rtyrty
王翔;白茹;崔晓阳;吴涛;钱正洪
【摘 要】基于MEMS和磁阻传感器的姿态检测系统具有体积小、成本低和功耗低等特点,目前被广泛应用于民用消费领域.该系统以MEMS惯性传感器作为主要的测量单元,结合地磁传感检测技术进行辅助测量,以达到提高系统测量精度和稳定性的目的.对于系统中MEMS传感器存在的噪声误差、磁阻传感器易受外界干扰等问题,采用合适的数据融合算法将多个传感器数据进行融合处理,从而得到最优的姿态估计值.文中针对国内外设计的基于MEMS和磁阻传感器的姿态检测系统,重点探讨了多传感器数据融合算法的现状以及未来的发展趋势. 【期刊名称】《电子科技》
【年(卷),期】2018(031)010
【总页数】5页(P39-43)
【关键词】磁阻传感器;MEMS惯性传感器;姿态检测;数据融合算法
【作 者】王翔;白茹;崔晓阳;吴涛;钱正洪
【作者单位】杭州电子科技大学磁电子中心,浙江杭州310018;杭州电子科技大学磁电子中心,浙江杭州310018;杭州电子科技大学磁电子中心,浙江杭州310018;杭州电子科技大学磁电子中心,浙江杭州310018;杭州电子科技大学磁电子中心,浙江杭州310018
【正文语种】中 文
【中图分类】TP212
传统的姿态检测系统使用机械式的惯性传感器来检测载体姿态。该方法存在体积大、信号易受干扰、受使用环境制约等缺点，影响测量精度以及系统的稳定性。自20世纪90年代以来，微机电系统(Micro-Electro-Mechanical System，MEMS)相关技术迅猛发展，MEMS惯性传感器已被广泛应用于姿态检测系统中以获取人体的姿态信息、测量小型飞行器姿态、确定移动设备使用者的运动状态和步进信息等[1-3]。MEMS惯性传感器的出现使得姿态检测系统朝着低成本、小型化和低功耗的方向发展，同时也为该系统在民用领域的推广打下了坚实的基础。
虽然MEMS传感器具有重量轻、价格低廉等优势，但由于其自身制造工艺的限制，输出中往往伴随着很大的噪声干扰，导致测量精度降低。同时，MEMS惯性传感器无法克服传统惯性器件存在的累积误差，长期使用会影响整个系统的可靠性。为了消除MEMS惯性传感器的输出噪声，提高系统的测量精度，除了建立传感器的误差模型进行标定补偿以外，还可以采用多传感器组合测量的方案。基于MEMS和磁阻传感器的姿态检测系统就是将磁阻传感器作为辅助传感器，使用合适的数据融合算法来校准MEMS传感器的输出值，从而提高姿态解算的准确性。该系统中，MEMS陀螺仪具有高动态性，其数据短期内可靠性极高，但是误差会随着时间不断增大；而磁阻传感器和MEMS加速度计的测量误差并不会随时间累积。由于三者在功能上的互补性，所以可以不断的用加速度计和磁阻传感器的数据去矫正陀螺仪的数据，即数据融合。利用数据融合算法来处理多个传感器的测量值，可以消除单一传感器在测量过程中存在的偏差，提高姿态检测的精度和系统的可靠性。数据融合算法的性能直接影响到最终系统输出的姿态精度，需要根据不同传感器的特性以及系统的要求设计合理的多传感器融合算法。本文系统的分析了已有的数据融合算法，并对数据融合算法的发展方向进行了展望，为相关领域研究人员快速了解本领域的研究现状和最新进展提供参考。
1 梯度下降法
2012年，文献[4]设计了实时姿态测量系统[4]，并使用梯度下降算法来融合三轴加速度计IMU3000、三轴陀螺仪BMA180和三轴磁阻传感器HMC5883L的数据，完成了姿态角的测量。2015年，文献[5]在农用小型飞行器的姿态检测系统中采用迭代步长为定值0.8的梯度下降法来处理三轴MEMS加速度计ADXL345、三轴MEMS陀螺仪L3G4200G和三轴磁强计HMC5883L的测量值[5]，得到了飞行器的姿态信息。2016年，文献[6]运用梯度下降法融合智能手机HTC One X中加速度计、陀螺仪和磁阻传感器的数据[6]，实现了三维空间中两个平台之间的角度测量。
