一种简单高效的IMU姿态解算方法

news2024/11/23 3:56:27

这里给出一种简单高效的IMU姿态解算方法，本方法的特点就是思路非常的简单，并且效果也还可以，地面机器人这类运动想对不那么剧烈的应用应该是能应付的，但是震动较大的无人机、足式机器人等应用是否能应用还有待试验。

代码如下：

/**
 * @brief 姿态估计
 * 
 */
void simpleAttitudeEstimation(const msa2d::sensor::ImuData& curr_data) {
    // 第一个IMU数据不计算，只记录时间信息
    if (last_attitude_predict_time_ == 0) {
        last_attitude_predict_time_ = curr_data.time_stamp_;
        last_attitude_update_time_ = last_attitude_predict_time_;  
        return;  
    }

    const Eigen::Vector3d unbiased_gyro = curr_data.gyro_ - sensor_param_.imu_.gyro_bias_;   // 去偏置 
    const Eigen::Vector3d angle_vec = unbiased_gyro * (curr_data.time_stamp_ - last_attitude_predict_time_);
    const double angle = angle_vec.norm();
    const Eigen::Vector3d axis = angle_vec / angle;
    Eigen::Matrix3d delta_rot = Eigen::AngleAxisd(angle, axis).toRotationMatrix();
    sensor_param_.imu_.G_R_I_ = sensor_param_.imu_.G_R_I_ * delta_rot;    // 旋转矩阵姿态更新  
    last_attitude_predict_time_ = curr_data.time_stamp_;  

    /**
     * @brief 在线标定陀螺仪bias
     * 测试：使用在线标定，15min 角度最大漂移0.1rad
     * 不使用在线标定，15min角度最大漂移 0.3rad
     * @todo 为了节省计算量，采用了一种迭代的静止标定方法，局限是需要载体在静止时才会自动校准参数，
     *  改进点是如何实现高效的动态标定
     */
    imu_tool_.OnlineCalibGyroBias(unbiased_gyro, sensor_param_.imu_.gyro_bias_); 
    // 重力校正
    float acc_v = curr_data.acc_.norm();
    // 加速度不能和重力相差太大  
    if (std::fabs(acc_v - 9.8) < 0.3 * 9.8) {
        double correct_delta_t = curr_data.time_stamp_ - last_attitude_update_time_;
        // 至少间隔0.1s
        if (correct_delta_t > 0.1) {
            // 计算权重因子
            float time_ratio = 1 - std::exp(-correct_delta_t / 0.5);     // 距离上一次校正的时间间隔越大   越接近1
            // 由重力观测出姿态角
            float gravity_pitch = -std::asin(curr_data.acc_[0] / 9.81); 
            float gravity_roll = std::atan2(curr_data.acc_[1], curr_data.acc_[2]); 
            // 由陀螺仪观测出来的姿态角
            float gyro_roll_ = atan2(sensor_param_.imu_.G_R_I_(2, 1), sensor_param_.imu_.G_R_I_(2, 2));
            float gyro_pitch_ = asin(-sensor_param_.imu_.G_R_I_(2, 0));
            // 重力解算出来的结果与陀螺仪解算出来的结果相差不能太大(5度)
            // 否则由与短时间更加信任陀螺仪，所以认为重力观测不准
            if (std::fabs(gyro_roll_ - gravity_roll) < 0.08 && std::fabs(gyro_pitch_ - gravity_pitch) < 0.08) {
                //  加权融合
                float correct_pitch = time_ratio * gravity_pitch + (1 - time_ratio) * gyro_pitch_;
                float correct_roll = time_ratio * gravity_roll + (1 - time_ratio) * gyro_roll_;
                // 重新更新旋转矩阵
                sensor_param_.imu_.G_R_I_ = Eigen::AngleAxisd(0, Eigen::Vector3d::UnitZ())
                                                        * Eigen::AngleAxisd(correct_pitch, Eigen::Vector3d::UnitY())
                                                        * Eigen::AngleAxisd(correct_roll, Eigen::Vector3d::UnitX());
                last_attitude_update_time_ = curr_data.time_stamp_; 
            } 
        }
    } 
}

解析：
简单来说也是和互补滤波、KF一样的加权融合，步骤如下：
1、陀螺仪角速度测量对旋转矩阵进行更新。
2、迭代静态在线校准陀螺仪bias。
3、将重力向量观测恢复成姿态角的观测，同时将陀螺仪更新的旋转矩阵也恢复成姿态角，对这两个姿态角进行加权融合。这一步对整个系统的效果影响最为关键的，可以尝试增加各种的trick去进行优化，这里采用了两个最基本的策略，(1)、加速度向量的模长不能比重力大太多，否则这个加速度观测大概率包含了机体自身的运动加速度，这个测量值是不可用的。(2)、陀螺仪短时间准确，而长时间有累计误差，加速度计短期噪声大，而长期比较准确，因此，将校正的时间间隔作为权重的考量因素，时间过的越久，就越不相信陀螺仪的结果，而更相信重力观测的结果。(3)、除了模长外，还要考虑由重力和陀螺仪单独恢复出来的姿态角之间的差异，校正只在两个姿态角接近的时候执行，因为，在重力观测可靠时，重力恢复的姿态角和陀螺仪恢复的姿态角之间的误差很小，而当这个误差很大时，大概率是由与剧烈运动所产生的加速度噪声引起的，因此过滤掉。

试验结果：
下面是姿态角pitch的角度图，蓝色是融合后的结果，红色是加速度单独计算的结果，黄色是角速度单独计算的结果。
在这里插入图片描述静止时，可以看到加速度解算的结果有很大的噪声。