El cálculo de cabeceo, guiñada, y el rodillo de MAG, ACC, y los datos de giróscopo

19

Tengo una placa Arduino con un sensor de 9 grados de libertad, a partir del cual debo determinar el cabeceo, la guiñada y el balanceo de la placa.

Aquí es un ejemplo de un conjunto de datos desde el sensor 9-DOF:

Acelerómetro (m / s)

  • AccX = -5,85
  • AccY = 1,46
  • AccZ = 17,98

Giroscopio (RPM)

  • GyrX = 35,14
  • GyrY = -40,22
  • GyrZ = -9,86

Magnetómetro (Gauss)

  • RevistaX = 0,18
  • RevistaY = -0,04
  • RevistaZ = -0,15

¿Cómo puedo calcular cabeceo, guiñada y rodar a partir de estos datos?

MaltDew
fuente
1
Principio básico: a partir de la detección de la gravedad en su acelerómetro, usted sabe qué camino está hacia abajo; a partir de la detección del campo magnético de la Tierra en su magnetómetro, usted sabe en qué dirección está el Norte. Basado en esto y suponiendo que no haya otras aceleraciones significativas o campos magnéticos fuertes, puede determinar su propia actitud.
welf
1
Los datos del giroscopio proporcionan una velocidad de rotación, pero no una posición absoluta. Se puede integrar para estimar el cambio desde una actitud conocida, pero esto es típicamente ruidoso y propenso a la deriva si no se usa junto con los otros sensores.
welf
1
También se refieren a los filtros Kalman, ya que los números estáticos deben procesarse bastante, para proporcionar estimaciones confiables de balanceo y guiñada. También tenga en cuenta que la posición del sensor es importante (debe tenerlo en cuenta).
Gürkan Çetin

Respuestas:

15

Paso, balanceo y guiñada se definen como la rotación alrededor de los ejes X, Y y Z. A continuación como una imagen para ilustrar la definición.

Roll Pitch y Yaw

En un proyecto anterior utilicé un acelerómetro ADXL345 de Analog Devices para calcular el balanceo y el cabeceo. A continuación se muestran las ecuaciones utilizadas para calcular el balanceo y la inclinación. He puesto algunos de los códigos fuente disponibles para uso público.

accelerationX = (signed int)(((signed int)rawData_X) * 3.9);
accelerationY = (signed int)(((signed int)rawData_Y) * 3.9);
accelerationZ = (signed int)(((signed int)rawData_Z) * 3.9);
pitch = 180 * atan (accelerationX/sqrt(accelerationY*accelerationY + accelerationZ*accelerationZ))/M_PI;
roll = 180 * atan (accelerationY/sqrt(accelerationX*accelerationX + accelerationZ*accelerationZ))/M_PI;

El código fuente completo se puede encontrar aquí .

Base en las definiciones anteriores

yaw = 180 * atan (accelerationZ/sqrt(accelerationX*accelerationX + accelerationZ*accelerationZ))/M_PI;

Nota: M_PI = 3.14159265358979323846 se define constantemente en matemáticas.

A continuación se incluyen algunas referencias, incluido el código fuente base de Arduino, que podrían ayudarlo.


Referencias

Mahendra Gunawardena
fuente
2
Buena respuesta, valdría la pena agregar que la posición y la orientación del sensor en el vehículo serían importantes, y que los datos deben procesarse aún más para obtener resultados confiables. (filtrado o fusionado con datos de baja frecuencia más confiables, como GPS)
Gürkan Çetin
(@Zubair) "yaw = 180 * atan (accelerationZ / sqrt (accelerationXaccelerationX + accelerationZaccelerationZ)) / M_PI;" ¿Qué es ese 'M_PI'?
Wasabi
@Wasabi M_PI = 3.14159265358979323846. Se define constantemente en la biblioteca math.h.
Mahendra Gunawardena
8

Entonces, mi respuesta más larga a continuación asume que el tablero experimentará aceleración y durante este tiempo aún debe poder medir su cabeceo, balanceo y guiñada en un corto período de tiempo. Si el tablero estará estacionario para todas las mediciones, la respuesta de Mahendra Gunawardena funcionará perfectamente para usted. Si esto entra en un dispositivo como un segway o modelo de avión o multirotor o cualquier cosa que se mueva, es posible que desee seguir leyendo. Esta publicación trata sobre cómo usar los tres sensores a través de un método llamado fusión de sensores. La fusión de sensores le permite obtener las fortalezas de cada sensor y minimizar los efectos de las debilidades de cada sensor.

Características del sensor y antecedentes

Primero entienda que un acelerómetro mide todas las fuerzas que se le aplican, no solo la fuerza de la gravedad. Entonces, en un mundo perfecto con el acelerómetro en una posición estacionaria sin ninguna vibración, podría determinar perfectamente qué camino está haciendo usando alguna trigonometría básica, como se muestra en la respuesta de Mahendra Gunawardena. Sin embargo, dado que un acelerómetro recogerá todas las fuerzas, cualquier vibración dará como resultado ruido. También debe tenerse en cuenta que si el tablero está acelerando, no solo puede usar trigonometría simple, ya que la fuerza que informa el acelerómetro no es solo la fuerza de gravedad de la Tierra, sino también la fuerza que está causando que acelere.

