このページの内容は最新ではありません。最新版の英語を参照するには、ここをクリックします。
慣性センサー フュージョン
慣性センサー フュージョン アルゴリズムを使用して、経時的に方向と位置を推定します。アルゴリズムは、さまざまなセンサー構成、出力要件、および運動の制約に合わせて最適化されます。複数の慣性センサーからの IMU データを直接融合できます。IMU データと GPS データを融合することもできます。
関数
ブロック
| AHRS | Orientation from accelerometer, gyroscope, and magnetometer readings |
| IMU Filter | Estimate orientation using IMU Filter (R2023b 以降) |
| ecompass | Compute orientation from accelerometer and magnetometer readings (R2024a 以降) |
| Complementary Filter | Estimate orientation using complementary filter (R2023a 以降) |
トピック
- Choose Inertial Sensor Fusion Filters
Applicability and limitations of various inertial sensor fusion filters.
- Fuse Inertial Sensor Data Using insEKF-Based Flexible Fusion Framework
The
insEKFfilter object provides a flexible framework that you can use to fuse inertial sensor data. - Determine Orientation Using Inertial Sensors
Fuse inertial measurement unit (IMU) readings to determine orientation.
- Estimate Orientation Through Inertial Sensor Fusion
This example shows how to use 6-axis and 9-axis fusion algorithms to compute orientation.
- Determine Pose Using Inertial Sensors and GPS
Use Kalman filters to fuse IMU and GPS readings to determine pose.
- Logged Sensor Data Alignment for Orientation Estimation
This example shows how to align and preprocess logged sensor data.
注目の例
慣性ナビゲーションの IMU と GPS フュージョン
この例では、無人航空機 (UAV) またはクワッドコプターに適した IMU と GPS のフュージョン アルゴリズムを作成する方法を示します。
IMU、磁力計、高度計を使用した向きと高度の推定
この例では、3 軸加速度計、3 軸ジャイロスコープ、3 軸磁力計 (一般に MARG センサー (磁気、角速度、重力) と総称)、および 1 軸高度計からのデータを融合して向きと高度を推定する方法を示します。
非同期のセンサーからの姿勢推定
この例では、さまざまなレートでセンサーを融合して姿勢を推定する方法を示します。加速度計、ジャイロスコープ、磁力計、および GPS を使用して、円形のパスに沿って移動するビークルの向きと位置を判別します。Figure ウィンドウのコントロールを使用してセンサーのレートを変え、推定姿勢に対する影響を確認しながらセンサーのドロップアウトを試すことができます。
Detect Multipath GPS Reading Errors Using Residual Filtering in Inertial Sensor Fusion
Use the residualgps object function and residual filtering to detect when new sensor measurements may not be consistent with the current filter state.
Automatic Tuning of the insfilterAsync Filter
The insfilterAsync (Navigation Toolbox) object is a complex extended Kalman filter that estimates the device pose. However, manually tuning the filter or finding the optimal values for the noise parameters can be a challenging task. This example illustrates how to use the tune (Navigation Toolbox) function to optimize the filter noise parameters.
Custom Tuning of Fusion Filters
Use the tune function to optimize the noise parameters of several fusion filters, including the ahrsfilter object. This example shows how to customize a cost function for various optimization goals.
Simulink を使用した IMU センサー フュージョン
この例では、Simulink® を使用して IMU センサー データを生成および融合する方法を説明します。加速度計、ジャイロスコープ、および磁力計の動作を正確にモデル化し、それらの出力を融合して向きを計算できます。
Design Fusion Filter for Custom Sensors
Introduces how to customize sensor models used with an insEKF object.
Estimate Orientation Using GPS-Derived Yaw Measurements
Define and use a custom sensor model for the insEKF object along with built-in sensor models. Using a custom yaw angle sensor, an accelerometer, and a gyroscope, this example uses the insEKF object to determine the orientation of a vehicle. You use the velocity from a GPS receiver to compute the yaw of the vehicle. Following a similar approach as shown in this example, you can develop custom sensor models for your own sensor fusion applications.
Ground Vehicle Pose Estimation for Tightly Coupled IMU and GNSS
Estimate the position and orientation of a ground vehicle by building a tightly coupled extended Kalman filter and using it to fuse sensor measurements. A tightly coupled filter fuses inertial measurement unit (IMU) readings with raw global navigation satellite system (GNSS) readings. In contrast, a loosely coupled filter fuses IMU readings with filtered GNSS receiver readings.
