1. 程式人生 > >mpu6050姿態解算與卡爾曼濾波(1)數學

mpu6050姿態解算與卡爾曼濾波(1)數學

定義地理座標系n系:x軸指向東,y軸指向北,z軸指向天。在mpu6050晶片上定義載體座標系b系。那麼b系的姿態就是指n系與b系相對的旋轉關係,即如何由n系旋轉到b系。

描述這種旋轉關係通常使用尤拉角(ψ,θ,γ)T,姿態矩陣T(3x3),四元數Q=(q0q1q2q3)T

尤拉角指的是將n系按照z軸->x’軸->y”軸的順序依次轉動 ψ,θ,γ 後就是b系,事實上尤拉角並沒有規定轉動順序,以上轉動順序z軸->x’軸->y”軸為慣性導航中常使用的規定,(ψ,θ,γ)T依次命名為偏航、俯仰、滾轉。

姿態矩陣T描述的是三維空間中的兩個標準正交基之間的向量轉換關係,T是一個3x3的正交陣。若一個向量在n系下的座標為三維列向量x

n,則該向量在b系下的座標為xb=Tbnxn,反之xn=Tnbxb。T陣是一個正交矩陣,故TbnTnb互為轉置矩陣,互為逆矩陣。

四元數Q的本質涉及到更高等的數學,若僅考慮用四元數描述姿態,只需記住:描述姿態的四元數是歸一化的,即:

|Q|=q20+q21+q22+q23=1
每個歸一化的四元數都描述了一個姿態,或者說描述了一個可由n系旋轉得到的b座標系。

以上三種描述方式是相互等價的,只要確定了兩個座標系的旋轉關係,那麼就唯一地確定了一組尤拉角,也唯一地確定了一個姿態矩陣和歸一化四元數。三種描述方式可以互相推導,由尤拉角可以推匯出姿態矩陣,再由姿態矩陣可以推匯出四元數。同樣,由四元數可以得到姿態矩陣,再得到尤拉角。


改正:以上三種描述方式是等價的,但是要注意對於兩個確定的旋轉關係的座標系,表示兩者旋轉關係的三種方式中,姿態矩陣一定是唯一的,但是四元數卻可以有兩個,而尤拉角可以有很多。在做彼此的轉換,尤其是涉及到四元數表示的時候,一定要注意。

轉換關係如下:

由尤拉角ψ,θ,γ得到姿態矩陣Tbn
繞z軸旋轉矩陣Tz

Tz=cosψsinψ0sinψcosψ0001
繞x軸旋轉矩陣Tx:
Tx=1000cosθsinθ0sinθcosθ
繞y軸旋轉矩陣Ty:
Ty=cosγ0sinγ010sinγ0cosγ
則姿態矩陣Tbn=TyTxTz
所以:
T
bn
=cosγcosψ+sinγsinθsinψcosθsinψsinγcosψ+cosγsinθsinψcosγsinψ+sinγsinθcosψcosθcosψsinγsinψcosγsinθcosψ

相關推薦

mpu6050姿態濾波1數學

定義地理座標系n系:x軸指向東,y軸指向北,z軸指向天。在mpu6050晶片上定義載體座標系b系。那麼b系的姿態就是指n系與b系相對的旋轉關係,即如何由n系旋轉到b系。 描述這種旋轉關係通常使用尤拉角(ψ,θ,γ)T,姿態矩陣T(3x3),四元數Q=(q0,q

濾波

舉個例子,上一時刻房間溫度最優值為26度,由於溫度變化緩慢,則可以根據經驗估計本次溫度也為26度,即四式右邊第一項,而此時溫度計讀數為28度,那麼本時刻溫度應該是多少?不知道溫度計精度的情況下,可以對兩個資料求平均,為27度,即T=26+0.5*(28-26)=27。這裡0.5就是本例子中的修正係數,那麼假如

初學者的卡濾波——擴充套件濾波

簡介   已經歷經了半個世紀的卡爾曼濾波至今仍然是研究的熱點,相關的文章不斷被髮表。其中許多文章是關於卡爾曼濾波器的新應用,但也不乏改善和擴充套件濾波器演算法的研究。而對演算法的研究多著重於將卡爾曼濾波應用於非線性系統。   為什麼學界要這麼熱衷於將卡爾曼濾波器用於非線性系統呢?因為卡爾曼濾波器從一開

慣性導航——擴充套件濾波

對於無人機的慣性導航系統,系統的狀態方程是非線性的,根據擴充套件卡爾曼濾波方程: Predict x^k|k−1Pk|k−1=f(x^k−1|k−1,uk−1)=Fk−1Pk−1|k−1FT

擴充套件濾波EKF

首先進行文件下載 仔細閱讀文件,理解文件中所述內容。 我對文件的matlab程式碼進行了簡單調整如下: %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

濾波器1

一般我們程式設計中,常用的數學模型都是離散的,首先看一下離散的狀態空間表示式:上面這張表格來自百度百科“狀態空間”下面看一個實際問題:《卡爾曼濾波器的原理以及在matlab中的實現》https://www.bilibili.com/video/av10788247?from=

