面向两轮平衡机器人姿态检测系统的研究与设计

以两轮平衡车的平衡姿态研究为背景,提出了一种基于陀螺仪与加速度计的两轮平衡机器人的姿态检測系统,对姿态检測系统的原理、组成及数据采集进行了研究。通过对各传感器输出信号特征的提取、分析,将PID控制算法与卡尔曼滤波思想相结合,实現了数据融合,从而有效地提高姿态检测系统的检测精度。经过软硬件的综合调试取得了良好的效果,并应用到实际的机器人姿态检测。     

面向增强现实的多传感器组合位姿注册算法

持续稳定的准确注册是构建增强现实系统的关键,为提高跟踪注册的稳定性和精度,提出了一种基于互补滤波(CF)和无迹卡尔曼滤波(UKF)的多传感器融合注册方案.该算法采用互补滤波器融合陀螺仪、加速度计和地磁感应计数据估计摄像头姿态;在处理视觉图像时,结合惯性姿态数据进行图像特征匹配;利用UKF融合视觉和惯性数据进行摄像头位置估计.实验表明:该算法在跟踪稳定性、精度、效率和抗干扰能力均优于传统的基于扩展卡尔曼滤波(EKF)的融合算法.     

两轮自平衡机器人惯性传感器滤波问题的研究

针对惯性传感器在两轮机器人姿态检测中存在随机漂移误差的问题,基于卡尔曼滤波实现对倾角仪与陀螺仪的信息融合,设计了简单而实用的滤波算法,对传感器的误差进行补偿后得到机器人姿态信号的最优估计,从而将其应用于两轮自平衡机器人系统。实验结果表明,采用卡尔曼信息融合的方法,来得到机器人姿态信息最优估计是有效可行的,并且有利于机器人完成自平衡的控制。     

基于激光测距传感器校正四旋翼飞行器姿态的室内组合导航

摘 要：为了提高室内环境下四旋翼飞行器的姿态解算精度,提出一种基于激光测距传感器校正四旋翼飞行器姿态的室内组合导航。首先从搭载激光测距传感器的四旋翼飞行器的运动模型出发,采用三角函数方法求解飞行器的姿态角参数,通过对其微分获得角速度数据。其次,将惯性系统中经过互补滤波融合后的陀螺仪、加速度计及磁力计的角速度作为观测量,再应用扩展卡尔曼滤波将惯性系统数据与激光测距传感器获得的角速度数据融合,对旋转矩阵中的误差进行修正。最后验证组合导航的有效性,用带有激光测距传感器及惯性系统的开发板依次进行静态、水平滑动和动态测试,实验测试表明：这种组合导航融合策略使姿态检测系统静态特性和水平滑动特性均有所提高,5s内,静态误差控制在0.05度以内,水平滑动误差控制在7度;在静态时能够抑制姿态角漂移和滤除噪声,在动态时能够快速跟踪姿态的变化,提高了姿态角的解算精度。     

互补滤波和卡尔曼滤波的融合姿态解算方法

针对捷联惯性测量单元(IMU)噪声大、精度低的缺点和常规的姿态解算算法精度不高等问题,提出了一种互补滤波和卡尔曼滤波相结合的融合算法.该算法基于姿态角微分方程建立系统的状态方程模型,利用互补滤波后的姿态角作为系统的观测量,再应用扩展卡尔曼滤波(EKF)算法融合了陀螺仪、加速度计和电子罗盘的测量数据.为验证该算法有效性,用带有传感器的开发板依次进行静态和动态测试,实验结果表明:结合了互补滤波和卡尔曼滤波的融合算法,在静态时能够抑制姿态角漂移和滤出噪声,在动态时能够快速跟踪姿态的变化,提高了姿态角的解算精度.     

