智能遥控器中的MEMS惯性传感器数据处理

开篇：润墨网以专业的文秘视角，为您筛选了一篇智能遥控器中的MEMS惯性传感器数据处理范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：阐述了MEMS加速度计/陀螺仪传感器数据的动作检测、偏移量更新、校准、传感器数据融合等处理技术在智能遥控系统中的应用。

关键词：MEMS；加速度计；陀螺仪；分批估计理论；传感器融合

中图分类号：TN919文献标识码：A文章编号：1009-3044(2011)19-4639-02

Data Processing of MEMS motion sensor in Smart Remote System

LI Lei1, LIU Wei-dong1,2

(1.College of Information Science and Engineering, Ocean University of China, Qingdao 266100, China; 2.Hisense Electric Co. Ltd, Qingdao 266071, China)

Abstract: In this paper, it's described that data from MEMS accelerator/gyroscope is processed for motion detection, bias-offset update and compensation, sensor fusion and other methods applied in smart remote system.

Key words: MEMS; accelerator; gyroscope; patch estimation theory ; sensor fusion

MEMS惯性器件[7]具有成本低、体积小、功耗低、抗冲击能力强等优点。鉴于MEMS惯性器件广阔的应用领域和精度的不断提升,对于MEMS惯性传感器的研究已经成为各国研究的热点。MEMS加速度计/陀螺仪已经广泛的应用于各类电子消费品中，如手机、空中鼠标、游戏手柄等。与此同时，智能电视的发展对人机交互终端有着越来越高的需求，我们把MEMS加速度计/陀螺仪应用到遥控系统中，这样普通的遥控器就可以作为空中鼠标或体感手柄来使用。

1 MEMS加速度计/陀螺仪在智能遥控系统中的硬件设计

我们将三轴mems陀螺仪和三轴MEMS加速度计集成到一个传感器小板上，陀螺仪和加速度计之间是通过I2C进行通信的。遥控器端（Remote）的微控制器（MCU）获取陀螺仪和加速度计中的传感器数据，进行数据处理后，将数据按照射频（RF）传输协议传送给主机端的外置接收器（Dongle），外置接收器再对接收到的数据做相应处理，发送给主机端，供上层应用程序使用。

2 MEMS加速度计/陀螺仪数据处理

我们从MEMS加速度计/陀螺仪获取六轴传感器数据，对这些运动数据进行动作检测、偏移量更新、校准、传感器融合等数据处理，然后将处理后的数据传送给外置设备，如运行3D应用程序的第三方操作系统，或者将数据填充到规定的数据包格式中，最终在外置接收器端将数据映射为空中鼠标的X和Y坐标数据，可以实现空中鼠标的功能。数据处理的具体流程如图2所示。

2.1 传感器动作检测

在对传感器数据进行偏移量校准和传感器融合等处理之前，我们需要先判断传感器的运动是否处在工作区域，如果不在，则不对读取到的传感器数据进行下一步处理。

首先，我们将读取到FIFO数据缓存中六轴传感器（三轴MEMS加速度计和三轴MEMS陀螺仪）数据进行数据融合。我们采用的数据融合[2]方法是基于分批估计理论的算法 。

所谓分批估计[3]是指将同一时刻处在不同空间位置的多个传感器的检测数据进行分批处理以求得更优的结果。我们对陀螺仪和加速度计输出的数据分别作如下处理[4]：

以加速度计为例，设其输出数据为x1，x2，… ，xn，将数据分成k批，每一批测量数据可记为xp1,xp2,…,xpm,(p=1,2,…,k)。然后分别计算各批测量数据的算术平均值，记为x1,x2,…,xk则

（1）

相应的标准差记为σ1,σ2,…,σk，则

（2）

由于各批测量数据之间没有任何有关测量的统计信息，因此，在此之前测量结果的方差可认为σ_=∞ ，即(σ_)-1=0。由分批估计理论可知，分批估计后得到的数据融合结果为：

（3）

式中：σ+ ――分批估计数据融合结果的方差；H ――测量方程的系数矩阵；R ――测量噪声的协方差；x- ――上次数据融合结果。

再根据参考文献[3]中的数据融合算法公式4可计算得出融合后的加速度计数据。

（4）

然后，我们将计算得到的数据与设定的工作区阈值范围相比较，判断得出传感器的运动是否在工作区。若小于设定的阈值范围，则判断为“不动作”，反之，则进行下一步传感器偏移量更新、校准等处理。对陀螺仪的动作检测与加速度计采用同样的方法，不再赘述。

