Madgwick算法详细解读
Madgwick算法详细解读
极品巧克力
前言
接上一篇文章《Google Cardboard的九轴融合算法》。
Madgwick算法是另外一种九轴融合的方法,广泛应用在旋翼飞行器上,效果也蛮不错的。网上已经有很多madgwick算法的源代码了。
本文结合参考文献,按照我自己的理解,把Madgwick算法的来龙去脉讲清楚。
1.加权融合
由于姿态都是相对的,用来表示水平朝北静止时的物体,代表运动后的物体。所以,运动时的物体相对水平朝北静止时的物体的姿态可以用四元数来表示。
主要基于Madgwick算法对传感器数据进行融合。Madgwick算法的本质是加权整合t时刻的陀螺仪算出的姿态和加速度计磁场计共同算出的姿态,从而得到最终的姿态。其加权公式如下。
其中,和是加权系数,它们是由各自的误差占总体误差的比重所决定的,误差所占的比重越小则加权系数越大。设采样时间间隔为。陀螺仪的单位时间的误差可以通过查陀螺仪的手册得到,一般是一个很小的值,所以陀螺仪的误差为。而加速度计磁场计共同算出的姿态的误差是由计算方法决定的,计算方法如梯度下降法、高斯牛顿迭代法、牛顿法、共轭梯度法等,由于采用的方法是梯度下降法,所以其误差为梯度下降法中所选取的步长,步长越长则其计算结果的误差越大。所以,总体误差为。
是陀螺仪算出的姿态的加权系数。
是加速度计磁场计所算出的姿态的加权系数。
于是,接下来需要得到的是陀螺仪计算出的姿态和加速度计磁场计共同算出的姿态。
2.陀螺仪姿态估计
用陀螺仪的数据来计算出姿态。
三轴陀螺仪返回的数据是自身分别绕轴、轴、轴的角速度,这三个角速度分别用、、来表示。则陀螺仪返回的数据可以看成实部为零的四元数,用来表示。
而姿态四元数变化的速度与当前的姿态和角速度有关,其计算公式如下。
现在已知时刻的四元数和角速度,以及时刻的角速度,系统采样间隔为,求时刻的四元数。类似于常微分方程,套用改进的欧拉公式。
这里用改进的欧拉方法,其实就是近似估计物体四元数在时刻到时刻之间的平均变化速度。而在实际过程中,往往并不能得到时刻的准确的四元数,而是一个最优的估计值。
从而得到,
另外,在实际过程中,受传感器特性的影响,陀螺仪、加速度计、磁场计的最大采样速度不一样。系统采样间隔是为了满足这三个传感器中最低的采样速度,使得能同时采样。而实际上,陀螺仪的采样速度可以比另外两个传感器的速度快很多。所以,如果为了追求更高的精度的话,可以分开采样。假设陀螺仪的采样间隔是,则可用代替上面公式中的,用欧拉公式一步一步地往后计算,重复次,直到,就得到了高精度的下一个系统采样时刻的四元数,并且这个四元数与另外两个传感器同步。
3.加速度计磁场计姿态估计
要用加速度计和磁场计来共同算出姿态。
当物体水平静止朝北时,加速度计的理论输出和磁场计的理论输出分别如下,都可以看成是实部为0的四元数。
将和的虚部组成一个向量。
而在物体运动之后,在时刻,上述的两个传感器的数据都发生了变化。加速度传感器的归一化后的数据和磁场计的归一化后的数据分别如下,都可以看成是实部为0的四元数。
将和的虚部组成一个向量。
设这个时候的物体的姿态为,则按照四元数的矢量旋转性质可建立和的关系,和的关系,得到如下方程。
分别用旋转矩阵表示。
将组合成一个新的矩阵。
于是,和的关系,用矩阵来表示。
在上式中,和是已知的,所以可以由上式再反过来去求出。即求出一个,,由此转换成,使得误差平方和最小。
其中,是一个多元向量函数,而求多元向量函数的极值问题,在计算机中一般采用数值解法,如梯度下降法、高斯牛顿迭代法、牛顿法、共轭梯度法等。采用梯度下降法。
设的初值为,为4行1列的矩阵,则误差平方和为。假设这个初值四元数需要修正的量为,则修正后的误差平方和为。
由泰勒公式展开可得,
其中,为4行1列的矩阵。为1行4列的矩阵,如下所示。
则梯度大小如下。
