Search in topic

Создание собственной системы стабилизации

я нигде не видел, чтобы показания акселя имели некий весовой коэф.

Кусочек рабочего кода двумя страницами выше:
// By using CF it’s possible to correct the drift of integrated accZ (velocity) without loosing the phase, i.e without delay
vel = vel * 0.985f + baroVel * 0.015f;

Обращаю внимание на то “vel” - скорость взятая именно с акселя (интеграл), а “baroVel” - скорость высчитанная из показаний барометра. Таким образом “капризный” интеграл от ускорения имеет основной вес и сглаживается непосредственно барометром…
Метод работает, НО у MS5611 достигнут собственный дрейф в 10-15 см. и от акселя толку уже практически никакого, вся эта математическая каша не может дать более точного результата с меньшим шумом…
Эту мысль я и озвучил, проделав эксперименты, а вовсе не “жаловался” на тяжелую жизнь 😃…

вот о чем и речь. барометром “поправляем” ось Y модели взятую с акселя, которая была расчитана с гироскопа и “поправлена” акселем же. а то что аксель при любом измерении не равном G неправильно “поправляет” гироскоп забыли?

у MS5611 достигнут собственный дрейф в 10-15 см

почему вы считаете что это дрейф, а не атмосфера вокруг? ветер дунул, температура изменилась, влажность повысилась — вот и изменение давления на ровном месте.

Эту мысль я и озвучил, проделав эксперименты, а вовсе не “жаловался” на тяжелую жизнь

0.994 0.06 😃 надо с коэфф баловаться, желательно постоянно в зависимости от прогноза(не гидрометцентра)… барометр нужен для коррекции если шум акселя в один бок… спрогнозировать датчик можно где-то с вероятностью разброса 68% если показания вышли за вероятность, то тупо уменьшать вес датчика - в конечном счёте если датчик нагло врёт - исключать из расчётов…

при любом измерении не равном G неправильно “поправляет” гироскоп забыли?

Чуток не так, коллега…,: за ускорение по оси Z принимается разница из “сырых” данных Z акселя и вектора G рассчитанного IMU, таким образом имеем “чистое” вертикальное ускорение при любом наклоне аппарата…
А уж потом интегрируем его и получаем скорость… а потом и расстояние (второй интеграл)…

почему вы считаете что это дрейф,

Точнее сказать - “шум”, , во первых паспорт на 5611, во вторых очевидная вещь при наблюдении графика в динамике (пользуюсь Pithon_ом), какие могут быть сомнения ?

надо с коэфф баловаться,

Так вот у меня получилось (?) что баловаться нет смысла, т.к. получить на выходе меньший “шум” чем просто с барометра не выходит… (есть предположение что алгоритм был разработан для “дубовых” барометров)…

эх блин… приведу еще пример - маховий прошивка, там как раз основное по расчету высоты - аксель, лично у меня не раз было что держал одну высоту по 10-15 мин, причем не в висении, а в полете

маховий прошивка, там как раз основное по расчету высоты - аксель

Нельзя ли на этот кусочек кода взглянуть ?? (для анализа)

за ускорение по оси Z принимается разница из “сырых” данных Z акселя и вектора G рассчитанного IMU

а IMU-то откуда данные берет? интегрирует гиру и исправляет ее дрейф показаниями акселя, которому можно доверять только когда он находится в покое.

в OP когда-то мелькала эта фишка: гира интегрируется как обычно, но чем больше цифра с акселя отличается от 1G (в любую сторону), тем меньше он участвует в коррекции гиры. образно говоря, введен динамический “коэффициент доверия” примерно так:

len = accel.lenght()

// 0 <= k <= 1
if (len > G)
    k = G / len
else
    k = len / G

result.x = gyro_integrated.x*(1-k) + accel.x*k
// и так далее

Точнее сказать - “шум”

шум так шум.

смотрю в даташит на MS5611, 24 бита, диапазон 10…1200 мбар, считаю разрешение — 0.000071 мбар.
они пишут сначала 0.0024, затем через строчку 0.012, как так?

Нельзя ли на этот кусочек кода взглянуть ?? (для анализа)

// apply CF with dynamic coefficient to keep the calculated altitude near real baro/sonar altitude
uint16_t altDiff = abs(alt - EstAlt);
dynK = 0.015f + ( ((altDiff > 100) && (EstAlt > 0)) ? (min(altDiff - 100, 500)/10000.0f) : 0.0f );
alt = alt * (1.0f - dynK) + sensorAlt * dynK;
это финишный кусок

они пишут сначала 0.0024, затем через строчку 0.012, как так?

