【RT-Thread作品秀】基于RT-Thread的姿态解算控制平台设计

作者：黄国盛

概述 

是一个姿态解算算法验证平台以及控制算法验证平台

实现步骤：

使用CubeMax HAL库开发；

使用Python project_generator生成工程；

精简 RTT Master内核并加入C++支持；

配置调试接口；

构建C/C++混合编程框架；

硬件IIC驱动GY-86传感器驱动；

MATLAB设计IIR Butterworth四阶低通滤波器；

传感器校准；

Mahony互补滤波算法 实现姿态解算；

加入mavlink/私有协议、UDP/USB上传数据到PC；

通过MATLAB/STM32验证和比较各种算法；

搭建单轴单桨一维角度控制平台；

……

开发环境 

硬件：

碳纤管碳纤桨电机座、电机电调电源、ART_Pi、GY86、按键模块、硅胶线……

RT-Thread版本：

Master 4.0.3

开发工具及版本：

STM32CubeMX 6.0.1、IARforARM8.32.1、BeyondCompare4、MATLAB R2019b、VSCode、SmartGit20.1.5、匿名飞控地面站-0512……

RT-Thread使用情况概述

Pin、serial、cplusplus、time、finsh

硬件框架

ART_Pi、GY86、按键模块、电调……

软件框架说明

C/C++混合编程，进程和Loop Schedule结合

软件模块说明

核心部分：关于GY86的驱动以及姿态解算的Mahony

演示效果

演示视频：

比赛感悟

 4/11/2020 Will_Watson

关于AHRS，卡尔曼滤波或互补滤波理解起来 简单但实施难度较大因为很多参数有待测定；

发现各开源项目用的最多的是Mahony算法，关于它的PI部分的本质着实难以理解；

当发现BP神经网络逼近好像可以和卡尔曼滤波一样，就当成滤波器，而且它还可以是一个逼近式的滤波器，免不了一番测试比较；

而后查看Madgwick原文中提到“梯度下降法”，瞬间明白了它的根源和本质；

当学习BP神经网络逼近的时候的思考流程如下：

逼近的需求来源是什么？  可能是为了预测系统下一个输出,为了做前馈控制？  预测 ——> 观测器 ——> 逼近式滤波器？？？

神经逼近网络 的特性有哪些？ 不具有长时记忆，短时记忆即可以说只具有最近时刻 原系统的逼近特性；

尝试检测滤波特性，从这个角度理解 逼近网络 也是一个不断修正的预估观测器 或者说 卡尔曼滤波器

从执行流程/滤波效果上 分析一维卡尔曼滤波 和 NNI-BP逼近一维非线性系统的 区别：

卡尔曼滤波流程： 先验估计值——>先验估计方差——>依据各方差融合传感器数据做后验估计——>更新后验估计方差；

NNI-BP逼近流程： 由网络前状态和新输入直接计算输出——>与原系统输出比较修正网络状态（是为了下一次直接获得预估输出）；

注：把原系统输出当成需滤波数据；把神经网络输出当成滤波后数据

卡尔曼滤波没有阶数的概念，而NNI-BP逼近的滤波特性具有一定延迟

卡尔曼滤波器的主要 控制参数（基于现实过程噪声和观测噪声）不可控，转移矩阵协方差矩阵需测得；

NNI-BP逼近 的主要 控制参数（学习速率和动量因子）可控 即滤波效果可调节，逼近系统特性；

 也有一部分 “内闭环软拟硬输入输出”思想

当然算法的表现依然可以看起来就是加减乘除那么简单，双重卡尔曼看起来和做起来 可能没那么友好；