梯度下降法是一种典型的数值方法，可用于获得局部最优解。与其他优化算法相比，其思想和实现都相对比较简单。其核心思想是将目标函数的负梯度方向作为每次的搜索方向，通过逐次迭代的方法使得目标函数不断减小，直至逼近局部的最小值。将其应用于姿态检测系统中，分别计算由加速度计和磁阻传感器数据解算得到的姿态角以及陀螺仪数据解算得到的姿态角，进而得到两个姿态角的差。将差值的平方作为目标函数，通过不断迭代使得目标函数最终收敛于0，此时可以得到姿态估计的最优解。运算中收敛步长的大小对该算
法性能的好坏有直接的影响：步长太小，则收敛速度较慢；而步长太大，收敛会出现振荡。2011年，文献[7]针对可穿戴的惯性人体运动检测系统中包含的三轴加速度计、三轴陀螺仪和三轴磁力计[7]，使用步长可变的梯度下降法来融合三者的数据，使得目标函数具有最佳的收敛速度和收敛效果。2014年，文献[8]在基于MEMS传感器的姿态检测系统中[8]，通过共轭梯度法对姿态四元数进行寻优估计。在整个过程中，只需一次迭代就可以得到姿态四元数的估计值。共扼梯度法是将共扼性与最速下降方法结合起来，根据已知点处的梯度构造一组共扼方向，沿着这组方向进行查，直到到目标函数的极小点。共轭梯度法仅需利用一阶导数信息，具有步收敛性和较高的稳定性。2017年，文献[9]在人体运动捕捉系统中采用牛顿高斯法融合加速度计、陀螺仪和磁强计的测量值[9]。牛顿高斯迭代算法是一种非线性最小二乘最优化方法，利用目标函数的泰勒展开式把非线性函数的最小二乘化问题转化为线性函数的最小二乘化问题。该算法考虑了目标函数的一、二阶偏导数以及梯度变化趋势，通过确定更合适的搜索方向以减小收敛时间。但是牛顿高斯迭代算法计算量比较大，而梯度下降法只需考虑目标函数在迭代点处的局部性质，实现简单，计算量小，对硬件的要求低，适用于民用领域的姿态检测系统。
射频开关芯片
2 互补滤波算法
2011年，文献[10]设计了增益可调的互补滤波器来融合航姿参考系统中的加速度、角速度和磁场强度[10]。2014年，文献[11]在获取蛇形机器人姿态的系统中使用互补滤波算法来融合MEMS惯性传感器单元MPU6050和磁阻传感器HMC5883L的测量值[11]。文献[12]在MEMS/GPS/地磁组合导航系统中设计了互补滤波器来融合加速度计、陀螺仪和磁力计的输出值[12]。
互补滤波算法的主要思想是从频域上来分辨不同传感器在测量过程中包含的噪声和有效测量信号。该方法将传感器的输出信号从时域转换到频域，根据噪声的特性，选择互补滤波器中合适的滤波器去除噪声信号。随后，将每个滤波器保留下来的有效测量信号在频域中进行融合，得到频域中姿态的最优估计。最后再将其转换到时域，完成多个传感器数据的去噪融合。加速度计和磁阻传感器的数据长期有效，但是易受外界干扰的影响。陀螺仪数据具有高动态性，在短期内的精度较高，但是其误差会随着时间不断积累，产生漂移现象。根据3个传感器的输出特性，利用互补滤波器滤除加速度计和磁阻传感器数据中包含的高频噪声，同时滤除陀螺仪数据中包含的低频噪声，保留三者数据中有效的姿态信息，最终解算得到完整、精确的姿态。
超级电容器结构
互补滤波器的阶数不同，滤波融合的效果也不同。2012年，文献[13]研究了互补滤波算法阶数对于融合MEMS和磁阻传感器数据的影响[13]。仿真结果显示，随着阶数的增加，融合精度也在不断提高。2013年，文献[14]利用其设计的四轴飞行器的姿态检测系统比较了一阶和二阶互补滤波算法的性能[14]。研究结果显示，前者的融合速度更加快，但是后者在角度跟踪和滤波效果的综合能力方面更加优秀。
