydF4y2BaygydF4y2Ba- - - - - -,gydF4y2BazgydF4y2Ba-分别由方向估计的重力矢量元素。gydF4y2Baκ..gydF4y2Ba常数是由gydF4y2Ba采样率gydF4y2Ba和gydF4y2BadecimationFactor.gydF4y2Ba属性:gydF4y2Baκ..gydF4y2Ba＝gydF4y2BadecimationFactor.gydF4y2Ba/gydF4y2Ba采样率gydF4y2Ba．gydF4y2Ba

参见第7.3和7.4节gydF4y2Ba[1]gydF4y2Ba(传感器融合和跟踪工具箱)，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观察模型是矩阵吗gydF4y2Ba
PgydF4y2Ba^-gydF4y2Ba是预测的(gydF4y2Ba先天的gydF4y2Ba）估计观测模型的前一迭代中计算出的协方差的gydF4y2Ba
RgydF4y2Ba为观测模型噪声的协方差，计算为:gydF4y2Ba

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

以下属性定义了观察模型噪声方差：gydF4y2Ba
- κ..gydF4y2Ba——(gydF4y2BadecimationFactor.gydF4y2Ba/gydF4y2Ba采样率gydF4y2Ba）gydF4y2Ba^2gydF4y2Ba
- βgydF4y2Ba-gydF4y2BaGyroscopeDriftNoisegydF4y2Ba
- η.gydF4y2Ba-gydF4y2BaGyroscopeNoisegydF4y2Ba
- λ.gydF4y2Ba-gydF4y2BaAccelerometerNoisegydF4y2Ba
- ξgydF4y2Ba-gydF4y2BaLinearAccelerationNoisegydF4y2Ba

更新误差估计协方差gydF4y2Ba

误差估计协方差是一个9乘9的矩阵，用于跟踪状态的可变性。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

预测误差估计协方差gydF4y2Ba

误差估计协方差是一个9乘9的矩阵，用于跟踪状态的可变性。的gydF4y2Ba先天的gydF4y2Ba错误估计协方差,gydF4y2BaPgydF4y2Ba^-gydF4y2Ba，为过程噪声协方差，gydF4y2Ba问gydF4y2Ba，以前的迭代中确定。gydF4y2Ba问gydF4y2Ba作为一个函数计算gydF4y2Ba后验gydF4y2Ba错误估计协方差,gydF4y2BaPgydF4y2Ba^+gydF4y2Ba．在计算gydF4y2Ba问gydF4y2Ba，假设互相关项与自关项相比可以忽略不计，并设为零:gydF4y2Ba

$问gydF4y2Ba ＝gydF4y2Ba ［gydF4y2Ba \begin{matrix} {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 1gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba {κ..gydF4y2Ba}^{2gydF4y2Ba} {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 31.gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba βgydF4y2Ba +gydF4y2Ba η.gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & -gydF4y2Ba κ..gydF4y2Ba （gydF4y2Ba {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 31.gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba βgydF4y2Ba ）gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba \\ 0gydF4y2Ba & {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 11.gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba {κ..gydF4y2Ba}^{2gydF4y2Ba} {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 41.gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba βgydF4y2Ba +gydF4y2Ba η.gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 41.gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba βgydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba \\ 0gydF4y2Ba & 0gydF4y2Ba & {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 21.gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba {κ..gydF4y2Ba}^{2gydF4y2Ba} {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 51gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba βgydF4y2Ba +gydF4y2Ba η.gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 51gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba βgydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba \\ -gydF4y2Ba κ..gydF4y2Ba （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 & {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 41.gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba βgydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 41.gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba βgydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba & 0gydF4y2Ba \\ 0gydF4y2Ba & 0gydF4y2Ba & {PgydF4y2Ba}^{+gydF4y2Ba} （gydF4y2Ba 51gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba βgydF4y2Ba & 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）错误估计协方差gydF4y2Ba
κ..gydF4y2Ba-gydF4y2BadecimationFactor.gydF4y2Ba/gydF4y2Ba采样率gydF4y2Ba
βgydF4y2Ba-gydF4y2BaGyroscopeDriftNoisegydF4y2Ba
η.gydF4y2Ba-gydF4y2BaGyroscopeNoisegydF4y2Ba
νgydF4y2Ba-gydF4y2BaLinearAcclerationDecayFactorgydF4y2Ba
ξgydF4y2Ba-gydF4y2BaLinearAccelerationNoisegydF4y2Ba