濾波Kalman Filter原理公式推導

公式推導 領域 公式 不一定 技術 精度 原理 應用 定性 一、背景---卡爾曼濾波的意義 隨著傳感技術、機器人、自動駕駛以及航空航天等技術的不斷發展,對控制系統的精度及穩定性的要求也越來越高。卡爾曼濾波作為一種狀態最優估計的方法,其應用也越來越普遍,如在無人機、機器人等領

cv2使用濾波Kalman Filter捕捉滑鼠運動

本文主要介紹在cv2中使用Kalman濾波捕捉滑鼠運動。 cv2.KalmanFilter(dynamParams=None,#狀態的維度 measureParams=None, #測量的維度 controlParams=None,#控制的維度 type=None)#矩陣的型別

濾波Kalman Filter原理理解和測試

Kalman Filter學原理學習 1. Kalman Filter 歷史 Kalman濾波器的歷史,最早要追溯到17世紀,Roger Cotes開始研究最小均方問題。但由於缺少實際案例的支撐(那個時候哪來那麼多雷達啊啥的這些訊號啊),Cotes

濾波Kalman Filter的通俗解釋

假設你有兩個感測器,測的是同一個訊號。可是它們每次的讀數都不太一樣,怎麼辦? 取平均。 再假設你知道其中貴的那個感測器應該準一些,便宜的那個應該差一些。那有比取平均更好的辦法嗎? 加權平均。 怎麼加權?假設兩個感測器的誤差都符合正態分佈,假設你知道這兩個正態分佈的方差,用這兩個方差值,(此處省略若干數學公式

姿態進階:互補濾波陀螺儀、加速度計、地磁計資料融合

互補濾波原理:      在四軸入門理論知識那節我們說,加速度計和磁感測器都是極易受外部干擾的感測器,都只能得到2維的角度關係,但是測量值隨時間的變化相對較小,結合加速度計和磁感測器可以得到3維的角度關係。陀螺儀可以積分得到三維的角度關係,動態效能好,受外部干擾小,但測量值隨

濾波

輕鬆一下看一個例子: 一片綠油油的草地上有一條曲折的小徑,通向一棵大樹。一個要求被提出:從起點沿著小徑走到樹下。 “很簡單。” A說,於是他絲毫不差地沿著小徑走到了樹下。 現在,難度被增加了:蒙上眼。 “也不難,我當過特種兵。” B說,於是他歪歪扭扭地走到了樹 ……

濾波

  在網上看了不少與卡爾曼濾波相關的部落格、論文,要麼是隻談理論、缺乏感性,或者有感性認識,缺乏理論推導。能兼顧二者的少之又少,直到我看到了國外的一篇博文,真的驚豔到我了,不得不佩服作者這種細緻入微的精神,翻譯過來跟大家分享一下,原文連結:http://www.bzarg.com/p/how

關於姿態融合的程式碼註釋篇

        加速度計和陀螺儀都能計算出姿態,但為何要對它們融合呢,是因為加速度計對振動之類的擾動很敏感,但長期資料計算出的姿態可信,而陀螺儀雖然對振動這些不敏感,但長期使用陀螺儀會出現漂移,因此我們要進行互補,短期相信陀螺,長期相信加計。不過,其實加計無法對航向角進行

025濾波濾波增益協方差陣的等價形式

  首先擺放一下前面的求解結果: (1)Kk=Pk/k−1HkT(HkPk/k−1HkT+Rk)−1 \tag{1} K_k = P_{k/k-1} H_k^T(H_k P_{k/k-1} H_k^T + R_k)^{-1} Kk​=Pk/k−1​HkT​(Hk

無人駕駛汽車系統入門——濾波目標追蹤

前言:隨著深度學習近幾年來的突破性進展,無人駕駛汽車也在這些年開始不斷向商用化推進。很顯然,無人駕駛汽車已經不是遙不可及的“未來技術”了,未來10年

擴充套件濾波EKF多感測器融合

Extended Kalman Filter(擴充套件卡爾曼濾波)是卡爾曼濾波的非線性版本。在狀態轉移方程確定的情況下,EKF已經成為了非線性系統狀態估計的事實標準。本文將簡要介紹EKF,並介紹其在無人駕駛多感測器融合上的應用。 KF與EKF 本文假定讀

用俗話講講濾波粒子濾波

一,卡爾曼濾波 卡爾曼濾波可以根據一些已知的量來預測未知的量,這些量受到的干擾必須得近似高斯噪聲。這個東西可以用來幹什麼呢?例如我們可以用來預測明天,後天,未來好幾天的溫度。我們可以在前幾天用溫度計記

無損濾波UKF多感測器融合

非線性系統狀態估計是一大難點。KF(Kalman Filter)只適用於線性系統。EKF(Extended Kalman Filter)利用泰勒展開將非線性系統線性化。可是,EKF在強非線性系統下的誤差很大。本文將介紹一種新型的濾波演算法UKF(Unscen