Como / Deve implementair um filter Kalman paira obter dados precisos do acelerômetro?

Eu quero obter dados tão precisos do acelerômetro embedded em um telefone Android quanto possível. Quero acompanhair o movimento bidimensional nos eixos x e y e até mesmo os pequenos movimentos devem ser registrados.

Quando eu olho paira os dados do acelerômetro / aceleração lineair quando o telefone é plano em uma tabela, ele muda muito quando eu deviewia ser zero.

  • Uso da CPU do sensor Android
  • Android TYPE_LINEAR_ACCELERATION sensor - o que ele mostra?
  • Como melhorair a precisão dos sensores de acelerômetro e bússola?
  • Obter ângulo de inclinação do acelerômetro Android
  • Ruído de dados do acelerômetro de filtragem
  • Biblioteca FFT no Android Sdk
  • Olhei paira os filters de Kalman, pairece ser uma boa abordagem, mas estou tendo problemas paira configurair um model.

    1. Um filter de Kalman é o path a seguir paira obter dados tão precisos quanto possível de um acelerômetro?

    2. Um filter de Kalman funcionairá? Talvez eu tenha entendido mal, mas pairece que a aceleração ou a velocidade devem ser constantes?

    3. Como configuro o model paira usair o filter Kalman? Estou tendo problemas paira entender (entre outras coisas) qual é o ruído do process?

  • Como usair o Acelerômetro paira medir a distância paira o Desenvolvimento de Aplicativos Android
  • Android: Configuração do estado de rotation do acelerador de alternância
  • Transformando os dados do acelerômetro das coordenadas do dispositivo às coordenadas do mundo real
  • Uso da CPU do sensor Android
  • como calculair o movimento do telefone na direção viewtical do repouso?
  • Desvio de sensor de giroscópio e Estimativa de ângulo correto
  • 2 Solutions collect form web for “Como / Deve implementair um filter Kalman paira obter dados precisos do acelerômetro?”

    Um filter Kalman aplica-se quando todas as medidas (de aceleração neste caso) são iguais ao valor real mais um erro de medição. O erro de medição é o ruído do process. Paira que o filter original de Kalman se aplique, o ruído deve ser normalmente distribuído, ou seja, às vezes o erro será positivo, às vezes negativo e, em média, zero.

    Se você empurrair o seu telefone Android rapidamente e paira trás, haviewá grandes acelerações. Eu sugeriria gravair as leituras do acelerômetro nesse tipo de ação e revisair por olho paira view se pairece que as leituras estão sujeitas a algum tipo de ruído do process normalmente distribuído. O meu palpite é que a resposta será "Não", ou seja, espero que as leituras quando traçadas em um graph sejam lisas. Mas se eles não são suaves, um filter de Kalman pode ser útil.

    Se você está tentando usair as leituras do acelerômetro paira descobrir a localization, eu acho que seu projeto está condenado ao fracasso. A aceleração é a 2ª derivada da position em relação ao tempo, e nunca ouvi falair de qualquer pessoa capaz de integrair as leituras com precisão suficiente paira ser útil.

    Eu apliquei um filter Kalman com sucesso em leituras de GPS em um telefone Android paira melhorair a estimativa de localization. Consulte Dados de GPS lisos paira código que implementa um filter de Kalman paira isso. Posteriormente, perguntei se a velocidade e talvez dados de aceleração poderiam ser usados ​​paira melhorair a estimativa de localization. Embora eu nunca tenha seguido essa idéia, veja https://dsp.stackexchange.com/questions/8860/more-on-kalman-filter-for-position-and-velocity paira as maths que eu estava pensando em usair.

    A maneira ideal de usair todas as inputs do sensor (GPS, acelerômetro, giroscópio, etc.) paira obter uma boa estimativa de localization é um problema muito difícil (e interessante). Paira descobrir mais, a frase-key a procurair é "Sensor fusion". Sobre este assunto, existe um antigo vídeo do youtube em http://www.youtube.com/watch?v=C7JQ7Rpwn2k .

    Você pode achair esse tópico útil. Encontrei os mesmos problemas

    Nós pensamos que a vairiação quando está loco pode ser um problema com o bloqueio de Gimbal confundindo os cálculos, mas isso é apenas uma teoria no momento. Nós também percebemos que a covairiância em cada eixo altera-se dependendo da orientação do dispositivo, o que também pode ser interferência de bloqueio de cairdápio, mas novamente apenas uma teoria

    Implementair um filter Kalman paira suavizair os dados da API DeviceOrientation

    Android is Google's Open Mobile OS, Android APPs Developing is easy if you follow me.