====== Dostęp do sensorów ======

===== Sensor Manager =====

Do **wybranego** projektu: 
Przeanalizuj w jaki sposób realizowany jest dostęp do sensorów i ich przekształcenie w odpowiedni dla obrotu ekranu układ współrzędnych.

==== Mindroid ====
Sklonuj projekt: [[https://github.com/sbobek/mindroid|Mindroid.]]
Zbuduj 4-kołowego robota, przeczytaj tutorial dot tego jak sterować robotem za pomocą ruchów telefonu.
Przetestuj działanie aplikacji i wykonując kolejne ćwiczenia dotyczące filtrowania danych, spróbuj polepszyć działanie aplikacji, tak by szybciej reagowała na zmiany.

==== Kompas ====

{{:pl:dydaktyka:aml:compas.png?200 |}}
Pobierz aplikację kompas, z repozytorium [[https://sbobek@bitbucket.org/sbobek/aml_compas|Bitbucket]] i przetestuj jej działanie.

**Uwaga** Pobierz tylko wersje tagowaną jako **RAW**, filtrowanie będzie realizowane podczas tego ćwiczenia.




===== Filtrowanie danych =====

Dla danych pobieranych z sensorów urządzenia zaimplementuj filtr Kalmana.
Poszczególne parametry tego filtra powinny być aktualizowane zgodnie z formułami podanymi poniżej:
<code>
x = x
p = p + q;

k = p / (p + r);
x = x + k * (measurement – x);
p = (1 – k) * p;
</code>

Gdzie:
  * x - filtrowana dana
  * p - szacowany błąd
  * k - wzmocnienie Kalmana (tzw. //Kalman Gain//)
  * r - szum pomiaru
  * q - szum przetwarzania

Wartości, które należy dobrać, w celu modyfikowania działania filtru to: **q, r** oraz **k**. Wartość **p** nie jest specjalnie istotna, ponieważ jej wartość jest dynamicznie ustalana w procesie filtrowania.

Poeksperymentuj z różnymi wartościami i zaobserwuj wyniki. Dla jakich wartości otrzymujesz najlepsze rezultaty?

**Uwaga** Dla ułatwienia, poniżej kod filtru kalmana w C:
<code c>
typedef struct {
  double q; //process noise covariance
  double r; //measurement noise covariance
  double x; //value
  double p; //estimation error covariance
  double k; //kalman gain
} kalman_state;

kalman_state
kalman_init(double q, double r, double p, double intial_value)
{
  kalman_state result;
  result.q = q;
  result.r = r;
  result.p = p;
  result.x = intial_value;

  return result;
}

void
kalman_update(kalman_state* state, double measurement)
{
  //prediction update
  //omit x = x
  state->p = state->p + state->q;

  //measurement update
  state->k = state->p / (state->p + state->r);
  state->x = state->x + state->k * (measurement - state->x);
  state->p = (1 - state->k) * state->p;
}
</code>

Przykładowe wyjście dla kodu z przykładu powyżej:

{{:pl:dydaktyka:aml:kalman-test.png?500|}}

//Kod żródłowy, oraz wykresy pochodzą ze strony// [[http://interactive-matter.eu/blog/2009/12/18/filtering-sensor-data-with-a-kalman-filter/|Interactive Matter Lab]]

==== Gotowe do użycia zestawy filtrów  ====
Fajne repozytorium: https://github.com/berndporr/iirj


===== Zapis danych do analizy =====
Zacznij pracować nad zapisem danych z **akcelerometru** do bazy danych SQLite, odpowiednio modyfikując klasy z [[.:lab3#baza_danych|Lab 4]].