仿人机器人足部姿态实时感知系统

针对复杂环境下仿人机器人稳定控制的要求,设计了基于MEMS惯性传感器的仿人机器人足部姿态实时感知系统.同时,提出了基于惯性传感器和足部力传感器信息的系统累积误差校正方法,用于解决由于噪声、漂移和积分算法而带来的累积误差问题.该系统能够实时精确的输出仿人机器人的足部姿态信息,为仿人机器人的稳定控制提供关键依据.该校正方法能够有效的消除系统的累积误差,提高系统的测量精度.最后在仿人机器人BHR-2上对该系统的可行性和有效性进行了实验验证.     

蛇形机器人互补滤波和四元数的姿态解算

针对蛇形机器人姿态解算问题,陀螺存在漂移特性,加速度计的测量值包含重力加速度和运动加速度,磁强计易受周围环境地磁干扰,并且蛇形机器人采用嵌入式微处理器,需要减少计算量.设计了用互补滤波器来实现惯性传感器的数据融合,用四元数进行姿态解算的方法.经过实验验证表明：采用互补滤波和四元数进行姿态解算能有效融合各个惯性传感器的数据,计算量小,能够满足蛇形机器人对精度和实时性的要求.     

组合导航系统离线信息融合算法

获得高精度的载体实际飞行轨迹,是组合导航系统性能评测的重要手段.从组合导航系统研究出发,针对惯性导航系统、姿态(非姿态)型GPS和大气数据计算机多传感器组合导航方式,实现多传感器信息离线融合算法.同类型导航传感器数据采用加权最小二乘算法,并利用开环卡尔曼滤波实现组合导航的信息融合,在此基础上再进行最优固定区间平滑滤波.仿真实验结果表明,经过上述3步信息融合之后,得到的导航结果精度不仅高于任一个传感器精度,而且高于单独采用卡尔曼滤波的导航参数精度.     

基于双积分模型的小型无人机姿态传感器数据滤波

针对采用低成本、低精度传感器的小型无人机姿态数据测量噪声干扰这一问题,提出了通过对传感器测量信号建立双积分模型,再利用离散化卡尔曼滤波方法对测量信号进行滤波的思想;在进行卡尔曼滤波时,为了得到白化的测量噪声,首先通过数字滤波的方法对测量信息进行了预处理;经过实际的工程对比实验,结果表明该方法对于强实时控制系统,能有效地滤除量测中的噪声信号,提高无人机姿态测量的精度,具有一定的实用性和推广价值.     

基于卡尔曼滤波的航姿参考系统设计

针对传统的航姿参考系统AHRS（Attitude and Heading Reference System）中姿态角精度不高的问题,设计了一种新型的基于卡尔曼滤波的姿态检测系统。该系统采用了三轴磁传感器、三轴陀螺仪及三轴加速度计,用四元数的方法来描述载体运动的姿态,通过陀螺仪测姿态四元数,卡尔曼滤波算法融合加速度计和磁传感器数据,对姿态四元数进行修正,从而提高姿态解算精度。实验数据表明,系统能够较好修正陀螺仪漂移,且三个角度的均方根误差均优于0.25°,具有良好的噪声抑制能力。     

基于红外地平仪的航天器姿态确定技术

卫星的发展趋向于微小型化,研究小型化、廉价、可靠和中等精度的自主导航系统是非常有必要的.本文提出应用红外地平仪的对地定向航天器姿态确定算法.根据卫星姿态动力学模型建立了基于欧拉角的姿态确定滤波模型.利用地平仪测得的姿态信息,通过卡尔曼滤波器可以确定航天器姿态.进一步提出了姿态确定滤波算法.通过仿真实验,分析比较了模型噪声和测量噪声对定姿精度的影响.仿真算例结果表明,红外地平仪定姿方案可以满足中等姿态精度要求,在对地定向航天器自主导航中具有良好的应用前景.     

