加速度データに基づいて距離を測定する方法に関する多くのフォーラムの横にある多くの研究や論文を読んだ後、二重積分法を見つけましたが、この方法に関連する誤差は大きく、時間とともに増加します。さらに、カルマンフィルターを提案した人を見つけました。それについての参考文献を読みましたが、使用方法が明確ではありませんでした。また、フュージョンセンサーについて話している人もいました...しかし、それらを読んだ後、新しいアイデアは得られませんでした. だから私はまだ混乱しており、従うべき正しい答えが見つかりませんでした....長い紹介で申し訳ありません.
質問
手に 9 軸センサーを持っていて、ある方向に手を動かしたとします。空間内で手の新しい位置を見つけるにはどうすればよいでしょうか? 初期点から新しい点までの動きベクトルを取得する方法 3 つの軸で通過した距離を知る方法を意味します。
直接的な答えがない場合...いくつかのアドバイスや参考文献は素晴らしいものであり、正確な答えを与えるいくつかのアルゴリズムであり、私はそれを自分で研究して使用することができます. どうもありがとうございます
あなたの質問に対する簡単な答えは、あなたにはできないということです。
二重積分法は、加速度計のみを使用して探している情報を取得する唯一の方法です。この方法で問題が見つかりました。エラーは時間の経過とともに増加し、通常、多くの人が求めている精度が得られません。
通常、カルマン フィルタリングには 2 つのデバイスが必要であり、基本的に両方のデバイスの最良の部分を取り、悪いものを除外します。以下の例を参照してください。
カルマン フィルター処理は非常に難しいテーマで、上級設計者向けに掘り下げようとしましたが、限られたテストでは意味のある結果が得られませんでした。この主題を理解するには、このyoutube ビデオ シリーズが最適です。
スタンフォード大学でDARPAチャレンジを勝ち取った人物で、その話題を分かりやすく解説しています。コース全体は、未知の環境でロボットを動かしてその位置を理解するためのプログラミングに関する 6 ユニットのビデオ シリーズです。時間と興味があれば一見の価値あり。
本当に具体的な相対的な位置情報を提供するために、私が上級設計のために行ったことと同様のことをしようとしているようです。
別の優れたカルマン フィルタリングについては、こちらをお読みください(このリンクが機能しない場合は、google カルマン フィルター バランス ボットを使用して、TKJ ブログのリンクをクリックしてください)。基本的に、この男は加速度計とジャイロスコープを使用して、現実世界の向きを追跡します。
wiki Real Time Kinematicを調べる他の何か。これはトラクターやコンバインに搭載され、非常に正確な位置情報を提供します。John Deere がシステムを販売していますが、20,000 ドル程度です。これは、 GPS とビーグルボードを使用した貧乏人のバージョンです。
9軸センサーによって、私はそれが意味すると仮定しています：
このタイプの 9 軸センサーから実用的な位置推定値を取得するには、GPS などの外部基準を使用する別のセンサーを使用する必要があります。
理論的には、空間内のオブジェクトの加速度とその初期位置と速度がわかっている場合、その加速度と速度に関する情報を初期位置に伝播する (つまり、加速度を 2 回積分する) ことにより、オブジェクトの新しい位置を計算できます。 . 実際には不可能な理由は、加速度計にノイズがあるためです。このノイズの平均はゼロではないため、加速度信号を積分すると、ゼロではない平均ノイズが継続的に追加され、結果の速度信号に蓄積されます。これは、センサーのドリフトとして見られます。速度推定値は最初はかなり正確ですが、この蓄積されたノイズのためにすぐにドリフトします。位置を取得するために 2 回統合すると、プロセスが繰り返されるため、状況が悪化するだけです。
GPS などの外部基準を使用することにより、カルマン フィルターを使用して、更新の遅い GPS 信号と更新の速い加速度信号を組み合わせて、信頼性の高い位置推定値を生成できます。GPS には、加速度信号を積分することで蓄積されるドリフトをゼロにする効果があります。
Khamey が提案した Udacity Youtube ビデオをご覧になることをお勧めします。カルマン フィルターを学習するときは、目的が何であるか、カルマン フィルターが何をしているかの明確な概要を把握するのに役立ちます。そうすれば、アルゴリズムの数学と実際のステップが理解しやすくなります。カルマン フィルターを学習するときに役立つもう 1 つのことは、状態ベクトル全体ではなく、一度に 1 つの状態変数に対して学習することです。これは、カルマン フィルターが実際に行っていることに注意を集中させるのに役立ち、行列代数にとらわれないようにします。
回転を考慮しない場合:
t=t0あなたが の位置[ x0 , y0 , z0 ]にいて、速度ベクトルがであると考えてみましょう[ vx0 , vy0 , vz0 ]。
のt=t1加速度ベクトル(と[ ax1 , ay1 , az1 ]からの平均加速度) を読み取ります。t0t1
での速度ベクトルは次のt=t1ようになります。
[ vx1 , vy1 , vz1 ] = [ vx0 + ax1 * (t1 - t0) , vy0 + ay1 * (t1 - t0) , vz0 + az1 * (t1 - t0) ]
t0との間の平均速度t1は
[ vx01 , vy01 , vz01 ] = [ (vx0 + vx1) / 2 , (vy0 + vy1) / 2 , (vz0 + vz1) / 2 ]
での位置は次のt=t1ようになります。
[ x1 , y1 , z1 ] = [x0 + vx01 * (t1 - t0), y0 + vy01 * (t1 - t0), y0 + vy01 * (t1 - t0) ]
ご覧のとおり、エラーは で伝播するt^2ため、GPS などの外部基準によって慣性システムを補正する必要があります。
ベース マップがあり、センサーが既知のパス (道路など) に沿って移動していることが確実な場合は、ベース マップを使用してノイズの多い読み取り値を修正できます。Jun Han、Emmanuel Owusu、Thanh-Le Nguyen、Adrian Perrig、Joy Zhang の「ACComplice: Location Inference using Accelerometers on Smartphones」を参照してください。第 4 回通信システムとネットワークに関する国際会議 (COMSNETS 2012) の議事録、バンガロール、インド、1 月3-7、2012。
http://www.netsec.ethz.ch/publications/papers/han_ACComplice_comsnets12.pdf