两轮自平衡车姿态检测数据融合优化算法

    朱慧

    

    

    

    摘? 要：为提升两轮自平衡车姿态角检测中的精度，针对陀螺仪和加速度计两类惯性传感器分别存在低频积分漂移误差和高频干扰误差等问题，文章提出了一种结合交叉补偿、互补滤波和加权平均的数据融合优化算法。首先对两类惯性传感器的输出数据进行互补滤波处理，接着对滤波后的数据进行加权平均运算，最后根据测量误差交叉补偿校正。实验结果表明文章所提出的姿态角检测算法有效，相对单一传感器或常规互补滤波数据融合算法的姿态角检测更可靠，精度更高。

    关键词：姿态检测;互补滤波;数据融合;平衡车

    中国分类号：TP291 文献标志码：A? ? ? ? ?文章编号：2095-2945（2020）21-0014-03

    Abstract： In order to improve the attitude angle measurement of a precision of two-wheeled self-balanced vehicle， a data fusion optimization algorithm is proposed based on weightedmean， cross compensation and complementary filter algorithm for the low frequency drift error of the gyroscope and the high frequency disturbance error of the accelerometer. Firstly， the output filter of the sensor is processed; secondly the weighting operation is carried out; and lastly， a cross compensation correction is proposed based on the measurement error. The experimental results show that data fusion algorithm in the article is effective and more reliable than single sensor or conventional complementary filter data fusion algorithm. The algorithm can enhance the precision of the self-balanced vehicle attitude angle measurement.

    Keywords： attitude measurement; complementary filter; data fusion; self-balanced vehicle

    1 概述

    兩轮自平衡电动车是一种只有两个车轮，由锂离子电池等电池供电，两车轮电机通过协同控制，可实现自我平衡的运载工具。这种工具由于结构简单、体积小、速度适宜，所以它可以实现小半径转弯、低功耗运行、运行时噪音小等状态运行[1-4]。这种运载工具在步行街、广场、大型会场、机场等场合可解决汽车、摩托车、自行车等交通工具可能导致的交通拥堵、环境污染、不宜便捷转弯掉头等各种问题，成为在特定场合中便捷、小型、节能、环保的一种时尚代步工具，具有广泛的应用前景[3-5]。

    两轮自平衡电动车是一个复杂的非线性、欠驱动、强耦合及自然不稳定系统[7]。其以车体重心纵轴作为参考线，根据车身角度姿态信息，控制电机动作，使车身重心与两车轮保持在同一轴线，实现车体的自我动态平衡[8]。车体姿态角检测结果是保证平衡车控制性能的先决条件。目前两轮自平衡车姿态角参数的测量是通过加速计和陀螺仪等惯性传感器获取。加速度计静态特性较好，但动态性能差。陀螺仪具有较好的动态性能，但其角度检测过程积分运算导致传感器漂移误差积累[9-11]。由于单类惯性传感器在检测姿态角度时都存在以上各自的缺点，导致采用单类惯性传感器检测角度误差太大，因此，目前针对平衡车姿态角度的测量通常同时采用加速计和陀螺仪两类惯性传感器并结合数据融合的算法进行角度估计以获得最优姿态角度[9-17]。针对两类传感器输出信息的特点，研究有效去除传感器数据干扰的数据融合算法也已成为自平衡车研究的关键问题。

    文献[12-14]都是采用卡尔曼滤波最优估计算法对两类传感器数据进行融合，但是由于卡尔曼滤波最优估计算法系统状态方程及先验条件导致设计过程较复杂。文献[9-10]考虑到陀螺仪主要含有低频干扰、加速度计主要含有高频干扰等特点，研究了基于互补滤波的数据融合算法，通过高通和低通两个互补滤波器滤除各自干扰，以提升角度估计精度。互补滤波算法从频率域出发消除惯性传感器干扰，不必构建系统动态数学模型及先验条件，所以相对于卡尔曼滤波等最优估计算法更简洁易实现。本文在文献[10-11]的基础上，结合加权平均及互补滤波器算法和交叉补偿的优点，提出了一种改进的数据融合算法，提高平衡车姿态角度估计精度。

    2 数据融合算法

    两轮自平衡车的自平衡控制需要采用传感器采集车体姿态角度等运行状态，以便控制器通过运行状态对两轮电机进行自平衡控制。车体运行角度可以通过陀螺仪ADIS16100和加速度计MMA7260进行检测。陀螺仪输出的角速度，其对时间的积分为角度值，实际设计过程中通过每个采样周期累加方法替代积分运算[12]。