见10.1节gydF4y2Ba[1]gydF4y2Ba（传感器融合和跟踪工具箱）用于导出过程错误矩阵的术语。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- 预测误差方差gydF4y2Ba
HgydF4y2Ba——观察模型gydF4y2Ba
年代gydF4y2Ba——创新协方差gydF4y2Ba

更新后验错误gydF4y2Ba

的gydF4y2Ba一个后gydF4y2Ba误差估计由卡尔曼增益矩阵与重力向量的估计误差相结合来确定：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

估计方向gydF4y2Ba

将之前的估计乘以误差来更新方向估计:gydF4y2Ba

${问gydF4y2Ba}^{+gydF4y2Ba} ＝gydF4y2Ba （gydF4y2Ba {问gydF4y2Ba}^{-gydF4y2Ba} ）gydF4y2Ba （gydF4y2Ba {θ.gydF4y2Ba}^{+gydF4y2Ba} ）gydF4y2Ba$

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

估计陀螺仪偏置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被平均和陀螺仪偏置计算在前面的迭代中扣除：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gydF4y2BadecimationFactor.gydF4y2Ba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gydF4y2Ba

[1]开源传感器融合。gydF4y2Bahttps://github.com/memsindustrygroup/open-source-sensor-fusion/tree/master/docs.gydF4y2Ba

Roetenberg, D.， H.J. Luinge, C.T.M. Baten和P.H. Veltink。磁扰动补偿改善了人体节段定位的惯性和磁传感。gydF4y2Ba神经系统与康复工程学报gydF4y2Ba．卷。13。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®Coder™生成C和c++代码。gydF4y2Ba

使用注意事项及限制:gydF4y2Ba

看到gydF4y2Ba系统对象在MATLAB代码生成gydF4y2Ba（编码器MATLAB）。gydF4y2Ba

另请参阅gydF4y2Ba

ahrsfilter.gydF4y2Ba|gydF4y2BaecompassgydF4y2Ba|gydF4y2BagpsSensorgydF4y2Ba|gydF4y2BaimuSensorgydF4y2Ba

介绍了R2018bgydF4y2Ba

导航工具的文档gydF4y2Ba

金宝app

尝试matlab，sim金宝appulink等产品下载188bet金宝搏gydF4y2Ba

得到审判现在gydF4y2Ba

imufiltergydF4y2Ba

描述gydF4y2Ba

创建gydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

属性gydF4y2Ba

采样率gydF4y2Ba- - - - - -gydF4y2Ba输入传感器数据采样率(Hz)gydF4y2Ba100.gydF4y2Ba(默认)|gydF4y2Ba积极的有限的标量gydF4y2Ba

decimationFactor.gydF4y2Ba- - - - - -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方差（（米/秒gydF4y2Ba2gydF4y2Ba）gydF4y2Ba2gydF4y2Ba）gydF4y2Ba0.00019247gydF4y2Ba(默认)|gydF4y2Ba积极的真正标量gydF4y2Ba

GyroscopeNoisegydF4y2Ba- - - - - -gydF4y2Ba陀螺仪信号噪声方差((rad/s)gydF4y2Ba2gydF4y2Ba）gydF4y2Ba9.1385 e-5gydF4y2Ba(默认)|gydF4y2Ba积极的真正标量gydF4y2Ba

GyroscopeDriftNoisegydF4y2Ba- - - - - -gydF4y2Ba陀螺仪偏置漂移方差(rad/s)gydF4y2Ba2gydF4y2Ba）gydF4y2Ba3.0462 e-13gydF4y2Ba(默认)|gydF4y2Ba积极的真正标量gydF4y2Ba

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

LinearAcclerationDecayFactorgydF4y2Ba- - - - - -gydF4y2Ba衰减因子为线性加速度漂移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gydF4y2Ba9×9矩阵gydF4y2Ba

