作者:Charles Pao, CEVA高级市场专员
体感设备在我们身边随处可见，在我们日常使用的一些电子产品中也有。运动传感器装在耳塞里——当我们把耳塞从耳朵里取出来的时候，它能感应到改变歌曲或暂停音乐的声音。它们被用于虚拟现实(VR)和游戏和训练中使用的增强现实(AR)头盔的头部跟踪。运动传感器使游戏遥控器(用于定位)、消费级机器人(用于导航)和你的手机(也用于定位)成为可能。它们的传感由惯性测量单元(imu)提供动力——许多常用的消费电子产品中的传感器，如前面列出的那些。它们的能力通过传感器融合得以释放。在本文中，我们将探讨什么是传感器融合以及它能做什么。
IMU传感器是什么?
在我们讨论传感器融合之前，快速回顾一下惯性测量单元(IMU)似乎很有必要。IMU是一种传感器通常由加速度计和陀螺仪组成，有时还加一个磁力计。通过观察来自这些传感器的数据，设备能够获得其方向和运动状态的更完整的图像。
- 加速度计在一个方向上测量加速度(速度变化)，就像你在车里踩油门时感受到的力。静止时，加速度计测量重力。
- 陀螺仪测量其三个轴的角速度。它在任何给定时刻输出其旋转偏航、俯仰和滚转。
- 磁强计，很简单，测量磁场。只要在一个稳定的磁场中进行适当的校准，它就可以探测到地球磁场的波动。通过这些波动，它找到了地球磁北极的矢量，给了它一个绝对的方向。
然后，传感器的信息被用来保持无人机的平衡，改善家用机器人吸尘器的方向，改变智能手机屏幕的方向，以及其他与运动相关的应用。
imu如何用于传感器融合
现在我们知道了IMU是由什么组成的，它与传感器融合有什么关系，我们为什么要关心它?好吧，传感器本身并没有那么“聪明”。它们生成原始数据。但是这些原始数据必须经过处理和包装才能成为可操作的。
IMU中的传感器类似于专家医生阅读你的病人档案——他们都有自己的观点，他们的专长让他们有别人没有的见解，但这取决于你处理他们的观点来做出最终决定。例如，如果加速度计显示重力从指向下方变成了一个更水平的角度，但陀螺仪显示几乎没有运动，你相信哪个?在这种情况下，陀螺仪应该更值得信任，因为它不受外力的影响。由于陀螺仪告诉我们用户帧没有改变，所以可以肯定地说，设备在不断加速，就像一辆笔直行驶的汽车。
在另一种情况下，如果陀螺仪显示一个较小的、一致的角速度，但加速度计和磁力计显示设备处于静止状态，那么你可能会相信两位“医生”的意见。然后你可以推断有一些陀螺仪偏差给出了错误的输出。
这些例子旨在展示传感器融合对于理解基于其传感器信息融合的最佳输出是多么重要。这可以用来确定准确的运动，方向和航向信息。
探讨的可能性
当与传感器融合软件相结合时，imu不仅可以用于更精确的运动、定位和航向，还可以用于专门的功能。经过深思熟虑的IMU数据融合可以创建一个平滑的XR体验与预测头部跟踪，最大限度地减少延迟的影响。对于无线呈现或电视遥控器，传感器融合可以直接将3D控制器运动转化为直观的屏幕上的2D运动。加速度计和陀螺仪传感器的组合还可以检测复杂的空中形状和手势。在人类导航中，分析来自加速度计和陀螺仪的数据，传感器融合可以估计出某人徒步旅行的方向和距离。
传感器融合并不一定要单独与IMU进行，但它通常是从IMU开始的。在XR空间中，将控制器方向与外部摄像机的线性位置融合，可以创建一个有效的由内向外六自由度系统。对于机器人导航，IMU与光流和车轮编码器数据的融合创造了一个精确而稳健的航迹推算。如果涉及到运动，传感器融合可能会有所帮助。
传感器表征与校准
传感器融合的另一个部分是确保传感器被适当地校准，例如
IMU传感器受其校准的影响较大。传感器表征是在控制条件下从传感器测量的过程。这些测量数据可用于微调传感器对各种温度、操作模式和运动的反应。一旦传感器得到适当的特征，传感器融合可以帮助确保其性能得到优化。
传感器表征过程
为了正确地描述传感器的特性，需要在某种类型的板上放置大量的传感器，从而允许通信改变模式和记录数据。这个板应该放在一个受控的环境中。举个例子，他们可以坐在一个两轴万向节电机上，让它通过所有三个轴的运动。通过将这个精巧的装置放入温度室，我们可以反复变换不同的温度、位置和操作模式。通过了解每个高精度电机如何运动，温度变化，以及运行模式，我们可以获得大量的传感器信息来表征传感器。为了表征磁力计，电路板可以放置在亥姆霍兹线圈产生可控磁场。
为了测试这些传感器在其生命周期内的性能，传感器还可以通过将其暴露在高温和潮湿的极端条件下进行人工老化过程。然后，可以对老化的传感器进行相同的测试，以收集更新的数据。
可以用所有这些综合数据创建传感器模型，从而得到典型(标称)传感器的模型，进而优化其性能。
通过了解传感器的行为，加速度计和陀螺仪中的传感器偏差也可以调整。这些传感器的偏差与传感器在静止时看到的东西有关。如果这听起来很熟悉，那是因为它是IMU/doctor类比部分讨论的第二个想法。调整这些可能看起来像偏移一样简单，但这些偏差可以随着温度的变化而变化，并且对来自同一批次的相同传感器显示出不同的行为。这种偏差误差是显著的，超过了除标度误差之外的大多数其他误差。然而，有了合适的传感器融合算法，这种校准可以动态完成当设备在使用时。
把碎片拼凑在一起
正确使用传感器需要多层理解。需要了解基本传感器如何工作，如何融合来自这些传感器的数据来创建有意义的信息，如何根据应用程序创建专门的功能，以及传感器表征来真正优化性能。这个过程至少可以说是复杂的。
使用一个大而健壮的传感器融合功能库来简化它，可以提供一致、准确的结果。传感器无关传感器处理软件系统具有全面的传感器表征工具，如CEVA的MotionEngine解决方案，可以为无数的电子设备提供传感器智能。结合各种惯性传感器和环境传感器，这种类型的软件可以为广泛的运动应用解锁新的功能，并以更少的时间和精力为终端用户提供尽可能好的体验。
相关资源
Hillcrest Labs MotionEngine
关于作者
Charles Pao毕业于约翰霍普金斯大学电气工程专业，获得理学硕士学位后就职于Hillcrest Labs (CEVA收购)。他开始从事软件开发工作，创建了一个用于评估运动特性的黑匣子系统。目前，他是Hillcrest提供信息和支持的第一个联络人，并管理他们的营销工作。他还担任过各种客户和项目管理职位。他还获得了约翰霍普金斯大学(Johns Hopkins University)的电气工程和计算机工程学士学位。
了下:传感器提示
