理论和基础-姿态融合和传感器
imu传感器的知识
精度和使用 选型
加速度带有大量的噪声干扰，噪声太多（因为待测物运动时会产生加速度，电机运行时振动会产生加速度等），还有一些震动等，优点是融合出角度没有累积误差
而角速度值噪声和精确度比较好，但是用这个融合出来角度，会带有累积误差
三轴加速度的值只能融合出两个倾斜(滚转 roll 俯仰pitch)角，无法获取偏航角yaw
所以，通过一阶互补算法，将加速度和角速度一起来做，融合出一个角度值
通过六轴数据，通过四元数（四元数包括笛卡尔坐标系的变化，里边有三个角度值）的融合，可以获取到四元数的值，计算量比较大
理解-
业内发展
下文当中，提到使用GPS和imu融合，可以将gps定位精度提高到2-3cm
http://www.360doc.com/content/16/0524/17/9200790_561942903.shtml
实践-
下面这个帖子可以讲解一些关于姿态融合的编程
http://blog.csdn.net/zsn15702422216/article/details/52223799
这博客当中的卡尔曼滤波的注释，帮助读者理解这里边的卡尔曼滤波程序
同时可以结合我的博客当中关于kalman的帖子一起对比来读
#include<math.h>
#include "stm32f10x.h"
#include "Kalman_Filter.h"
//卡尔曼滤波参数与函数
float dt=0.001;//注意：dt的取值为kalman滤波器采样时间
float angle, angle_dot;//角度和角速度 这就是X1 X2 的两个状态量
float P[2][2] = {{ 1, 0 }, //这个就是估计的误差矩阵 P 初始化为1的对角矩阵
{ 0, 1 }};//P的认知，和R(观测误差)对等，不过P不停地迭代，R没有
float Pdot[4] ={ 0,0,0,0};
//角度数据置信度,角速度数据置信度，两个预测的误差值，我们知道每次更新预测
//P的时候，都会加入Q
float Q_angle=0.001, Q_gyro=0.005;
//R是角度观察值的误差
float R_angle=0.5 ,C_0 = 1;
float q_bias, angle_err, PCt_0, PCt_1, E, K_0, K_1, t_0, t_1;
//卡尔曼滤波
float Kalman_Filter(float angle_m, float gyro_m)//angleAx 和 gyroGy
{
angle+=(gyro_m-q_bias) * dt;
angle_err = angle_m - angle;
Pdot[0]=Q_angle - P[0][1] - P[1][0];
Pdot[1]=- P[1][1];
Pdot[2]=- P[1][1];
Pdot[3]=Q_gyro;
P[0][0] += Pdot[0] * dt;
P[0][1] += Pdot[1] * dt;
P[1][0] += Pdot[2] * dt;
P[1][1] += Pdot[3] * dt;
PCt_0 = C_0 * P[0][0];
PCt_1 = C_0 * P[1][0];
E = R_angle + C_0 * PCt_0;
K_0 = PCt_0 / E;
K_1 = PCt_1 / E;
t_0 = PCt_0;
t_1 = C_0 * P[0][1];
P[0][0] -= K_0 * t_0;
P[0][1] -= K_0 * t_1;
P[1][0] -= K_1 * t_0;
P[1][1] -= K_1 * t_1;
angle += K_0 * angle_err; //最优角度
q_bias += K_1 * angle_err;
angle_dot = gyro_m-q_bias;//最优角速度
return angle；
}
imu的开发
mpu系列的传感器都有dmp单元，就是可以移植这个库，减轻姿态融合四元数的计算量
imu和GPS的融合
http://www.360doc.com/content/16/0524/17/9200790_561942903.shtml
https://github.com/suhetao/stm32f4_mpu9250