基于旋转矩阵KF的低成本MEMS姿态解算

针对低成本MEMS器件组合的姿态检测系统在运动加速度干扰下姿态估计精度较差等问题,提出了一种基于旋转矩阵卡尔曼滤波器(KF)的姿态解算方法.为了克服四元数法观测方程为非线性的缺点,该方法以旋转矩阵部分元素建立状态方程,并对量测加速度采用状态反馈估计的运动加速度进行补偿,减小了外部加速度的干扰,然后通过构造水平观测向量降低了计算复杂度,并给出了量测噪声协方差的推导.最后设计了卡尔曼滤波器对量测信息实现融合.动静态测试表明,该方法消除了累计误差,与无迹卡尔曼滤波(UKF)相比,提高了在运动加速度干扰下的姿态估计精度.     

示教机械臂姿态解算改进方法仿真研究

在示教机械臂姿态解算精度优化的研究中,针对使用单组传感器进行数据融合,姿态解算的传统方法中存在的精度低,稳定性差的问题,设计了一种组合MEMS传感器的姿态解算方法。将六组传感器安装于载体坐标系三个轴上,分别测量两组传感器数据。以传感器量测数据与四元数估计数据的向量积代替姿态角误差作为互补滤波器的输入量,分别利用模糊控制器和PI控制器,根据互补滤波原理调节陀螺仪输出量。通过拓展卡尔曼滤波器进行姿态估计,得到更精确的四元数,进而转化为姿态角。仿真结果表明,在静态和动态情况下,多组传感器组合调节后的姿态角数据相比单组传感器PI调节在姿态角精度和系统稳定性上有进一步提高。     

基于共轭梯度法和互补滤波相结合的姿态解算算法

为了提高姿态解算精度,提出了一种基于共轭梯度和互补滤波相结合的多传感器数据融合策略。系统采用四元数方法进行姿态解算。利用加速度计和磁强计的输出数据,通过共轭梯度方法对姿态四元数进行寻优估计,再将其和利用陀螺仪输出数据更新的四元数进行互补滤波,解算出姿态角。实验测试表明,这种融合策略使姿态检测系统静态性能和和动态性能均有所提高,尤其在姿态剧烈变化时,其性能明显优于卡尔曼滤波和梯度下降法。     

基于IMEMS传感器的汽车运动姿态测量系统研究

针对传统的采用机械转子陀螺构成机械平台来测量汽车姿态方法的不足,研究开发了基于集成微机电系统（IMEMS）传感器的捷联式汽车运动姿态测量系统。该系统采用四元数法作为汽车运动姿态的解算方法,并由Kalman滤波器完成对姿态角四元数估计误差和加速度计及角速度陀螺信号的融合,得到汽车姿态角的最优估计值,阐述了该系统硬件构成和软件设计,并通过汽车道路试验对系统的可行性进行了验证。结果表明：此测量系统能够满足汽车运动姿态测量的精度要求,是确实可行的测量系统。     

基于CDKF的飞机姿态角估计

针对扩展卡尔曼滤波(Extend Kalman Filter ,EKF)在飞机姿态估计中存在着计算复杂、线性化误差大等缺点,将一种基于Stirling内插公式的非线性滤波算法—中心差分卡尔曼滤波算法(Central Difference Kalman Filter, CDKF)应用于由低精度高噪声传感器组成的低成本飞机姿态估计系统中。首先建立基于四元数的飞机姿态数学模型,然后用CDKF方法进行姿态估计,并通过实测数据进行验证。实验结果表明, CDKF方法不仅有效地提高了飞机姿态估计的精度和稳定性;而且不需要模型的具体解析形式,避免了复杂的Jacobian矩阵的计算,算法更简单,也更容易实现,优于常用的EKF方法。     

基于UKF的两轮自平衡机器人姿态最优估计研究

针对扩展卡尔曼滤波器(EKF)设计困难并且容易发散的问题，提出基于采样卡尔曼滤波(UKF)的方法解决滤波器设计及收敛问题，并补偿低成本的惯性传感器陀螺仪和加速度计的误差，从而得到机器人姿态的最优估计．将滤波后的模型应用到两轮自平衡机器人系统，实验结果表明UKF参数设计简单，姿态估计误差小于EKF，方差估计优于EKF，估计精度、计算量基本与EKF相当．因此，UKF能够满足两轮自平衡机器人快速机动过程中的实时姿态估计要求．