其中,为向量与单位向量的夹角。所以,当为时,上式有最小值,即误差平方和降得最快。
若要让为,则要让上述两个向量的方向相同,即要满足如下的等式关系。
其中,为一个大于零的比例系数。上式中的关于四元数的偏导,可以计算如下。
其中,代表中第行第列的元素。的表达式如下。
而就是关于四元数的偏导,即其雅克比矩阵。
所以, 的计算可以转换成,
进行归一化,除以其2范数,得到梯度的方向,表达式如下。
然后再乘以步长,就得到了各个自变量要改变的值。各个自变量现有的值加上要修正的量,得到了新的对的估计,如下面公式所示。
梯度下降法是一个不停迭代的过程。用上一时刻的姿态作为初值,即已知上一次的估计,代入上述公式中。重复之前的步骤,进行多次迭代,直到小于某一阈值,此时,为的最佳估计值。或者经过多次迭代,直到满足,此时,为的最佳估计值。
步长需要通过人为来设定。步长越小,则最终结果的精度越高,但迭代的次数也会越多。步长越大,则最终结果的误差越大,但迭代的次数也会越少。
用来表示最终通过梯度下降法融合加速度计和磁场计来共同估计出的姿态,即上述的最佳估计值。
4.算法简化
由前面的陀螺仪积分的结果和加速度计磁场计优化的结果加权,就可以得到高精度的融合结果。
但是,在实际工程中,需要权衡计算精度和计算速度。在梯度下降法的迭代过程,虽然之前的方法可以使得结果的精度更高,但是也增加了计算量。在实际工程中,如果要追求速度的话,可以对这些地方进行简化。
在时刻到时刻之间的变化速度可以用如下公式近似。
所以,的计算公式也可简化如下。
而梯度下降法的迭代过程,也可以只用一步来简化,即认为一步就可以近似达到最佳估计值。那就是要设置步长,使得迭代一次就能最接近最佳估计值。
其中,是一个根据实际情况调节的量,用来弥补加速度计和磁场计的测量误差。上式中的,如果要追求更高的精度,仍可使用之前的计算公式。如果追求速度,采用简化公式,所以,简化后的计算公式如下。
最终,将和加权融合,得到最佳的姿态估计。
其中,。在上式的分母中,由于,所以,于是上式可以进一步简化成,
相当于是陀螺仪计算出来的四元数变化速度与加速度计磁场计计算出来的变化速度加权整合,前者的权重是1,后者的权重是。
然后,对进行归一化,得到。
5.磁场计修正
由于物体是在不停地运动之中的,物体周围的磁场容易受环境变化影响,即水平静止朝北时的磁场计理论输出可能会由于环境的变化而发生改变。而水平静止朝北时的加速度计理论输出则几乎不受环境影响。所以,为了能得到一个更加精确的姿态估计,不能像那样采用一个固定值,而需要实时修正。
在传感器刚开始运行的时候,即第一帧的时候,传感器可能处于任意一种姿态,几乎不会是水平静止朝北的,所以磁场计的输出几乎不会是。所以,是未知的。而这时候,可以用加速度计的输出来计算出物体的姿态。
用旋转矩阵表示。
在上式中,和是已知的,所以可以由上式再反过来去求出第一帧的姿态。即求出一个,转换成,使得最小。
用高斯牛顿迭代法来寻找这个最佳的四元数。先计算其雅克比矩阵,
假设当前四元数各个元素的误差为4行1列的矩阵,则。用最小二乘法来计算出。
所以,现有的四元数的值减去误差,得到新的四元数。
的初值可以设为如下。
重复上述公式,迭代多次,直到达到最小值。
于是就得到加速度计估计出的第一帧的姿态。
所以,根据四元数的坐标系旋转性质,可以把坐标系转到水平的位置上,但并不能保证朝北。对于向量来讲,坐标系逆着四元数转回去,就相当于是向量顺着四元数继续转,得到在这个水平坐标系中的磁场的向量。
其中,和是在这个坐标系中的轴和轴上的分量,所以可以得到。
以上是第一帧的时候得到的方法。
再将加速度计估计出来的姿态作为初值,将、、、代入到之前公式中,用梯度下降法迭代,得到高精度的第一帧的姿态。
当物体发生运动之后,由于周围环境的影响,每一帧都要对进行修正。假设已经用之前的方法得到上一帧的最佳的姿态估计,则这一帧的计算如下。
6.求赞赏
您觉得,本文值多少?