为了获取最佳的估计效果，需要选取合适的互补滤波器的截止频率。互补滤波器的截止频率对应着时域中的权重值，权重值过大，则角度收敛较慢，动态性能降低；权重值过小，则角度波动较大，滤波效果降低。针对这一问题，2008年，文献[15]首先提出了利用互补滤波算法结合比例积分(Proportion Integration，PI)控制器来处理加速度计、陀螺仪和磁力计三者数据的方案[15]。该方案利用PI控制器自适应地调节滤波器的截止频率，提高了姿态角解算的静态精度。2014年，文献[12]提出了自适应互补滤波算法，即根据线运动状态调整互补滤波器的截止频率[12]，获得了不错的静态精度。2015年，文献[8]提出了一种PI参数自适应调节的互补滤波算法[8]，在利用PI控制器调节互补滤波器截止频率时，根据加速度计的测量值判断载体的运动情况，实时调节PI增益。研究表明，改进后的算法具有较好的性能。2015年，文献[16]将PI控制应用于互补滤波算法时[16]，设定积分系数固定不变，
哺乳外衣根据陀螺仪频率响应的截止角速度分段调整比例系数，实现了误差的动态补偿，保证了姿态解算的实时性。
互补滤波器的截止频率不易确定，且在噪声较大时滤波效果不理想。因此需要一些自适应算法对它们的值进行实时调整，以满足系统对于静态和动态的性能要求。所以，可在互补滤波的基础上，加入PI控制方法。这既提高了滤波效果，也避免了截止频率的确定问题。互补滤波算法实现简单，能够获得理想的姿态解算结果。基于频域特性的滤波器一般不需要对系统噪声进行精确的数学建模，因而算法的运算量较小，可以减轻系统负担、提高效率。而且其对系统中的传感器精度要求不高，相对来说融合结果比较可靠。目前，互补滤波算法被广泛应用于低成本的姿态检测系统。
电子管话筒3 卡尔曼滤波算法
2011年，文献[17]在研究农业无人机姿态检测系统时[17]，选用卡尔曼滤波算法对ADIS16100陀螺仪、LIS3L V02DL加速度计和CMPS09磁力计的数据进行融合处理。2015年，文献[18]在自平衡小车姿态检测系统中采用卡尔曼滤波算法对由加速度计、陀螺仪和电子罗盘解算得到的姿态角信息进行了融合处理[18]，有效抑制了噪声，提高了测量的准
确性。2015年，文献[19]设计了卡尔曼滤波算法对仿人机器人的步行姿态进行控制[19]，具有不错的测量精度和时效性。2017年，文献[20]在行人惯导系统中选择由三轴陀螺仪、三轴加速度计和三轴磁强计组成的VN-100测量单元来获取导航参数[20]，并使用卡尔曼滤波器对导航参数进行修正。
卡尔曼滤波算法是一个最优化自回归数据处理算法，在大多数应用场景下都能够提供最优的解法。该算法的基本思想是采用递推的计算形式，也就是根据前一时刻的估计值和当前时刻的测量值，以最小均方差的最优估计原则，得到当前时刻的估计值。卡尔曼滤波算法最大的特点就是可以实时地对状态量进行动态估计，并利用递推算法，根据新的观测量对状态量的先验估计进行校正，从而提高滤波器的性能。
卡尔曼滤波可以实现最小均方估计误差意义下的随机信号的最优线性滤波，但对非线性模型则无法得到最优估计，在实际的姿态检测系统中，往往无法建立线性的系统方程。针对这一问题，2013年，文献[21]对集成了加速度计、陀螺仪和磁强计的九轴姿态测量单元设计了两级扩展卡尔曼滤波器[21]。第一级扩展卡尔曼滤波器采用加速度数据对角位置进行校正，第二级采用磁强计数据进行校正。该算法不仅计算量小，而且使系统在磁场异常时
热流道热电偶具有更好的鲁棒性。2014年，文献[22]设计了基于四元数扩展卡尔曼滤波器的姿态估计算法[22]。该算法利用一个扩展滤波器，将姿态四元数作为状态变量，应用陀螺仪测量的角速度完成滤波器时间更新；将加速度计、磁强计测量值与载体所处位置的重力场与地磁场的差作为观测量，完成了滤波器量测更新。经过测试，该算法融合得到的姿态角精度高，能很好地抑制姿态误差的发散。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议