Lecciones y el juego de aprendizaje

Fusión de sensores y el filtro de Kalman

Aprende las matemáticas detrás de la fusión de sensores, desde la varianza hasta un filtro de Kalman de dos estados, y construye una pantalla de actitud que aprende sus propios sesgos de giroscopio.

Lo que enseña el curso

Fusión de sensores y el filtro de Kalman son siete lecciones en el Uno, en cuatro capítulos. Sigue a Acelerómetros, giróscopos e IMU y se basa en su filtro complementario en lugar de repetirlo.

  • Ruido, medido: media, desviación estándar y varianza, la regla 68-95, la ley de la raíz cuadrada al promediar, y el ruido y el retraso de un promedio móvil y de un EMA, medidos con una prueba de escalón.
  • From fusion to Kalman: the complementary filter derived (alpha from tau, the crossover frequency, the steady error bias x tau, the noise it passes), then the 1D Kalman filter worked step by step to its steady state, with an innovation test and a wrong R.
  • Kalman de verdad: el ángulo de inclinación con filtro de Kalman de la galería (ángulo y offset del giroscopio en un solo filtro), y un GPS fusionado con una brújula, incluido lo que hace una brújula desviada 10 grados.
  • Construcción final: un horizonte artificial en un OLED SSD1306, manejado por dos filtros de Kalman de dos estados escritos en el sketch, con ruido de medición adaptativo.

Cada capítulo termina con un cuestionario corto. Ábrelo desde /learn.

Los circuitos

Una lección abre el ángulo de inclinación con filtro de Kalman y un MPU6050 de la galería. Las demás ejecutan sketches escritos para el curso:

sketch componentes qué hace
kalnoise MPU6050 ventanas de 200 lecturas: media, desviación estándar, varianza, 68-95 y avg N
kalema MPU6050 un promedio móvil y un EMA lado a lado, step, alpha y spike
kalcomp MPU6050 un filtro complementario calificado contra las fórmulas, tau y bias
kal1d MPU6050 un filtro de Kalman escalar paso a paso, estado estable, q
kalgps NEO-6M, MPU-9250 navegación por estima más correcciones de GPS, calificada contra la verdad, y ins
kalboss MPU6050, SSD1306 filtros de dos estados que aprenden los sesgos del giroscopio, y shake

Por qué los sketches agregan ruido

Los sensores simulados son perfectos. Cada sketch de este curso agrega ruido gaussiano con semilla y sesgos conocidos sobre la lectura limpia, con los números como constantes al inicio, y conserva la lectura limpia como la verdad contra la que se califica. Eso es lo que permite a cada lección predecir un número a partir de una fórmula y luego comprobarlo. Un generador con semilla significa que una ejecución imprime los mismos números cada vez.

Límites honestos

The filters here are linear and assume Gaussian noise. 3D attitude is not linear, which is why drones run extended Kalman filters or Madgwick and Mahony filters on quaternions; a full inertial navigation system also integrates the accelerometers twice and needs GPS to stop the drift. A Kalman filter is only as good as the Q and R it is given.

Solución de problemas

  • Un número queda un poco desviado del de la lección. Un estadístico de unos cientos de muestras con ruido se desvía varios por ciento; la lección indica cuánto.
  • El OLED se actualiza despacio. Un frame de 1 KB por el I2C del Uno tarda alrededor de un tercio de segundo, así que el sketch redibuja una vez por segundo.
  • No hay fijaciones de GPS. Verifica que el TX del módulo vaya al pin 4 y que su fijación esté activada (haz clic en el módulo para alternarla).