Esta página se ha traducido mediante traducción automática. Haga clic aquí para ver la última versión en inglés.

Fusión de sensores inerciales

Navegación inercial con IMU y GPS, fusión de sensores, ajuste de filtro personalizado

La fusión de sensores inerciales utiliza filtros para mejorar y combinar lecturas de IMU, GPS y otros sensores. Para modelar sensores específicos, consulte Modelos de sensor.

Para localización y mapeo simultáneos, consulte SLAM.

Funciones

expandir todo

Fusión de datos IMU

`ahrsfilter`	Orientation from accelerometer, gyroscope, and magnetometer readings
`ahrs10filter`	Altura y orientación a partir de lecturas MARG y altímetro.
`complementaryFilter`	Estimar la orientación mediante filtro complementario. (desde R2019b)
`ecompass`	Orientación a partir de lecturas de magnetómetro y acelerómetro.
`imufilter`	Orientation from accelerometer and gyroscope readings

Fusionar IMU con datos de GPS

`insfilterMARG`	Estimate pose from MARG and GPS data
`insfilterAsync`	Estimate pose from asynchronous MARG and GPS data
`insfilterErrorState`	Estimate pose from IMU, GPS, and monocular visual odometry (MVO) data
`insfilterNonholonomic`	Estimate pose with nonholonomic constraints
`insfilter`	Crear filtro de navegación inercial

Filtro de fusión de sensor inercial flexible

`insEKF`	Navegación inercial mediante filtro de Kalman extendido (desde R2022a)
`insOptions`	Opciones de configuración del objeto `insEKF` (desde R2022a)
`insAccelerometer`	Lecturas del acelerómetro modelo para la fusión de sensores (desde R2022a)
`insGPS`	Modelo de lecturas de GPS para fusión de sensores. (desde R2022a)
`insGyroscope`	Lecturas de giroscopio modelo para fusión de sensores. (desde R2022a)
`insMagnetometer`	Lecturas del magnetómetro modelo para la fusión de sensores. (desde R2022a)
`insMotionOrientation`	Modelo de movimiento para estimación de orientación 3D. (desde R2022a)
`insMotionPose`	Modelo para estimación de movimiento 3D. (desde R2022a)
`insCreateMotionModelTemplate`	Crear archivo de plantilla para modelo de movimiento (desde R2022b)
`insCreateSensorModelTemplate`	Crear archivo de plantilla para el modelo de sensor (desde R2022b)
`positioning.insMotionModel`	Clase base para definir modelos de movimiento utilizados con `insEKF` (desde R2022a)
`positioning.insSensorModel`	Clase base para definir modelos de sensores utilizados con `insEKF` (desde R2022a)

Ajuste de filtro

`tunerconfig`	Opciones de configuración del ajustador de filtro Fusion (desde R2020b)
`tunerPlotPose`	Trazar estimaciones de pose de filtro durante el ajuste (desde R2021a)

Bloques

AHRS	Orientation from accelerometer, gyroscope, and magnetometer readings (desde R2020a)
Complementary Filter	Estimar la orientación mediante filtro complementario. (desde R2023a)
IMU Filter	Estimar la orientación usando el filtro IMU (desde R2023b)

Temas

Fusión de sensores

Elija filtros de fusión de sensores inerciales
Aplicabilidad y limitaciones de varios filtros de fusión de sensores inerciales.
Estimación de la orientación mediante la fusión de sensores inerciales
Este ejemplo muestra cómo utilizar algoritmos de fusión de 6 y 9 ejes para calcular la orientación.
Orientación de estimación con un filtro complementario y datos IMU
Este ejemplo muestra cómo transmitir datos IMU desde un Arduino y estimar la orientación utilizando un filtro complementario.
Alineación de datos del sensor registrado para estimación de orientación
Este ejemplo muestra cómo alinear y preprocesar los datos del sensor registrados.
Orientación del filtro de paso bajo utilizando Quaternion SLERP
Este ejemplo muestra cómo utilizar la interpolación lineal esférica (SLERP) para crear secuencias de cuaterniones y trayectorias ruidosas de filtro de paso bajo.
Estimación de pose a partir de sensores asíncronos
Este ejemplo muestra cómo se pueden fusionar sensores a diferentes velocidades para estimar la pose.
Ajuste personalizado de filtros Fusion
Utilice la función tune para optimizar los parámetros de ruido de varios filtros de fusión, incluido el objeto ahrsfilter .
Combinar datos del sensor inercial utilizando insEKF-Marco de fusión flexible basado en
El objeto de filtro insEKF proporciona un marco flexible que puede utilizar para fusionar datos de sensores inerciales.
Estimación de la pose de un vehículo submarino autónomo mediante sensores inerciales y registros de velocidad Doppler
Este ejemplo muestra cómo fusionar datos de un GPS, un registro de velocidad Doppler (DVL) y sensores de unidades de medición inercial (IMU) para estimar la pose de un vehículo submarino autónomo (AUV) que se muestra en esta imagen.