Эт надо еще и в высоту пересчитывать, а там логарифмы и прочее…(лень) , короче, точность MS5611 меньше метра, это общепризнанный экспериментально доказанный факт, в отличие например от BMP85… (тут погрубее)

а IMU-то откуда данные берет?

В нашем случае это не важно, главное что на выходе мы имеем “приличный” вектор G (“гира рулит”), который и нужно вычесть из оси Z акселя… Да, так и получается, сначала Z-acs участвует в коррекции гиры в IMU, а потом из нее же и вычитается полученное G…

baro/sonar

Смущает сие… (мы о баро/аксель ведем речь)

Смущает сие… (мы о баро/аксель ведем речь)

не смущайтесь - сие только при включении сонара, который подмешивается к баро

это финишный кусок

Из представленного кода понял, что как раз используется плавающий коэфициент с предсказанием и одновременным ограничением диапазона… К сожалению неясно как считается сам “alt” и “EstAlt”…, буду “копать” источники…

c 0.46 GPS в удержании высоты не учавствует

на побаловаться www.cs.utexas.edu/~teammco/misc/kalman_filter/

GPS в удержании высоты не учавствует

Я так понял (из собственных экспериментов в полете) что GPS надежно и правильно выдает только координаты, остальные показания (высота, азимут, скорость) в разные непонятные промежутки времени могут произвольно скакануть как угодно…, нужно сильно поломать голову чтоб исключить такие ситуации…
Короче придется мне все ж магнитометр то возвращать на плату 😦 - он хотя бы стабильный, наверно замахнусь на BMX055.

на побаловаться www.cs.utexas.edu/~teammco/misc/kalman_filter/

Сергей, а можно в двух словах, что там ?
А то кроме линии, идущей за курсором, пока ничего не понятно.

Там специально входной шум задан - дабы прицел сбить 😃 точь та же байда что и в курсе…

X-Axis Random Noise: Y-Axis Random Noise: - это шум…

Там специально входной шум задан - дабы прицел сбить 😃 точь та же байда что и в курсе…

X-Axis Random Noise: Y-Axis Random Noise: - это шум…

Ну да, с этим разобрался уже.
Кстати, если в первой матрице вместо 0.2 поставить 0.11, то будут точнее показания.
А вот изменение коэффициентов во 2-й матрице ни на что не влияет, что странно.
Основная проблема со всеми этими фильтрами в том, что не показывается каким образом получить эти самые матрицы. А дают уже готовые по принципу “вот вам матрицы - поиграйтесь с коэффициентами”.
Ну поигрались, а дальше что, как на практике применить, имея конкретные датчики?

Взять тот же курс, который сейчас преподает TUM. В начале курса была надежда на то, что они взяв конкретный аппарат (Ar. Drone) на его примере расскажут как получить мат. модель, как получить матрицы состояний и т.д. А они выдают общую информацию по каждой теме и все.

А вот изменение коэффициентов во 2-й матрице ни на что не влияет

а она не используется

c = [0, 0, 0, 0] ← control vector (not used here)

а она не используется

Тогда понятно, видимо глазами пропустил эту строчку.

Вольный перевод:

Пять матриц были настроены на работу в этой симуляции. А - матрица перехода к глобальным координатам. Эта матрица влияет на вектор измерения. В - это матрица контроля . Эта матрица влияет на векторное управление (неиспользованные в этой симуляции). Н - матрица измерений(координаты скорости). Эта матрица влияет на K (Регулятор Калмана ). Q - является матрицей неопределённостей. Эта матрица подразумевает процесс шума ковариации. R - является матрицей собственных шумов датчиков. Эта матрица означает, погрешность измерения ковариации, на основе количества шума датчика. В данной модели, Q и R являются константами, но в некоторых реализациях фильтра Калмана может корректировать их в процессе выполнения.

вот книжка по которой лекция сделана …informatik.uni-freiburg.de/fig.pdf

вот книжка по которой лекция сделана probabilistic-robotics.inform...urg.de/fig.pdf

Название файла, само за себя говорящее ))))