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

使用gydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

输入参数gydF4y2Ba

加速gydF4y2Ba- - - - - -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传感器体坐标系中的陀螺仪读数（RAD / S）gydF4y2BaNgydF4y2Ba3矩阵gydF4y2Ba

输出参数gydF4y2Ba

方向gydF4y2Ba- 方向，从全局坐标系旋转批量传感器主体坐标系gydF4y2Ba米gydF4y2Ba-by-1四元数向量(默认gydF4y2Ba米gydF4y2Ba大批gydF4y2Ba

angularVelocitygydF4y2Ba- 传感器体坐标系中的角速度（RAD / S）gydF4y2Ba米gydF4y2Ba3组(默认)gydF4y2Ba

对象的功能gydF4y2Ba

所有系统对象都是通用的gydF4y2Ba

例子gydF4y2Ba

从IMU数据估计方向gydF4y2Ba

模型采用了倾斜式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

预测方向gydF4y2Ba

估计重力从方向gydF4y2Ba

估计重力从加速gydF4y2Ba

错误模型gydF4y2Ba

卡尔曼滤波方程gydF4y2Ba

观察模型gydF4y2Ba

创新协方差gydF4y2Ba

更新误差估计协方差gydF4y2Ba

预测误差估计协方差gydF4y2Ba

卡尔曼增益gydF4y2Ba

更新后验错误gydF4y2Ba

正确的gydF4y2Ba

估计方向gydF4y2Ba

估计线性加速度gydF4y2Ba

估计陀螺仪偏置gydF4y2Ba

计算角速度gydF4y2Ba

参考gydF4y2Ba

扩展功能gydF4y2Ba

C / c++代码生成gydF4y2Ba使用MATLAB®Coder™生成C和c++代码。gydF4y2Ba

另请参阅gydF4y2Ba

介绍了R2018bgydF4y2Ba

导航工具的文档gydF4y2Ba

金宝app

尝试matlab，sim金宝appulink等产品下载188bet金宝搏gydF4y2Ba

`采样率gydF4y2Ba`- - - - - -gydF4y2Ba输入传感器数据采样率(Hz)gydF4y2Ba
`100.gydF4y2Ba`(默认)|gydF4y2Ba积极的有限的标量gydF4y2Ba

`decimationFactor.gydF4y2Ba`- - - - - -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方差（（米/秒gydF4y2Ba^2gydF4y2Ba）gydF4y2Ba^2gydF4y2Ba）gydF4y2Ba
`0.00019247gydF4y2Ba`(默认)|gydF4y2Ba积极的真正标量gydF4y2Ba

`GyroscopeNoisegydF4y2Ba`- - - - - -gydF4y2Ba陀螺仪信号噪声方差((rad/s)gydF4y2Ba^2gydF4y2Ba）gydF4y2Ba
`9.1385 e-5gydF4y2Ba`(默认)|gydF4y2Ba积极的真正标量gydF4y2Ba

`GyroscopeDriftNoisegydF4y2Ba`- - - - - -gydF4y2Ba陀螺仪偏置漂移方差(rad/s)gydF4y2Ba^2gydF4y2Ba）gydF4y2Ba
`3.0462 e-13gydF4y2Ba`(默认)|gydF4y2Ba积极的真正标量gydF4y2Ba

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

`LinearAcclerationDecayFactorgydF4y2Ba`- - - - - -gydF4y2Ba衰减因子为线性加速度漂移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
9×9矩阵gydF4y2Ba

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

`加速gydF4y2Ba`- - - - - -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传感器体坐标系中的陀螺仪读数（RAD / S）gydF4y2Ba
NgydF4y2Ba3矩阵gydF4y2Ba

`方向gydF4y2Ba`- 方向，从全局坐标系旋转批量传感器主体坐标系gydF4y2Ba
米gydF4y2Ba-by-1四元数向量(默认gydF4y2Ba米gydF4y2Ba大批gydF4y2Ba

`angularVelocitygydF4y2Ba`- 传感器体坐标系中的角速度（RAD / S）gydF4y2Ba
米gydF4y2Ba3组(默认)gydF4y2Ba

C / c++代码生成gydF4y2Ba
使用MATLAB®Coder™生成C和c++代码。gydF4y2Ba