卡尔曼滤波探索以及疑问,使用的zlstone滤波代码,
本帖最后由 wujohn 于 2013-7-31 10:25 编辑输入为陀螺仪的角度值和加速度计的角速度,由卡尔曼知识可知,卡尔曼滤波器最重要的是对预测值的协方差(Q),和测量值的协方差(R)进行估计,当我赋值Q=0.001,R=0.5时输出到滤波器的角度和输出角度波形如下:
Q=0.001,R=0.5.png
此时输出波形一直在0点左右,我的初始预测值为0;但是由卡尔曼原理可知,预测值会不断根据最后输出值更新,也就是说输出值对测量值有一个跟踪过程,但是我这个一直在0点左右,我的猜想是我的预测值没有更新,于是我对Q,R做了下面
改动,其他值不变
Q=0.9,R=0.5波形如下:
Q=0.9,R=0.5.png
当Q=1.5,R=0.5时波形如下:
Q=1.5,R=0.5.png
,做到这一步后我又去看了一下原理
Q/(Q+R)的值就是卡尔曼增益的收敛值,比如其值为0.2,那么卡尔曼增益会向0.2收敛(对于0.2的含义解释一下,比如预测角度值是5度,角度测量值是10度,那么最优化角度为:5+0.2*(10-5)=6。从这里可以看出,卡尔曼增益越小,说明预测值越可靠,最优化角度越接近预测值;相反的,卡尔曼增益越大,说明测量值越可靠,最优化角度越接近测量值)。
总结一下:
两个疑问;第一由上面的三个波形是否可以说明我的预测值没有更新??第二:当Q=1.5,R=0.5时此时滤波器设置是否合理??
最后附上代码:
#include"includes.h"
//******卡尔曼参数************
////******kalman参数************
float Gyro_y; //Y轴陀螺仪数据暂存
float Angle; //小车最终倾斜角度
float code Q_angle=1.5;
float code Q_gyro=0.003;
float code R_angle=0.5;
float code dt=0.01; //dt为kalman滤波器采样时间;
charcode C_0 = 1;
float xdata Q_bias, Angle_err;//
float xdata PCt_0, PCt_1, E;
float xdata K_0, K_1, t_0, t_1;
float xdata Pdot ={0,0,0,0};
float xdata PP = { { 1, 0 },{ 0, 1 } };
//*********************************************************
// 卡尔曼滤波
// 卡尔曼滤波
//*********************************************************
//Kalman滤波,20MHz的处理时间约0.77ms;
void Kalman_Filter(float Accel,float Gyro)
{
Angle+=(Gyro-Q_bias)* dt; //第一步为卡尔曼第一个方程X(k|k-1)=A X(k-1|k-1)+B U(k) ……….. (1)
Pdot=Q_angle - PP - PP; // Pk-先验估计误差协方差的微分
Pdot=- PP;
Pdot=- PP;
Pdot=Q_gyro;
PP += Pdot * dt; // Pk-先验估计误差协方差微分的积分
PP += Pdot * dt; // =先验估计误差协方差
PP += Pdot * dt;
PP += Pdot * dt;
Angle_err = Accel - Angle; //zk-先验估计
PCt_0 = C_0 * PP;
PCt_1 = C_0 * PP;
E = R_angle + C_0 * PCt_0;
K_0 = PCt_0 / E;
K_1 = PCt_1 / E;
t_0 = PCt_0;
t_1 = C_0 * PP;
PP -= K_0 * t_0; //后验估计误差协方差
PP -= K_0 * t_1;
PP -= K_1 * t_0;
PP -= K_1 * t_1;
Angle += K_0 * Angle_err; //后验估计
Q_bias += K_1 * Angle_err; //后验估计
Gyro_y = Gyro - Q_bias; //输出值(后验估计)的微分=角速度
}
void main ()
{
float Angle_accel_x,Palstance_gyro_x;
float PWM; //综合PWM计算
