用于跌落检测的卡尔曼滤波传感器融合:加速度计+陀螺
用于跌落检测的卡尔曼滤波传感器融合:加速度计+陀螺
提问于 2017-03-02 17:45:08
我试图了解传感器融合的过程，并与它一起卡尔曼滤波。
我的目标是用加速度计和陀螺仪检测设备的下落。
在这一个等大多数文献中，都提到了如何克服陀螺漂移和加速度计噪声的问题。最终，传感器融合为我们提供了更好的滚动，俯仰和偏航的测量，而不是更好的加速度。
是否有可能通过传感器融合获得更好的“加速度结果”，然后将其用于“坠落检测”？因为只有更好的滚动，偏航和俯仰是不足以检测下降。
然而，来源建议将加速度计(Ax、Ay、Az)和陀螺仪(Gx、Gy、Gz)分别用卡尔曼滤波平滑，并采用k-NN算法或聚类等分类算法进行监督学习。
分类部分不是我的问题，而是我是否应该融合传感器(三维加速度计和三维陀螺仪)或平滑传感器，我的目标是检测一个下降。
回答 2
Stack Overflow用户
回答已采纳
发布于 2017-03-17 23:10:29
几点澄清
- 卡尔曼滤波通常用于位置和方位估计的传感器融合，通常将IMU (accel和陀螺仪)与一些不漂移的绝对测量(计算机视觉、GPS)结合起来。
- 互补滤波器，通常用于结合accel(噪声但不漂移)和陀螺仪(准确但漂移)进行良好的方位估计。利用accel与陀螺相结合，可以得到较好的方位估计。使用陀螺仪，你可以看到主要的方位估计，但使用accel校正。
对于基于IMU的跌落检测，我认为加速度是非常重要的。没有已知的方法来“修正”加速读数，这样的想法很可能是错误的方法。我的建议是使用加速作为系统的输入之一，收集大量模拟秋季情况的数据，你可能会感到惊讶，那里有很多可行的信号。
Stack Overflow用户
发布于 2017-03-11 02:11:59
我不认为你需要用KF来检测坠落检测。使用简单的加速度计就能检测到装置的下落。如果将低通滤波器应用于平滑加速度计，并检查总加速度是否接近于零(在自由落体设备中使用-g (9.8m/s2) acc)超过一定的持续时间，则可以检测为下降。以上方法的问题是，如果装置旋转得很快，加速度就不会接近于零。对于健壮的解决方案，您可以为这个应用程序实现简单的互补(搜索Mahony)过滤器，而不是KF。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/42562340
复制相关文章
相似问题
腾讯云开发者
