卡爾曼濾波器傳感器融合以進行FALL檢測：加速度計+陀螺儀

Question

我試圖了解傳感器融合的過程，以及卡爾曼濾波的過程。

我的目標是使用加速度計和陀螺儀檢測設備的跌落。

在大多數的文件如這一個 ，它提到如何克服漂移由於陀螺儀和噪聲由於加速度計。 最終，傳感器融合為我們提供了更好的側傾，俯仰和偏航測量，而沒有更好的加速度。

是否有可能通過傳感器融合獲得更好的“加速結果”，然后將其用於“跌倒檢測”？ 僅靠更好的側傾，偏航和俯仰不足以檢測跌倒。

但是，此消息來源建議分別使用Kalman濾波器並使用某些分類算法（例如k-NN算法）或使用監督學習進行聚類來檢測Fall，以平滑加速計（Ax，Ay，Az）和陀螺儀（Gx，Gy，Gz）。

分類部分不是我的問題，這是我應該融合傳感器（3D加速度計和3D陀螺儀）還是分別平滑傳感器以達到檢測跌倒的目的。

Answer 1

我認為您不需要使用KF來檢測跌倒檢測。 使用簡單的加速度計將能夠檢測設備的跌落。 如果將低通濾波器應用於平穩的加速度計，並檢查總加速度是否接近零（在自由落體下，設備以-g（9.8 m / s2）acc加速）超過一定持續時間，則可以檢測為墜落。 上述方法的問題是，如果設備快速旋轉，則加速度將不會接近於零。 對於健壯的解決方案，您可以為此應用程序實現簡單的互補（搜索Mahony）過濾器，而不是KF。

Answer 2

幾個澄清

1. 卡爾曼濾波器通常用於執行位置信息和方向估計的傳感器融合，通常將IMU（加速度和陀螺儀）與一些不漂移的絕對測量值（計算機視覺，GPS）結合起來

2. 輔助濾波器，通常用於通過組合加速度（嘈雜但不漂移）和陀螺儀（准確但漂移）來獲得良好的方向估計。 使用加速和陀螺儀結合，可以得到相當好的定向估計。 您可以使用陀螺儀將方向估計作為主要方向，但使用加速度進行校正。

對於使用IMU進行跌倒檢測的應用，我相信加速度非常重要。 沒有已知的方法可以“校正”加速度讀數，並且考慮這種方法可能是錯誤的方法。 我的建議是將加速度用作系統的輸入之一，收集大量模擬跌倒情況的數據，您可能會驚訝於那里有許多可行的信號。