Aplicaciones

Representación de audio binaural mediante seguimiento de cabeza
Realice un seguimiento de la orientación de la cabeza fusionando los datos recibidos de una IMU y luego controle la dirección de llegada de una fuente de sonido aplicando funciones de transferencia relacionadas con la cabeza (HRTF).
Estimación de la orientación mediante la fusión del sensor inercial y el MPU-9250
Este ejemplo muestra cómo obtener datos de un sensor IMU InvenSense MPU-9250 y cómo utilizar los algoritmos de fusión de 6 y 9 ejes en los datos del sensor para calcular la orientación del dispositivo.
Wireless Data Streaming and Sensor Fusion Using BNO055
This example shows how to get data from a Bosch BNO055 IMU sensor through an HC-05 Bluetooth® module, and to use the 9-axis AHRS fusion algorithm on the sensor data to compute orientation of the device.

Ejemplos destacados

Fusión IMU y GPS para navegación inercial

Este ejemplo muestra cómo se podría construir un algoritmo de fusión IMU + GPS adecuado para vehículos aéreos no tripulados (UAV) o cuadricópteros.

Abrir script en vivo

Estimar la posición y orientación de un vehículo terrestre

Este ejemplo muestra cómo estimar la posición y orientación de vehículos terrestres fusionando datos de una unidad de medición inercial (IMU) y un receptor del sistema de posicionamiento global (GPS).

Abrir script en vivo

Estimación de la pose del vehículo terrestre para IMU y GNSS estrechamente acoplados

Este ejemplo muestra cómo estimar la posición y orientación de un vehículo terrestre construyendo un filtro Kalman extendido estrechamente acoplado y usándolo para fusionar mediciones de sensores. Un filtro estrechamente acoplado fusiona lecturas de unidades de medición inercial (IMU) con lecturas sin procesar del sistema de navegación global por satélite (GNSS). Por el contrario, un filtro débilmente acoplado fusiona las lecturas de la IMU con las lecturas filtradas del receptor GNSS.

Abrir script en vivo

Estimar la orientación y la altura utilizando IMU, magnetómetro y altímetro

Este ejemplo muestra cómo fusionar datos de un acelerómetro de 3 ejes, un giroscopio de 3 ejes, un magnetómetro de 3 ejes (comúnmente denominados sensores MARG para velocidad magnética, angular y gravedad) y un altímetro de 1 eje para estimar la orientación. y altura.

Abrir script en vivo

Estimar la orientación del teléfono mediante Sensor Fusion

MATLAB Mobile™ informa datos de sensores del acelerómetro, giroscopio y magnetómetro en dispositivos móviles Apple o Android. Se pueden obtener datos sin procesar de cada sensor o datos de orientación fusionados. Este ejemplo muestra cómo comparar los datos de orientación fusionados del teléfono con la estimación de orientación del objeto ahrsfilter .

Abrir script en vivo

Odometría visual-inercial utilizando datos sintéticos

Este ejemplo muestra cómo estimar la pose (posición y orientación) de un vehículo terrestre utilizando una unidad de medición inercial (IMU) y una cámara monocular. En este ejemplo, usted:

Abrir script

Ajuste automático del filtro insfilterAsync

El objeto insfilterAsync es un filtro de Kalman extendido complejo que estima la pose del dispositivo. Sin embargo, ajustar manualmente el filtro o encontrar los valores óptimos para los parámetros de ruido puede ser una tarea desafiante. Este ejemplo ilustra cómo utilizar la función tune para optimizar los parámetros de ruido del filtro.

Abrir script en vivo

Filtro Design Fusion para sensores personalizados

Este ejemplo presenta cómo personalizar los modelos de sensores utilizados con un objeto insEKF .

Abrir script en vivo

Estimación de la orientación mediante mediciones de orientación derivadas del GPS

Este ejemplo muestra cómo definir y utilizar un modelo de sensor personalizado para el objeto insEKF junto con los modelos de sensor integrados. Utilizando un sensor de ángulo de guiñada personalizado, un acelerómetro y un giroscopio, este ejemplo utiliza el objeto insEKF para determinar la orientación de un vehículo. Utiliza la velocidad de un receptor GPS para calcular la orientación del vehículo. Siguiendo un enfoque similar al que se muestra en este ejemplo, puede desarrollar modelos de sensores personalizados para sus propias aplicaciones de fusión de sensores.

Abrir script en vivo

Estimar la orientación utilizando el filtro AHRS y los datos IMU en Simulink

Este ejemplo muestra cómo transmitir datos IMU desde sensores conectados a la placa Arduino® y estimar la orientación utilizando el filtro AHRS y el sensor IMU.

Abrir modelo