Un magnetómetro es más sencillo que un acelerómetro. El movimiento no causará problemas con él, pero cosas como el hierro y otros imanes terminarán afectando su producción. Si las fuentes que causan esta interferencia son constantes, no será difícil de tratar, pero si estas fuentes no son constantes, creará toneladas de ruido que es problemático eliminar.

De los tres sensores, el giroscopio es discutible el más confiable y normalmente son muy buenos para medir la velocidad de rotación. No se ve afectado por cosas como las fuentes de hierro y las aceleraciones básicamente no tienen impacto en su capacidad para medir la velocidad de rotación. Hacen un muy buen trabajo al informar la velocidad a la que gira el dispositivo, sin embargo, dado que está buscando un ángulo absoluto, debe integrar la velocidad para obtener la posición. Hacer esto agregará el error de la última medición al error de las nuevas mediciones ya que la integración es básicamente una suma de valores en un rango, incluso si el error para una medición es solo 0.01 grados por segundo apagado, en 100 mediciones, su posición puede estar apagado en 1 grado, en 1000 mediciones, puede estar apagado en 10 grados. Si está tomando cientos de mediciones por segundo, Puedes ver que esto causa problemas. Esto se llama comúnmente deriva giroscópica.

Fusión de sensores

Ahora, la belleza de tener todos estos sensores trabajando juntos es que puede usar la información del acelerómetro y el magnetómetro para cancelar la deriva del giroscopio. Esto termina permitiéndole darle la precisión y la velocidad del giroscopio sin el defecto fatal de la deriva del giroscopio.

Combinando los datos de estos tres sensores se puede hacer de más de una manera, hablaré sobre el uso de un filtro complementario porque es mucho más simple que un filtro kalman y los filtros kalman consumirán muchos más recursos en los sistemas integrados. Muchas veces un filtro complementario es lo suficientemente bueno, más sencillo de implementar (suponiendo que no esté utilizando una biblioteca preconstruida) y le permite procesar los datos más rápido.

Ahora en el proceso. Los primeros pasos que debe hacer es integrar la salida del giroscopio para convertir la velocidad angular en posición angular. También es probable que tenga que aplicar un filtro de paso bajo en el acelerómetro y el magnetómetro para lidiar con el ruido en la salida. Aquí funciona un filtro FIR simple como el que se muestra a continuación. Con algo de trigonometría puedes encontrar el cabeceo y balanceo con el acelerómetro y el guiñada con el magnetómetro.

filteredData = (1-weight)*filteredData + weight*newData

El peso es solo una constante que se puede ajustar según la cantidad de ruido que tenga que manejar, cuanto mayor sea el ruido, menor será el valor del peso. Ahora se puede combinar la información de los sensores con la siguiente línea de código.

fusedData = (1-weight)*gyroData + weight*accelMagData

Cabe señalar que los datos son un vector de cabeceo, balanceo y guiñada. Puede usar tres variables para hacer esto también en lugar de matrices si lo desea. Para este cálculo, el giroscopio proporciona una posición en grados en cabeceo, balanceo y guiñada, el magnetómetro proporciona un ángulo para guiñada mientras que el acelerómetro proporciona sus propios números para cabeceo y balanceo.

Si aún desea más información, puede buscar en Google "fusión de sensores con filtro complementario", hay muchos artículos sobre esto.

Dave851
fuente
3

A partir de los datos del sensor del acelerador, solo puede calcular el cabeceo y balanceo. El siguiente documento de Freescale explica con mucha información lo que necesita:

AN3461: detección de inclinación mediante un acelerómetro de tres ejes

Según los dichos del documento,

bronceadoϕXyz=solpagysolpagz

bronceadoθXyz=-solpagXsolpagypecadoϕ+solpagzcosϕ=-solpagXsolpagy2+solpagz2

lo que equivale a:

roll = atan2(accelerationY, accelerationZ)

pitch = atan2(-accelerationX, sqrt(accelerationY*accelerationY + accelerationZ*accelerationZ))

Por supuesto, el resultado es esto solo cuando las rotaciones ocurren en un orden específico (Rxyz):

  1. Rodar alrededor del eje x por ánguloϕ
  2. Paso alrededor del eje y por ánguloθ
  3. Guiñada alrededor del eje z por ánguloψ

Dependiendo del orden de las rotaciones, obtienes diferentes ecuaciones. Para el orden de rotación , no puede encontrar el ángulo para la guiñada alrededor del eje z.RXyzψ

ekalyvio
fuente
1
Él, bienvenido en el SE de Ingeniería! Este sitio es compatible con Latex, mira lo hermosa que se volvió tu respuesta ahora. :-)
peterh - Restablecer Monica