Bài học và trò chơi học tập

Hợp nhất cảm biến và bộ lọc Kalman

Học phần toán đằng sau việc hợp nhất dữ liệu cảm biến, từ phương sai đến bộ lọc Kalman hai trạng thái, và làm một màn hình hiển thị tư thế tự học độ lệch gyro của chính nó.

Khóa học dạy gì

Hợp nhất cảm biến và bộ lọc Kalman gồm bảy bài học trên Uno, chia thành bốn chương. Nó nối tiếp Gia tốc kế, gyro và IMU và phát triển từ bộ lọc bù của khóa đó thay vì lặp lại.

  • Nhiễu, được đo: trung bình, độ lệch chuẩn và phương sai, quy tắc 68-95, định luật căn bậc hai của việc lấy trung bình, và nhiễu cùng độ trễ của trung bình trượt và EMA, đo bằng phép thử bước nhảy.
  • 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 cho thật: góc nghiêng với bộ lọc Kalman từ thư viện (góc và bias của gyro trong một bộ lọc), và một GPS hợp nhất với la bàn, kể cả việc một la bàn lệch 10 độ ảnh hưởng thế nào.
  • Dự án tổng: một chân trời nhân tạo trên OLED SSD1306, điều khiển bởi hai bộ lọc Kalman hai trạng thái viết thẳng trong sketch, với nhiễu đo thích ứng.

Mỗi chương kết thúc bằng một bài kiểm tra ngắn. Mở nó từ /learn.

Các mạch

Một bài học mở dự án thư viện Góc nghiêng bộ lọc Kalman với MPU6050. Các bài còn lại chạy các sketch viết riêng cho khóa học:

sketch linh kiện tác dụng
kalnoise MPU6050 các cửa sổ 200 số đo: trung bình, sd, phương sai, 68-95, và avg N
kalema MPU6050 trung bình trượt và EMA đặt cạnh nhau, step, alpha và spike
kalcomp MPU6050 một bộ lọc bù được chấm điểm so với các công thức, tau và bias
kal1d MPU6050 một bộ lọc Kalman vô hướng từng bước, trạng thái xác lập, q
kalgps NEO-6M, MPU-9250 tính điểm chết cộng với các vị trí GPS, chấm điểm so với giá trị thật, và ins
kalboss MPU6050, SSD1306 bộ lọc hai trạng thái học độ lệch của gyro, và rung

Vì sao các sketch thêm nhiễu

Các cảm biến được mô phỏng là hoàn hảo. Mỗi sketch trong khóa học này thêm nhiễu Gaussian có hạt giống và độ lệch đã biết lên trên giá trị đo sạch, với các con số là hằng số đặt ở đầu, và giữ giá trị sạch làm chuẩn để chấm điểm. Nhờ vậy mỗi bài học có thể dự đoán một con số từ công thức rồi kiểm tra lại. Bộ sinh có hạt giống nghĩa là mỗi lần chạy in ra cùng các con số.

Giới hạn thật

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.

Khắc phục sự cố

  • Một con số lệch chút so với bài học. Một thống kê từ vài trăm mẫu nhiễu dao động vài phần trăm; bài học có ghi mức độ lệch.
  • OLED cập nhật chậm. Một khung 1 KB qua I2C của Uno mất khoảng một phần ba giây, nên sketch chỉ vẽ lại mỗi giây một lần.
  • Không có GPS fix nào. Kiểm tra rằng TX của module nối vào chân 4, và rằng fix đang bật (nhấp vào module để bật/tắt).