    3 实验分析

    基于Matlab平台进行相关实验，对实验数据进行分析处理。为说明两类惯性传感器角度测量的特点，分别独立采集陀螺仪和加速度计在静态和动态情况下的角度值，如图2所示。图中x1、x2曲线为陀螺仪和加速度仪在静态下获取的角度值，x3、x4为陀螺仪和加速度计在动态下获取的角度值。由图2可知无论是在静态还是在动态运行状态，两个传感器的输出都存在误差。陀螺仪存在低频积分误差且随着积分时间增加而增大;加速度计存在高频干扰且误差较大。图2实验结果也说明，单独采用一类惯性传感器进行角度测量难以获得准确的车体姿态角。为了验证数据融合算法角度测量的有效性，在静态和动态下对本文所提出的算法进行验证。图3和图4分别为静态和动态下加权互补滤波融合算法角度测量效果。由图可知，不管是在静态还是动态，本文所提出的算法能有效滤除加速度计高频毛刺干扰误差和陀螺仪低频积分累积误差，数据融合后的角度值较平滑且误差较小。为更一步比较加权互补滤波与常规直接互补滤波数据融合算法角度测量效果，在两轮自平衡车姿态角突变状况下对直接互补算法和本文提出的最优加权互补算法测量姿态角度效果进行比较，如图5所示。由图5可知，与传统直接互补滤波数据融合算法相比，本文提出的算法在响应速度、稳定性和超调量等性能上都比较好。

    4 结论

    本文在分析两轮自平衡车姿态角测量方法及所用惯性传感器优缺点基础上，阐述基于数据融合算法的平衡车姿态角度测量方法的可行性与有效性。文章提出了两轮自平衡车姿态角最优加权和互补滤波相结合的复合算法。针对实际数据，通过Matlab平台对该数据融合算法分析验证。文章所提出的数据融合算法可有效地减小陀螺仪低频积分漂移误差和加速度计高频干扰误差，使得平衡车姿态角度估计值精度更高，为平衡车控制性能的提升提供依据。

    参考文献：

    [1]黄健，吕林涛.两轮自平衡车控制系统设计[J].传感器与微系统，2020，39（01）：95-97+101.

    [2]王亮，沈俊杰.基于两轮自平衡车的姿态数据处理[J].工业控制计算机，2018，31（11）：11-13.

    [3]王文，邓三鹏，张香玲，等.基于姿态检测的两轮自平衡车控制方法研究[J].装备制造技术，2019（10）：18-22.

    [4]余庆辉，蔡志端，张文莉，等.数据融合的两轮自平衡车姿态角度检测[J].湖州师范学院学报，2016，38（04）：61-64.

    [5]蔡志端，余庆辉，张文莉，等.基于滑模变结构算法的两轮自平衡电动车控制[J].电机与控制应用，2016，43（05）：28-32.

    [6]Lin Shui-chun， Tai Ching-chi， Huang Shu-chi. Development of self-balancing human transporta-tion vehicle for the teaching of feedback control [J].IEEE Transactions on Education， 2009，26 （2）：41-52.

    [7]Xu Jian-xin， Guo Zhao-qin， LEE T H. Design and implementation of a takagi-sugeno type fuzzy logic controller on a two-wheeled mobile robot[J]. IEEE Transaction on Industrial Electronics，2013，60（12）：5717-5728.

    [8]梁文宇，周惠興，曹荣敏，等.双轮载人自平衡控制系统研究综述[J].控制工程，2010，17（1）：139-144.

    [9]Lin Shui-chun， Tai Ching-chi，Huang Shu-chi. Adaptive robust self-balancing and steering of a two wheeled human transportation vehicle[J]. Intel Robot System，2011，27（2）：103-123.

    [10]傅忠云，朱海霞，孙金秋，等.两轮载人自平衡车姿态测量单元设计[J].科学技术与工程，2015，15（15）：66-71.

    [11]张吉昌，程凯，郑荣儿.单轴双轮自平衡车姿态检测方案设计[J].中国海洋大学学报，2009，39（9）：467-470.

    [12]杨凌霄，李晓阳.基于卡尔曼滤波的两轮自平衡车姿态检测方法[J].计算机仿真，2014，31（6）：406-409.

    [13]姜香菊，刘二林.两轮自平衡机器人角度检测数据融合算法[J].计算机工程与应用，2013，49（08）：203-205.

    [14]叶锃峰，冯恩信.基于四元数和卡尔曼滤波的两轮车姿态稳定方法[J].传感器技术学报，2012，25（4）：524-528.

    [15]魏文，段晨东，高精隆，等.基于数据融合的两轮自平衡小车控制系统设计[J].电子技术应用，2013，39（05）：79-81.

    [16]傅忠云，陈秋阳，刘文波.基于直接转矩控制的两轮自平衡车系统设计[J].压电与声光，2014，36（6）：967-971.

    [17]郜园园，阮晓钢，宁洪军，等.两轮自平衡机器人惯性传感器滤波问题的研究[J].传感器学报，2010，23（5）：696-700.