Różnice między wybraną wersją a wersją aktualną.
|
pl:dydaktyka:aml:lab4 [2013/11/09 13:38] esimon [Filtrowanie danych] |
pl:dydaktyka:aml:lab4 [2019/06/27 15:50] |
||
|---|---|---|---|
| Linia 1: | Linia 1: | ||
| - | ====== Dostęp do sensorów ====== | ||
| - | |||
| - | ===== Sensor Manager ===== | ||
| - | |||
| - | Pobierz aplikację kompas, z repozytorium i przetestuj jej działanie. | ||
| - | **Uwaga** Pobierz tylko wersje tagowaną jako RAW, filtrowanie będzie realizowane podczas tego ćwiczenia. | ||
| - | |||
| - | Przeanalizuj w jaki sposób realizowany jest dostęp do sensorów i ich przekształcenie w odpowiedni dla obrotu ekranu układ współrzędnych. | ||
| - | |||
| - | |||
| - | |||
| - | ===== 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: **p,q** oraz **k**. | ||
| - | 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> | ||
| - | |||
| - | |||
| - | |||
| - | |||
| - | ===== Analiza danych ===== | ||
| - | //analiza danych z akcelerometru - pobranie, zapisanie do sqlite, analiza w octave (czestotliwosci maksymalnej i minimalnej, amplituda, srednie przyspieszenie, korelacja trzech osi , srednia - jakie?etc.)// | ||
| - | |||
| - | |||
