选择惯性传感器融合滤波器
该工具箱提供了多个过滤器,通过使用机载惯性传感器(包括加速度计、陀螺仪和高度计)、磁力计、GPS和视觉里程计测量来估计平台的姿态和速度。每个滤波器可以处理来自特定传感器的特定类型的测量。每个筛选器还会做出假设,并可能有限制,在应用它之前应该仔细考虑。例如,许多滤波器假设除了9.81m/s的重力加速度外,没有持续的线性或角加速度2.因此,您应该避免在强加速度和恒定加速度期间使用它们,但这些滤波器在短线性加速度爆发期间可以表现得相当好。此外,一些滤波器允许分段恒定的线性加速度和角速度,因为它们允许在预测步骤中输入加速度和角速度。
这些过滤器的内部算法也有很大差异。例如,ecompass
对象使用TRIAD方法确定平台方向,计算成本非常低。许多过滤器(如ahrsfilter
而且imufilter
)采用误差状态卡尔曼滤波器,估计状态与参考状态的偏差。同时,其他过滤器(如insfilterMARG
而且insfilterAsync
)采用扩展卡尔曼滤波方法,直接估计状态。
为了达到较高的估计精度,适当地调整滤波器的属性和参数是很重要的。工具箱提供了内置的调优
函数用于调谐大多数惯性传感器滤波器的参数和传感器噪声(在下表中标记为可调谐)。
该表列出了所有配置的惯性传感器融合滤波器的输入、输出、假设和算法。
提示
除此表中列出的筛选器外,还可以使用insEKF
对象构建灵活的惯性传感器融合框架,在其中可以使用内置或自定义运动模型和传感器模型。详情请参见利用基于insekf的柔性融合框架融合惯性传感器数据.
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 | 除重力加速度外,滤波器假定没有持续的线性和角加速度。 | 三元组法 | 没有 |
ahrsfilter |
|
方向和角速度 | 除重力加速度外,滤波器假定没有持续的线性和角加速度。 | 误差状态卡尔曼滤波器 |
是的 |
ahrs10filter |
|
方向,高度,垂直速度,三角角偏差,三角速度偏差,地磁场矢量,磁力计偏差 | 该滤波器在垂直方向上假定线性加速度分段恒定,在其他方向上除重力加速度外无持续的线性加速度和角加速度。 | 离散扩展卡尔曼滤波器 | 是的 |
imufilter |
|
方向和角速度 | 除重力加速度外,滤波器假定没有持续的线性和角加速度。 | 误差状态卡尔曼滤波器 | 是的 |
complementaryFilter |
|
方向和角速度 | 除重力加速度外,滤波器假定没有持续的线性和角加速度。 | 基于非卡尔曼滤波的方法:
|
没有 |
insfilterMARG |
|
方向,位置,速度,角偏置,速度偏置,地磁场矢量,磁力计偏置 | 预测步骤采用加速度计和陀螺仪输入。因此,过滤器假设:
|
离散扩展卡尔曼滤波器 | 是的 |
insfilterAsync |
|
方向,角速度,位置,速度,加速度,加速度计偏差,陀螺仪偏差,地磁场矢量,磁力计偏差 | 过滤器假设:
该滤波器不要求传感器同步,每个传感器都可以有样品掉落。 |
连续离散扩展卡尔曼滤波器 | 是的 |
insfilterNonholonomic |
|
方向,位置,速度,陀螺仪偏差,加速度计偏差 | 预测步骤采用加速度计和陀螺仪输入。因此,过滤器假设:
此外,过滤器假设平台向前移动,没有侧滑。 |
离散扩展卡尔曼滤波器 | 是的 |
insfilterErrorState |
|
方向,位置,速度,陀螺仪偏差,加速度计偏差,和视觉里程表规模 | 预测步骤采用加速度计和陀螺仪输入。因此,过滤器假设:
|
误差状态卡尔曼滤波器 |
是的 |