2.2 传感器数据偏移量更新及偏移量漂移校准

由于MEMS陀螺仪自身的固有特性、温度及积分过程的影响，它会随着工作时间的延长产生漂移误差，我们需要将这些偏移量从陀螺仪的有效数据中去除。偏移量漂移校准[1]的具体步骤如下：

1）我们读取偏移量数据，建立一个3×3的陀螺仪方向矩阵A；

2）获取旋转偏移向量={α1, α2, α3}；

3）由公式（5）计算得到旋转偏移向量={b1,b2,b3}；

=・A（5）

4）获取前一次的偏移量数据，并将现在计算所得的偏移量与之前的偏移量数据累加求和；

5）最后，将偏移量累加求和所得的数据从陀螺仪的有效数据中减去。

传感器的偏移量是实时更新的，我们不断读取这部分偏移量来对传感器数据进行校正，从而确保数据的准确有效。

2.2 传感器融合

传感器融合是一种将从多个信号源处获取的信号整合到一起的方法。通过传感器融合可以将从不同信号源处获取的信息整合成一个单一的信号或信息。单独的陀螺仪或者加速度计数据不能准确有效的表明方向或姿态。陀螺仪能够提供瞬间的动态角度变化，但是由于其自身的固有特性、温度及积分过程的影响，它会随着工作时间的延长产生漂移误差。加速度计能够提供静态的角度，但是容易受到噪声的干扰，使数据变化较大。为了克服这些问题，我们选用的芯片是利用卡尔曼滤波来对信号进行数据融合的[1,6]。

假设要估算k时刻的实际角度值。首先要根据k-1时刻的角度值来预测k时刻的角度。根据预测得到的k时刻的角度值得到该时刻的高斯噪声的方差，然后卡尔曼滤波器不断的进行方差递归，从而估算出最优的角度值。通过模型与测量的噪声矩阵Q与R，对卡尔曼滤波进行校正。Q与R矩阵[8]的形式如下：

在实际的计算过程中，设定q_inc=0.001；q_gyro=0.0015；r_meas=0.001。

同时卡尔曼增益K会随不同的时刻而改变，以满足在状态估计时对信息加权。并且K的取值与Q/R的比值大小有相同的趋势，即Q/R大，K也大，通过K值的大小，确定对于预测值和测量值的可信度，同时估算k时刻的最优角度偏差。最终得到k时刻的最优角度值。其递推公式如下：

（6）

式中Фk,k-1为转移矩阵，K为卡尔曼增益，Ck为量测矩阵，且初始值0=0|0。

将陀螺仪和加速度计传感器数据融合之后，要按照设定的旋转数据包格式填充到数据包中，如旋转矩阵、四元数矩阵、欧拉角、线性数据、角度数据等。将填充好的数据打包发送后，可在主机端通过外置接收器将相应的数据映射为鼠标的X轴和Y轴坐标数据，从而实现空中鼠标的功能。也可以将处理后的数据直接发送给上层应用程序使用，如游戏应用程序。

3 结论

本文从MEMS加速度计/陀螺仪在智能遥控系统中的硬件设计、传感器数据的算法处理等多方面阐述了MEMS惯性传感器数据在智能遥控系统中的处理和应用。通过反复试验论证，我们的惯性传感器应用于对精度、灵敏度要求较高的3D体感游戏中还存在着测量灵敏度不够高的问题，若要有效的解决这一问题，可以通过增加一个三轴的地磁感应计来实现，即建立一个九轴的惯性传感器系统。在今后的研发工作中，我们将重点解决灵敏度和测量范围等一系列问题。

参考文献：

[1] GAO Fa-qin, TAN Zhan-zhong.The passive BD/INS integrated navigation fuzzy adaptive algorithm[J].Journal of Astronautics,2007,28(5):1190-1194.

[2] 刘同明,夏祖勋,解洪成.数据融合技术及其应用[M].北京：国防工业出版社,1998.

[3] 裴纺霞,王恒辉.基于数据融合的加速度传感器的静态模型识别[J].传感技术学报,2005,18(4):30-31.

[4] 陈希儒.高等数理统计学[M].合肥：中国科学技术出版社,1999.

[5] 徐田来,游文虎,崔平远.基于模糊自适应卡尔曼滤波的INS/GPS组合导航系统算法研究[M].宇航学报2005,12(5):18-19.

[6] 辛智峰,苏中,王晓丹.MEMS陀螺的模糊自适应卡尔曼滤波[J].北京信息科技大学学报,2010(3).

[7] 陆元九.惯性器件（上册）[M].北京：宇航出版社,1993.

[8] 王耀南,邓霞,赵伟.基于权值矩阵的模糊自适应卡尔曼滤波在组合导航中的应用[J].中国惯性技术学报,2008,16(3):334-338.

注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文