如何校準Android加速度計並減少噪音，消除重力

Question

因此，我一直在努力解決這個問題一段時間，並沒有任何運氣挖掘互聯網和相關SO帖子的智慧。

我正在編寫一個使用無處不在的加速度計的Android應用程序，但即使在休息時，我似乎也得到了令人難以置信的「噪音」量，似乎無法弄清楚如何處理它作爲我的讀數需要相對準確。我認爲，也許我的手機（宏達不可思議）功能失常，但傳感器似乎與我玩​​過的其他遊戲和應用程序運行良好。

我試過使用各種「過濾器」，但我似乎無法將我的思想包裹在它們周圍。我知道重力必須以某種方式處理，也許這就是我出錯的地方。目前，我已經試過了，改編自SO answer，這是指從iPhone SDK的例子：

   accel[0] = event.values[0] * kFilteringFactor + accel[0] * (1.0f - kFilteringFactor); 
       accel[1] = event.values[1] * kFilteringFactor + accel[1] * (1.0f - kFilteringFactor); 


       double x = event.values[0] - accel[0]; 
       double y = event.values[1] - accel[1]; 

海報上寫着的kFilteringFactor值「一起玩」（kFilteringFactor = 0.1F中的例子），直到滿意爲止。不幸的是，我似乎還是聽到了很多噪音，而這一切似乎只是讓讀數以小數字形式出現，這對我來說並沒有多大幫助，而且似乎只是讓傳感器不那麼敏感。我的大腦的數學中心也因多年的忽視而萎縮，所以我不完全理解這個過濾器是如何工作的。

有人可以向我詳細解釋一下如何從加速度計讀取有用的？一個簡潔的教程將是一個難以置信的幫助，因爲我沒有找到一個很好的（至少針對我的知識水平）。我感到沮喪，因爲我覺得所有這些對我來說應該更加明顯。任何幫助或方向將不勝感激，當然，如果需要，我可以從我的代碼中提供更多樣本。

我希望我不是要求太多吃飽;除非我一直試圖弄清楚我們的情況，否則我不會問。它看起來似乎還有其他SO成員的興趣。

Answer 1

要從加速度計中獲得正確的讀數，您需要使用方程速度= SQRT（x * x + y * y + z * z）。使用這個，當手機靜止時，速度將是重力 - 9.8m/s。所以，如果你減去（SensorManager.GRAVITY_EARTH），那麼當手機靜止時，你將有0 m/s的讀數。至於噪音，即使在我的手機處於靜止狀態時，Blrfl對於便宜的加速度計也許是正確的，但它每秒會持續閃爍幾分之一米。你可以設置一個小的閾值，例如0.4m/s，如果速度沒有超過這個值，那麼它就處於靜止狀態。

Answer 2

部分答案：

精度。如果您正在尋找高精度，您在手機中找到的便宜加速度計不會切斷芥末。作爲比較，適用於工業或科學用途的三軸傳感器僅用於傳感器價格1,500美元以上;增加硬件來驅動它，並將其讀數變成計算機可以使用的價格的兩倍。手機中的傳感器數量遠低於5美元。

噪音。便宜的傳感器是不準確的，而不準確性會導致噪音。不移動的不精確傳感器不總是顯示零點，它會在某個範圍內顯示任一側的值。關於你能做的最好的事情就是在靜止的時候對傳感器進行特性分析，以獲得一些想法，並根據預期誤差將測量結果轉化爲不太精確的尺度。 （換句話說，如果它的誤差在±x m/s^2之內，可以肯定地說傳感器沒有移動，但是你不能確切地確定，因爲它可能運動非常緩慢）。在每臺設備上都要這樣做，因爲它們並不都使用相同的加速計，而且它們的行爲都不相同。我想這是iPhone的一個優勢：硬件非常齊全。

重力。在SensorEvent documentation中有一些討論關於加速度計說的重力因素。你會注意到它與你發佈的代碼有很多相似之處，除了它更清楚它正在做什麼。:-)

HTH。

Answer 3

你如何處理抖動？你平滑數據。不是將傳感器的值序列看作是您的值，而是將它們平均計算，並且形成的新序列成爲您使用的值。這使每個抖動值更接近移動平均值。平均值必然會消除相鄰值的快速變化。這也是爲什麼人們使用術語低（頻率）通過濾波的原因，因爲現在每個樣本（或單位時間）原來可能變化很大的數據現在變化更慢。

例如，您可以用許多方式對這些值進行平均，而不是使用值10 6 7 11 7 10。例如，我們可以使用下一個原始數據點，根據運行平均值的相等權重（即，您上次處理的數據點的權重）計算下一個值。對於上述數字使用50-50混合，我們得到10,8,7.5,9.25,8.125,9.0675。這個新的序列，我們處理過的數據，將被用來代替噪音數據。當然，我們可以使用不同於50-50的混音。

作爲一個比喻，假設您僅使用視力報告某個人所在的位置。你可以看到更廣闊的風景，但是這個人被霧淹沒了。你會看到引起你注意的身體碎片......左右手，右腳，眼鏡等發出緊張感，但每個值都非常接近真正的質心。如果我們運行某種運行平均，那麼當它在霧中移動時，我們會得到接近目標質量中心的值，並且實際上比我們（傳感器）報告的值更精確多霧路段。

現在看來我們正在失去可能有趣的數據來獲得無聊的曲線。這很有道理。如果我們試圖在霧中重新創建人的準確圖像，首要任務是獲得質量中心的良好平滑近似值。爲此，我們可以添加來自互補傳感器/測量過程的數據。例如，一個不同的人可能接近這個目標。這個人可能會提供非常準確的身體動作描述，但可能在濃霧中，並不知道目標結束的整體情況。這是我們第一次得到的補充位置 - 第二個數據準確無誤地提供了詳細的位置。這兩部分數據將被拼接在一起。我們低通第一組（如你在這裏提出的問題），以獲得一個沒有噪音的一般位置。我們很高興通過第二組數據來獲取詳細信息，而不會對總體位置產生不必要的誤導性貢獻。我們使用高質量的全球數據和高質量的本地數據，每套都以互補的方式進行了優化，並防止破壞另一套（通過2次過濾）。

具體來說，我們會混合陀螺儀數據 - 在「樹木」的局部細節中準確的數據，但在森林中迷路（漂移） - 進入這裏討論的數據（來自加速度計）森林很好但不是樹木。總而言之，我們從傳感器的低通數據中感到不安，但仍然接近「質量中心」。我們將這個基本平滑值與詳細數據精確但漂移的數據相結合，因此第二組高通濾波。當我們處理每組數據以清除不正確的方面時，我們可以得到兩全其美的好處。對於加速度計，我們通過對其測量值運行平均值的一些變化來有效地平滑/低通數據。如果我們正在處理陀螺儀數據，我們會做有效保持細節（接受增量）的數學計算，同時拒絕最終會增長並損壞加速計平滑曲線的累積誤差。怎麼樣？本質上，我們使用實際的陀螺儀值（不是平均值），但是在得出我們的總最終清潔值時，使用少量的樣品（增量值）。使用少量增量可保持總體平均曲線大部分沿着由低通階段（通過平均加速度計數據）跟蹤的相同平均值，其形成每個最終數據點的大部分。