运动传感设备无处不在，在我们日常使用的一些电子产品中。运动传感器位于耳塞中——当我们将它们从耳朵中取出时，注意点击以更改歌曲或暂停音乐。它们用于游戏和培训中使用的虚拟现实(VR)和增强现实(AR)耳机中的头部跟踪。运动传感器支持游戏遥控器（用于定位）、消费级机器人（用于航向）和您的手机（也用于定位）。它们的传感由惯性测量单元(惯性传感器)提供动力——许多常用消费电子产品中的传感器，如前面列出的那些。他们的能力通过传感器融合解锁。在本文中，我们将探讨什么是传感器融合以及它可以做什么。
一、什么是惯性传感器？
在我们进入传感器融合之前，快速回顾一下惯性测量单元(惯性传感器)似乎是相关的。惯性传感器是一种传感器，通常由加速度计和陀螺仪组成，有时还包括磁力计。通过查看来自这些传感器的数据，设备能够更全面地了解其方向和运动状态。
·加速度计测量单个方向的加速度（速度变化），例如您踩到汽车油门时感受到的力。静止时，加速度计测量重力。
·陀螺仪测量围绕其三个轴的角速度。它在任何给定时刻输出其旋转偏航、俯仰和滚动。
·很简单，磁力计测量磁场。通过在稳定的磁场中进行适当的校准，它可以检测到地球磁场的波动。通过这些波动，它找到了指向地球磁北的矢量，并给它一个航向。
然后，传感器的信息用于维持无人机的平衡、改善家用机器人吸尘器的航向、改变智能手机屏幕的方向以及其他与运动相关的应用。
二、惯性传感器如何用于传感器融合
现在我们了解了惯性传感器的组成部分，它与传感器融合有什么关系，我们为什么要关心它？好吧，仅传感器并不那么“智能”。他们生成原始数据。但这些原始数据必须经过处理和打包才能成为可操作的。
惯性传感器中的传感器类似于阅读您的患者档案的专科医生——他们都有自己的意见，并且他们的专长为他们提供其他人没有的洞察力，但您可以处理他们的意见以做出最终决定。例如，如果加速度计表明重力正在从指向下方变为更水平的角度，但陀螺仪显示几乎没有运动，你相信哪个？那么，在这种情况下，陀螺仪应该更受信任，因为它不受外力的影响。由于陀螺仪告诉我们用户框架没有改变，可以肯定地说设备一直在加速，就像汽车直线行驶一样。
在另一种情况下，如果陀螺仪显示小而一致的角速度，但加速度计和磁力计显示设备处于静止状态，那么您可以相信两位同意的“医生”的意见。然后你可以推断出有一些陀螺仪偏差会给出错误的输出。这些示例旨在展示传感器融合对于理解基于传感器信息融合的输出是的。这可用于确定准确的运动、方向和航向信息。
三、探索可能性
与传感器融合软件结合使用时，惯性传感器不仅可用于更准确的运动、方向和航向，还可用于特殊功能。深思熟虑的惯性传感器数据融合可以通过预测性头部跟踪创建流畅的XR体验，从而限度地减少延迟影响。对于无线演示或电视遥控器，传感器融合可以直接将3D控制器运动转换为屏幕上直观的2D运动。加速度计和陀螺仪传感器的组合还可以检测复杂的空中形状和手势。在人类导航中，分析来自加速度计和陀螺仪的数据，传感器融合可以估计某人步行的方向和距离。
传感器融合不必仅通过惯性传感器完成，但通常从惯性传感器开始。在XR空间中，控制器方向与来自外部摄像头的线性位置的融合可以创建一个有效的由内向外的6自由度系统。对于机器人导航，惯性传感器与光流和车轮编码器数据的融合可创建准确且稳健的航位推算。如果涉及运动，传感器融合可能会有所帮助。
四、传感器表征和校准
传感器融合的另一部分是确保传感器得到适当校准，因为惯性传感器受校准影响很大。传感器表征是在受控条件下从传感器进行测量的过程。这些测量可用于微调传感器对各种温度、操作模式和运动的反应方式。一旦传感器被正确表征，传感器融合可以帮助确保其性能得到优化。
五、传感器表征过程
为了正确表征传感器，统计上显着数量的传感器需要放置在某种板上，以允许通信以更改模式和记录数据。然后应将此板放置在受控环境中。例如，他们可以坐在一个两轴万向节电机上，使其能够通过所有三个运动轴。通过将这个装置放在温度室中，我们可以迭代不同温度、位置和操作模式的排列。通过了解每个高精度电机的运动方式、温度变化以及运行的模式，我们可以获得大量传感器信息来表征传感器。为了表征磁力计，可以将板放置在亥姆霍兹线圈中以产生受控磁场。
为了测试这些传感器在其使用寿命内的性能，传感器还可以通过将它们暴露在的高温和潮湿条件下进行人工老化过程。然后，可以使用老化的传感器运行相同的测试以收集更新的数据。可以使用所有这些综合数据创建传感器模型，从而生成典型（标称）传感器的模型，并随后优化其性能。
通过了解传感器的行为方式，还可以调整加速度计和陀螺仪中的传感器偏差。这些传感器偏差与传感器在静止时看到的内容有关。如果这听起来很熟悉，那是因为这是惯性传感器/医生类比部分中讨论的第二个想法。调整这些可能看起来像偏移一样简单，但这些偏差会随温度而变化，并且对于来自同一个批次的同一个传感器会表现出不同的行为。这种偏差误差很大，超过了比例误差之外的大多数其他误差。但是，通过适当的传感器融合算法，可以在设备使用时动态完成校准。
六、把碎片放在一起
正确使用传感器需要多层理解。需要了解基本传感器的工作原理，如何融合来自这些传感器的数据以创建有意义的信息，如何根据应用创建专门的功能，以及传感器表征以真正优化性能。这个过程说起来很复杂至少。使用庞大且强大的传感器融合功能库对其进行简化，可以提供一致、准确的结果。
本文地址： https://www.xsyiq.com/11923.html
网站内容如侵犯了您的权益，请联系我们删除。
