选择惯性传感器融合过滤器
工具箱提供了多个过滤器的姿势和速度估计平台利用车载惯性传感器(包括加速度计、陀螺仪和测高计),磁力仪、GPS、和视觉里程计测量。每个过滤器可以处理来自某些特定类型的测量传感器。每个过滤器也使得假设和可能限制在应用之前,你应该仔细考虑。例如,许多过滤器假设没有持续的线性或角加速度除了9.81 m / s的重力加速度2。因此,您应该避免使用他们在强大的和恒定的加速度,但这些过滤器可以执行期间相当不错了短暂的线性加速度。此外,一些过滤器允许分段常数线性加速度和角速度,因为他们允许加速度和角速度输入在预测步骤。
这些过滤器的内部算法也有很大区别。例如,ecompass
对象使用三合一的方法来确定平台的方向计算成本非常低。(如许多过滤器ahrsfilter
和imufilter
)采用误差状态卡尔曼滤波器,估计状态偏离参考状态。与此同时,其他过滤器(如insfilterMARG
和insfilterAsync
)使用扩展卡尔曼滤波方法,直接的状态估计。
实现估计精度高,重要的是正确地调整滤波器特性和参数。工具箱提供了内置的调优
函数来优化参数和传感器噪声的惯性传感器过滤器(标记为可调下表)。
表列出了输入、输出、假设和算法的惯性传感器融合过滤器配置。
提示
除了这个表中列出的过滤器,您可以使用insEKF
对象建立一个灵活的惯性传感器融合框架,您可以使用内置的或自定义的运动模型和传感器模型。更多细节,请参阅保险丝使用insEKF-Based灵活的惯性传感器数据融合框架。
对象 | 传感器和输入 | 状态和输出 | 假设或限制 | 算法 | 可调 |
---|---|---|---|---|---|
ecompass |
|
取向 | 过滤器不承担任何持续的线性除了重力加速度和角加速度。 | 三元组法 | 没有 |
ahrsfilter |
|
方向和角速度 | 过滤器不承担任何持续的线性除了重力加速度和角加速度。 | 误差状态卡尔曼滤波器 |
是的 |
ahrs10filter |
|
定位、高度、垂直速度,δ角偏差,三角洲速度偏差,地磁场矢量,磁强计偏差 | 过滤器采用分段常数线性加速度在垂直方向,并没有持续的线性和角加速度除了重力加速度在其他方向。 | 离散扩展卡尔曼滤波器 | 是的 |
imufilter |
|
方向和角速度 | 过滤器不承担任何持续的线性除了重力加速度和角加速度。 | 误差状态卡尔曼滤波器 | 是的 |
complementaryFilter |
|
方向和角速度 | 过滤器不承担任何持续的线性除了重力加速度和角加速度。 | Non-Kalman基于滤波器的方法:
|
没有 |
insfilterMARG |
|
方向、位置、速度,δ角偏差,三角洲速度偏差,地磁场矢量,磁强计偏差 | 预测步骤需要加速度计和陀螺仪输入。因此,假定过滤:
|
离散扩展卡尔曼滤波器 | 是的 |
insfilterAsync |
|
定位、角速度、位置,速度,加速度,加速度计偏差,陀螺仪偏见,地磁场矢量,磁强计偏差 | 过滤器所假设的:
过滤不需要的传感器同步和每一个传感器都有样本下降。 |
连续离散扩展卡尔曼滤波器 | 是的 |
insfilterNonholonomic |
|
方向、位置、速度,陀螺仪偏见,加速度计的偏见 | 预测步骤需要加速度计和陀螺仪输入。因此,假定过滤:
同时,滤波器假设平台推进无侧滑。 |
离散扩展卡尔曼滤波器 | 是的 |
insfilterErrorState |
|
方向、位置、速度,陀螺仪偏见,加速度计偏差,和视觉里程计的规模 | 预测步骤需要加速度计和陀螺仪输入。因此,假定过滤:
|
误差状态卡尔曼滤波器 |
是的 |