卡尔曼滤波器传感器融合以进行FALL检测：加速度计+陀螺仪

Question

我试图了解传感器融合的过程，以及卡尔曼滤波的过程。

我的目标是使用加速度计和陀螺仪检测设备的跌落。

在大多数的文件如这一个 ，它提到如何克服漂移由于陀螺仪和噪声由于加速度计。 最终，传感器融合为我们提供了更好的侧倾，俯仰和偏航测量，而没有更好的加速度。

是否有可能通过传感器融合获得更好的“加速结果”，然后将其用于“跌倒检测”？ 仅靠更好的侧倾，偏航和俯仰不足以检测跌倒。

但是，此消息来源建议分别使用Kalman滤波器并使用某些分类算法（例如k-NN算法）或使用监督学习进行聚类来检测Fall，以平滑加速计（Ax，Ay，Az）和陀螺仪（Gx，Gy，Gz）。

分类部分不是我的问题，这是我应该融合传感器（3D加速度计和3D陀螺仪）还是分别平滑传感器以达到检测跌倒的目的。

Answer 1

我认为您不需要使用KF来检测跌倒检测。 使用简单的加速度计将能够检测设备的跌落。 如果将低通滤波器应用于平稳的加速度计，并检查总加速度是否接近零（在自由落体下，设备以-g（9.8 m / s2）acc加速）超过一定持续时间，则可以检测为坠落。 上述方法的问题是，如果设备快速旋转，则加速度将不会接近于零。 对于健壮的解决方案，您可以为此应用程序实现简单的互补（搜索Mahony）过滤器，而不是KF。

Answer 2

几个澄清

1. 卡尔曼滤波器通常用于执行位置信息和方向估计的传感器融合，通常将IMU（加速度和陀螺仪）与一些不漂移的绝对测量值（计算机视觉，GPS）结合起来

2. 辅助滤波器，通常用于通过组合加速度（嘈杂但不漂移）和陀螺仪（准确但漂移）来获得良好的方向估计。 使用加速和陀螺仪结合，可以得到相当好的定向估计。 您可以使用陀螺仪将方向估计作为主要方向，但使用加速度进行校正。

对于使用IMU进行跌倒检测的应用，我相信加速度非常重要。 没有已知的方法可以“校正”加速度读数，并且考虑这种方法可能是错误的方法。 我的建议是将加速度用作系统的输入之一，收集大量模拟跌倒情况的数据，您可能会惊讶于那里有许多可行的信号。