Ich baue einen balancierenden Roboter mit dem NXT-System von Lego Mindstorm. Ich verwende zwei Sensoren von HiTechnic, der erste ist ein Beschleunigungsmesser und der zweite ein Gyroskop. Ich habe das Rauschen von beiden Sensoren erfolgreich herausgefiltert und Winkel für beide in einem Bereich zwischen -90 und 90 Grad abgeleitet, wobei 0 Grad perfekt ausbalanciert ist.
Meine nächste Herausforderung besteht darin, beide Sensorwerte zu kombinieren, um die Drift des Gyroskops im Laufe der Zeit zu korrigieren. Unten ist ein Beispieldiagramm, das ich aus tatsächlichen Daten erstellt habe, um die Abweichung vom Gyroskop zu demonstrieren:
Der am häufigsten verwendete Ansatz, den ich gesehen habe, um die Kombination dieser Sensoren felsenfest zu machen, ist die Verwendung eines Kalman-Filters. Ich bin jedoch kein Experte für Analysis und ich verstehe wirklich keine mathematischen Symbole, ich verstehe jedoch Mathematik im Quellcode.
Ich verwende RobotC (das wie jedes andere C-Derivat ist) und würde mich sehr freuen, wenn mir jemand Beispiele dafür geben könnte, wie ich dies in C bewerkstelligen kann.
Danke für Ihre Hilfe!
LÖSUNGSERGEBNISSE:
In Ordnung, Kersny hat mein Problem gelöst, indem sie mir komplementäre Filter vorgestellt hat. Dies ist eine Grafik, die meine Ergebnisse veranschaulicht:
Ergebnis Nr. 1
Ergebnis Nr. 2
Wie Sie sehen können, korrigiert der Filter die gyroskopische Drift und kombiniert beide Signale zu einem einzigen glatten Signal.
Bearbeiten: Da ich sowieso die kaputten Bilder reparierte, dachte ich, es würde Spaß machen, das Rig zu zeigen, mit dem ich diese Daten generiert habe:
deine Daten weichen deutlich voneinander ab. Der Kalman-Filter oder eine andere Methode hilft Ihnen nicht, wenn Ihre Ausgangsdaten nicht übereinstimmen.
– Hund
19. Oktober 2009 um 20:53 Uhr
Ich bin mir nicht sicher, ob Sie vollständig verstehen, was das Diagramm anzeigt, es ist ein bekanntes Problem, dass Kreiseldaten driften. Sie sind der Grund, warum die Daten divergieren, was der Filter / die Integration, nach der ich suche, anhand der Beschleunigungsmesserdaten korrigieren wird. Der Grund für die radikale Drift liegt auch darin, dass ich die Sensoren ziemlich heftig geschüttelt habe, um mein Problem zu veranschaulichen. 🙂
– Dylan Vester
20. Oktober 2009 um 14:42 Uhr
Ich habe keine Ahnung, was Sie grafisch darstellen, weil Sie die Achsen nicht beschriftet haben, aber unabhängig davon, ob Ihre Daten bei denselben x-Werten deutlich von denselben y-Werten abweichen, handelt es sich um ziemlich schlechte Daten.
– Hund
20. Oktober 2009 um 16:49 Uhr
Wenn Sie einen beliebigen Filter darauf anwenden, der versucht, Fehler im Sinne der kleinsten Quadrate zu minimieren (was beispielsweise der Kalman-Filter tut), werden Sie einen Fehler mitteln, der mit zunehmenden x-Werten zunimmt. Offensichtlich sagt Ihnen ein Teil Ihrer Daten etwas und ein anderer Teil Ihrer Daten sagt Ihnen etwas anderes.
– Hund
20. Oktober 2009 um 16:51 Uhr
Eine großartige Alternative zum Kalman-Filter ist der Komplementärfilter, der viel einfacher zu implementieren ist: http://www.pieter-jan.com/node/11
– Pieter-Jan
16. Mai 2013 um 9:00 Uhr