Init_PWM();
Init_Motor();
LCD_Init();
InitMPU6050();
Chuankou_Init();
Delay200ms( );
while(1)
{
Angle_accel_x=Read_Acc_x( );
Display_dec(0x80,Angle_accel_x);
Palstance_gyro_x=Read_Gry_x( );
Display_dec(0x90,Palstance_gyro_x);
//-------卡尔曼滤波融合-----------------------
Kalman_Filter(Angle_accel_x,Palstance_gyro_x); //卡尔曼滤波计算倾角
Display_dec(0x84,Angle);
Display_dec(0x94,Gyro_y);
Send_data((int)Angle_accel_x);
Send_data((int)Angle);
Send_data((int)Palstance_gyro_x);
Send_data((int)Gyro_y);
PWM= 4.7*Angle + 0*Gyro_y;//PID:角速度和角度
// PPWM_R =PWM;
// PPWM_L =PWM;
if(Angle_accel_x<-40||Angle_accel_x>40) //角度过大,关闭电机
{
PWM=0;
}
Display_dec(0x88,PWM);
PWM_Motor(PWM,PWM);
}
} 学习一下{:victory:}{:victory:}{:victory:} 一、是的,可以这么理解。Q矩阵比较小的含义是认为预测方程的误差很小,那么卡尔曼滤波就会更相信预测方程的结果。如果你的预测方程是状态不变,那滤波结果就倾向于不变。 二、我感觉R还可以更小些。这两个误差阵不应该是试出来的,具体要看应用场景,您还没说您测的是什么…… 本帖最后由 wujohn 于 2013-7-31 10:14 编辑
K.O.Carnivist 发表于 2013-7-31 09:16 static/image/common/back.gif
一、是的,可以这么理解。Q矩阵比较小的含义是认为预测方程的误差很小,那么卡尔曼滤波就会更相信预测方程 ...
陀螺仪的角度值!做两轮平衡车,使用的代码为 zistone的, K.O.Carnivist 发表于 2013-7-31 09:28 static/image/common/back.gif
二、我感觉R还可以更小些。这两个误差阵不应该是试出来的,具体要看应用场景,您还没说您测的是什么…… ...
我可不是大神,建模这个东西,玩不起 K.O.Carnivist 发表于 2013-7-31 09:16 static/image/common/back.gif
一、是的,可以这么理解。Q矩阵比较小的含义是认为预测方程的误差很小,那么卡尔曼滤波就会更相信预测方程 ...
源代码Q_bias没有赋值我把我的代码的Q_bias=0;了,不知道这样改对不?、 wujohn 发表于 2013-7-31 10:12 static/image/common/back.gif
我可不是大神,建模这个东西,玩不起
先不急着建模,建模是用来修正状态更新方程的。R是传感器误差算出来的;Q主要取决于整体运动的程度(如果不建模修正状态方程的话),运动越剧烈这个值越大。两个误差可以实际测一下。 学习了~~~ 正在学习中啊。。现在也是卡在卡尔曼滤波。。 能问下串口猎人如何使用? 支持一下,顺便看看你怎么调试的 wujohn 发表于 2013-7-31 10:12 static/image/common/back.gif
我可不是大神,建模这个东西,玩不起
请问Q_bias含义是什么 K.O.Carnivist 发表于 2013-7-31 10:50 static/image/common/back.gif
先不急着建模,建模是用来修正状态更新方程的。R是传感器误差算出来的;Q主要取决于整体运动的程度(如果 ...
请问高手您能解释一下楼主代码里面各卡尔曼参数的作用么?我也和楼主用的是同一个程序。 个人感觉,提高Q/R的比例,会提高加速度计数据在滤波数据所占的权重比例,换句话来说。Q/R高了,系统结果就更偏向于加速度计,反之就是陀螺仪。不知我的理解对不对?下面的图像分别是加速度计输出(红色)卡尔曼滤波输出(蓝色)在Q/R不同时做的对比,分别作了垂直于旋转轴的位移,和绕旋转轴旋转的运动。 再顶一下,车子能勉强站起来了,希望能通过这次对卡尔曼滤波有更多的了解。
页:
[1]