タグ付けされた質問 「gyroscope」

ジャイロスコープから入力を取得し、これを使用して2つの独立した車輪を制御し、そのようなバランスの取れたロボットを確実に直立させて使用できる、優れた人気のある信頼できるアルゴリズムはありますか？私はそれを使ってロボットを動かしたり、静止しているときに直立させたりできるアルゴリズムを探しています。傾斜とそれを微調整する人々に対処する能力もボーナスになりますが、必須ではありません。

25 control  gyroscope  balance  two-wheeled 

私たちの研究室には、いくつかの「カート」タイプのロボット（パイオニア、6輪、差動駆動のサイズ）があります。内蔵のジャイロスコープは今では本当に時代遅れです。主な問題は、ジャイロスコープが大きくドリフトするということです。これは、ジャイロが熱くなるにつれて増加します（誤差は最大3°/ sです）。主にIMU（慣性測定ユニット）を使用して初期姿勢推定値を取得しますが、これは後にローカリゼーションアルゴリズムによって修正されますが、それでも、IMUによって引き起こされる大きな初期姿勢誤差は煩わしいことがよくあります。 IMUの代替として一時的にAndroidスマートフォン（Galaxy S2）を使用しましたが、古いIMUと比較して結果は非常に優れています。ただし、IMUと制御コンピューター（ROS / Ubuntuを実行しているラップトップ）の間のWiFi接続に依存するのは好きではないので、新しいIMUを購入したいと考えています。 どのIMUを選択する必要がありますか？私たちのアプリケーションで考慮すべき重要な基準は何ですか？

16 ros  imu  odometry  gyroscope  ugv 

バックグラウンド： ロボットの進行方向を推定する単純なカルマンフィルターを実装しています。ロボットにはコンパスとジャイロスコープが搭載されています。 私の理解： 私は、2次元ベクトルとしての私の状態を表す考えていますところ、xは現在の進行方向であると ˙ Xジャイロスコープによって報告された回転速度です。(x,x˙)(x,x˙)(x, \dot{x})xxxx˙x˙\dot{x} 質問： 私の理解が正しければ、私のフィルターには制御項はありません。本当ですか？状態を1Dベクトル（x ）とするとどうなりますか？その後、私が行う˙ xは制御項となり、U？これら2つの方法で異なる結果が得られますか？uuu(x)(x)(x)x˙x˙\dot{x}uuu ご存知のように、主なノイズ源はコンパスが歪んだ磁場内にあるときにコンパスから発生します。ここでは、ガウスノイズはそれほど重要ではないと思います。しかし、磁気歪みは完全に予測不可能です。カルマンフィルターでどのようにモデル化しますか？ カルマンフィルターでは、「すべてのノイズが白い」という仮定が必要ですか？たとえば、実際のノイズ分布がラプラシアン分布である場合でも、カルマンフィルターを使用できますか？または、拡張カルマンフィルターなどの別のフィルターに切り替える必要がありますか？

9 localization  kalman-filter  gyroscope  compass 

フルオートパイロットシステムの前身として、基本的な飛行機の飛行安定化システムに取り組んでいます。回収されたWiiモーションプラスとヌンチャクを使用して6DOF IMUを作成しています。最初の目標は、翼を水平に保ち、ユーザーのコマンドを混ぜることです。ピッチとロールを検出し、エルロンとエレベーターを調整して補正するために、ジャイロは必要なく、3（2？）軸の加速度計だけが必要だと私は言っていますか？ 次に、設計目標を「翼の高さを保つ」から「直線で飛行する」まで広げると（明らかに、風と乱気流が与えられた場合、2つの異なることが起こります）、GPSガイダンスなしで達成できる限り、ジャイロが必要になります。 ？ 私はジャイロ値を統合して、そこからロール、ピッチ、ヨーを取得しようとしましたが、（この質問で証明されているように）私はコードでより単純な数学を好むトピックに関する私の知識のレベルにいます。助けてくれてありがとう！

9 uav  accelerometer  imu  gyroscope 

現在、IMU（ジャイロスコープ+加速度計）を使用して現在の傾斜角を推定する自己平衡型ロボットについて読んでいます。 私が見つけたほとんどの文書は同じことを言っています： 加速度計データは「慣性ノイズ」の影響を受けるため、加速度計データのアークタンジェントを使用して重力方向を見つけることはできません。 ジャイロスコープの出力はドリフトするため、経時的に積分することはできません。 これらのデータをマージするには、一般的に受け入れられている2つのソリューションがあります。 現在のジャイロスコープバイアスと共に現在の傾きを推定するカルマンフィルター。 相補フィルタ加速度計データにローパスフィルタを適用すること（これらは長期的に信頼することができる）、及びジャイロスコープデータに対してハイパスフィルタ（それは短期的に信頼することができます）。 私が見つけたすべての情報源は、これらのフィルターで加速度計からの生データを使用しているようですが、自己平衡型ロボットでは、上記の「慣性ノイズ」の非常に良い推定値を得ることができます。 ここが私のです 可動支点を備えた倒立振子でロボットをモデル化し、この貧弱な図面を参照として使用してみましょう。 Cの加速度計が感じる慣性力は、（間違いがなければ）から導出でき (cr¨cΘ¨)=(−x¨sin(Θ)−RΘ˙2−x¨cos(Θ)+RΘ¨)(cr¨cΘ¨)=(−x¨sin⁡(Θ)−RΘ˙2−x¨cos⁡(Θ)+RΘ¨) \begin{pmatrix} \ddot{c_r} \\ \ddot{c_\Theta} \end{pmatrix} = \begin{pmatrix} -\ddot{x}\sin(\Theta)-R\dot{\Theta}^2 \\ -\ddot{x}\cos(\Theta)+R\ddot{\Theta} \end{pmatrix} 仮定して 私たちのロボットは滑ることなく転がっています xを測定できます（エンコーダー付きのステッピングモーターまたはDCモーターを使用） 次に、これらすべての変数の適切な見積もりを得ることができます。 x¨^kx¨^k\hat{\ddot{x}}_k：現在および以前の測定値との差分xxx Θ˙^kΘ˙^k\hat{\dot{\Theta}}_k：現在のジャイロスコープの読み取り Θ^kΘ^k\hat{\Theta}_k：前の推定プラスの統合及び人以上ΘΘ\ThetaΘ˙^kΘ˙^k\hat{\dot{\Theta}}_kΘ˙^k−1Θ˙^k−1\hat{\dot{\Theta}}_{k-1}ΔtΔt\Delta t Θ¨^kΘ¨^k\hat{\ddot{\Theta}}_k：および有限の違いΘ˙^kΘ˙^k\hat{\dot{\Theta}}_kΘ˙^k−1Θ˙^k−1\hat{\dot{\Theta}}_{k-1} それが得られたら、加速度計の慣性力の影響を打ち消すことができ、重力の非常に優れた測定値のみが残ります。 上記の1.のように、これを通常のカルマンフィルターの入力として使用することは、おそらく良い考えです。 たぶん、これらすべての変数を一度に推定できるカルマンフィルターを構築することさえできますか？やってみます。 どう思いますか？ここで何か不足していますか？ セルフバランシングロボットは良いタグになると思いますが、作成できません

9 accelerometer  gyroscope  balance