7.参考文献
- Madgwick S O H, Harrison A J L, Vaidyanathan R. Estimation of IMU and MARG orientation using a gradient descent algorithm[C]//Rehabilitation Robotics (ICORR), 2011 IEEE International Conference on. IEEE, 2011: 1-7.
转载于:https://www.cnblogs.com/ilekoaiq/p/8849217.html
Madgwick算法详细解读相关推荐
- 3D激光SLAM:LOAM 论文--算法详细解读
3D激光SLAM:LOAM 论文--算法详细解读 LOAM简介 论文里面的符号表示 算法部分 激光雷达里程计 A 特征点提取 B 找特征点的匹配对 C 运动估计 lidar 建图 测试结果 LOAM是 ...
- java算法竞赛必备之快读快写(超详细解读)
java算法竞赛必备之快读快写(超详细解读) java写算法的缺点:速度慢.读写复杂.莫名WA(错误答案).TL(超时).CL(超内存)- (那我们还学个啥啊,都转c++写算法不香嘛.)别急别急,有缺 ...
- NLP突破性成果 BERT 模型详细解读 bert参数微调
https://zhuanlan.zhihu.com/p/46997268 NLP突破性成果 BERT 模型详细解读 章鱼小丸子 不懂算法的产品经理不是好的程序员 关注她 82 人赞了该文章 Goo ...
- VINS-mono详细解读与实现
VINS-mono详细解读 VINS-mono详细解读 前言 Vins-mono是香港科技大学开源的一个VIO算法,https://github.com/HKUST-Aerial-Robotics/V ...
- MemCache超详细解读
MemCache是什么 MemCache是一个自由.源码开放.高性能.分布式的分布式内存对象缓存系统,用于动态Web应用以减轻数据库的负载.它通过在内存中缓存数据和对象来减少读取数据库的次数,从而提高 ...
- MemCache详细解读
MemCache是什么 MemCache是一个自由.源码开放.高性能.分布式的分布式内存对象缓存系统,用于动态Web应用以减轻数据库的负载.它通过在内存中缓存数据和对象来减少读取数据库的次数,从而提高 ...
- 刚刚,OpenStack 第 19 个版本来了,附28项特性详细解读!
刚刚,OpenStack 第 19 个版本来了,附28项特性详细解读! OpenStack Stein版本引入了新的多云编排功能,以及帮助实现边缘计算用例的增强功能. OpenStack由一系列相互关 ...
- 个性化联邦学习PFedMe详细解读(NeurIPS 2020)
关注公众号,发现CV技术之美 本文介绍一篇 NeurIPS 2020 的论文『Personalized Federated Learning with Moreau Envelopes』,对个性化联邦 ...
- 智慧中国杯算法赛解读 | 精准资助数据探索(一)
2019独角兽企业重金招聘Python工程师标准>>> 智慧中国杯是由DataCastle(数据城堡)主办的全国大数据创新应用大赛,提供了百万的竞赛奖金,数据城堡的创始人周涛是< ...
最新文章
- python常见错误集合
- wxpython滑动面板_wxPython Panel面板的用法
- [转]撞车之后,不要傻里傻气的!
- 淮南:发力“大数据”能源城激活新动能
- linux 内核文件结构,linux-011内核文件结构图
- 46个PPT下载丨QCon 2019年全球软件开发大会PPT
- 【Spark】Spark cache 报错 Exception thrown in awaitResult
- 如何开发与设计一个爆款小游戏
- html设计有项目的页面,HTML+CSS项目开发经验总结(推荐)
- ddr3配置 dsp6678_DSP6678DDR配制方法
- Hebb和Delta学习规则
- Python3爬取搜狗微信公众号
- 浏览器被hao360劫持解决办法
- WIN7点击右下角 安全删除硬件并弹出媒体 无反应解决方法
- lol服务器位置2017,LOL甜心宝贝的琴音和弦2017抽皮肤网页地址
- 微信支付-企业付款到零钱
- Spire.XLS的使用
- 二进制数字的表示方法
- 分类:支持向量机(四)——非线性支持向量机
- MPAndroidChart的详细使用——BarChart条形图(二)