【发布时间】：2013-06-17 05:45:54
【问题描述】：
如何使用卡尔曼滤波器组合加速度计、陀螺仪和磁力计三个传感器值？我们正在使用 arm 和 avr uC。
我已经阅读了有关堆栈溢出的所有问题，并在网上进行了很多搜索，但对于使用卡尔曼滤波器组合值的基本信息，我没有得到满意的结果。
【问题讨论】：
标签： kalman-filter
【发布时间】：2013-06-17 05:45:54
【问题描述】：
不幸的是，没有“程序员的卡尔曼滤波器”之类的东西。不要指望某些公式可以盲目使用，一切都会神奇地起作用。
如果您对卡尔曼滤波器方法一无所知，请在 Google 上搜索（关键字：态度、错误状态、卡尔曼滤波器）：
http://scholar.google.com/scholar?q=attitude+%22error+state%22+kalman+filter
特别是，相对轻读是Indirect Kalman filter for 3D attitude estimation。确保您对其中的数学感到满意并且完全理解它；否则你将无法实现它。 :(
如果你在理解上面的东西时有困难，我强烈推荐
这基本上是一个教程，我无法想象一种更简单的方法来实现传感器融合。当作者开发它以在微控制器上运行时，它可以很好地在微控制器上运行。
只是一个旁注。卡尔曼滤波器之所以如此受欢迎是因为
在某些条件下是最优的和
理论告诉你如何估计你的滤波器参数。
至于过滤器参数，您最终可能会调整它们，因此在我看来后者并不是一个很大的优势。请参阅SIGGRAPH Course Pack 中的5.1 参数估计或调整。
至于最优性，在实际应用中，根据领域的不同，这些条件通常不再成立；卡尔曼滤波器降级为（良好）启发式。
但是，如果您仍然使用启发式算法，为什么不选择一个更容易实现的呢？例如方向余弦矩阵IMU：理论中介绍的那个。
【讨论】：
-
不幸的是，其中一些链接已经过时，即“程序员的卡尔曼滤波器”和“直接余弦矩阵 IMU：理论”。否则很好的参考资料
-
@pionium 感谢您告诉我！我将“直接余弦矩阵 IMU：理论”上传到我的 Google Drive，并分享了一个链接。该链接有望保持稳定。至于“程序员的卡尔曼滤波器”，这是一个很好回答的好问题，但不幸的是它被删除了。如果您有足够的声誉，您仍然可以阅读它，但我删除了该链接，因为很多人无法阅读它。 :-( 无论如何，答案都有所有相关信息，所以不要太担心。感谢您的反馈。
-
太好了，感谢您的更新。非常感激。我会怀着极大的兴趣阅读您的 Theory 文档。亲切的问候
现在，这是一个相当古老的问题，但人们可能会继续寻找这个问题。 目前最好的指南/论文之一是 J. Solá (http://www.iri.upc.edu/people/jsola/JoanSola/objectes/notes/kinematics.pdf) 的“Quaternion kinematics for the error-state KF”
它提供了关于四元数的完整入门知识，以及如何在错误状态卡尔曼滤波器中使用它们，以及易于遵循的嵌入式实现方程。 此外，如果您只是测试算法并希望稍后获得性能（并且拥有 ARM Cortex-M4/M7），您可以使用带有 C++ 的 Eigen 模板库在几个小时内实现。
祝你好运！
【讨论】：