✨ 长期致力于MEMS传感器、机械臂、惯性测量单元、数据融合、姿态检测系统研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1设计基于ICM20948的惯性测量单元硬件与卡尔曼滤波器数据融合IMU包含三轴加速度计、陀螺仪与磁力计采样率设为两百赫兹。硬件电路以STM32F103C8T6为主控通过nRF52832蓝牙将数据上传至上位机。针对加速度计与陀螺仪的数据融合设计离散卡尔曼滤波器状态向量为四元数状态转移矩阵基于陀螺仪角速度积分。观测向量由加速度计与磁力计计算的重力方向与地磁方向得到。过程噪声协方差矩阵对角元素分别设为零点零零一与零点零零零五观测噪声协方差设为零点一。在Matlab中对水平静止、水平运动与往复运动三种工况进行仿真卡尔曼滤波的俯仰角均方根误差为零点七四度横滚角零点四六度优于互补滤波的一点二度。实际传感器静态测试俯仰角、偏航角、横滚角均方根误差分别为零点七四一度、零点八八八度与零点四六二度均小于一度。2开发基于C语言的上位机测试软件与机械臂末端实时姿态解算上位机采用Visual Studio C编写通过蓝牙接收数据包数据包格式为帧头、三轴加速度、三轴角速度、三轴磁力计、校验位。解算时先对原始数据进行校准加速度计校准采用六位置法陀螺仪采用静止平均法消除零偏。卡尔曼滤波算法在STM32中实现以减轻上位机负担。滤波周期十毫秒姿态更新频率一百赫兹。通过正运动学验证将末端姿态与关节编码器推算值对比在机械臂以每秒三十度速度运动时姿态角误差小于零点三度。静态测试中将IMU固定在机械臂末端连续采集十分钟横滚角漂移小于零点零五度每小时。3建立机械臂运动学模型辅助MEMS传感器动态误差补偿利用机械臂正运动学模型根据各关节角度实时计算末端理论姿态作为卡尔曼滤波的外部观测值。当机械臂运动速度高于每秒五十度时陀螺仪积分漂移增大引入运动学模型辅助更新观测噪声协方差自适应减小。反之低速时信任IMU。通过实验采集六组不同速度下的运动数据融合运动学辅助后动态姿态误差均方根从零点八五度降低至零点三七度。在往复运动中最大峰值误差从一点三度降至零点六度。最终系统集成在UR5机械臂上末端安装IMU模块实测抓取任务中姿态检测精度满足定位要求定位偏差小于两毫米。import numpy as np from filterpy.kalman import KalmanFilter class QuaternionKalman: def __init__(self, dt): self.kf KalmanFilter(dim_x4, dim_z3) self.dt dt self.kf.F np.eye(4) # 简化状态转移实际由角速度更新 self.kf.H np.eye(4)[:3,:] # 观测为欧拉角转换后的四元数 self.kf.Q np.eye(4) * 0.001 self.kf.R np.eye(3) * 0.1 self.kf.P np.eye(4) * 0.1 self.q np.array([1,0,0,0]) # 初始四元数 def predict_with_gyro(self, gyro): # gyro: [wx, wy, wz] rad/s wx, wy, wz gyro q0, q1, q2, q3 self.q omega np.array([ [0, -wx, -wy, -wz], [wx, 0, wz, -wy], [wy, -wz, 0, wx], [wz, wy, -wx, 0] ]) q_dot 0.5 * omega self.q self.q self.q q_dot * self.dt self.q self.q / np.linalg.norm(self.q) self.kf.x self.q def update_with_acc_mag(self, acc, mag): # 从加速度计与磁力计计算期望四元数 # 简化假设roll,pitch从acc计算yaw从mag ax, ay, az acc pitch np.arcsin(-ax / 9.8) roll np.arctan2(ay, az) yaw np.arctan2(mag[1], mag[0]) # 欧拉角转四元数 cy np.cos(yaw*0.5); sy np.sin(yaw*0.5) cp np.cos(pitch*0.5); sp np.sin(pitch*0.5) cr np.cos(roll*0.5); sr np.sin(roll*0.5) q_ref np.array([ cr*cp*cy sr*sp*sy, sr*cp*cy - cr*sp*sy, cr*sp*cy sr*cp*sy, cr*cp*sy - sr*sp*cy ]) self.kf.update(q_ref[:3]) # 观测前三维 self.q self.kf.x def six_position_calibration(acc_samples): # 六位置法校准加速度计偏置与尺度因子 # acc_samples: 6个位置的平均值 # 简化返回偏置 bias np.mean(acc_samples, axis0) return bias if __name__ __main__: dt 0.01 kf_imu QuaternionKalman(dt) # 模拟数据 gyro_data np.array([0.01, 0.02, 0.005]) acc_data np.array([0.1, 0.2, 9.8]) mag_data np.array([0.3, 0.4, 0.5]) kf_imu.predict_with_gyro(gyro_data) kf_imu.update_with_acc_mag(acc_data, mag_data) print(f四元数: {kf_imu.q}) # 校准示例 sample_data np.random.randn(6,3) [0.05, 0.03, 9.81] bias six_position_calibration(sample_data) print(f偏置估计: {bias})
