用于跌倒检测的卡尔曼滤波器传感器融合：加速度计 + 陀螺仪
Kalman filter sensor fusion for FALL detection: Accelerometer + Gyroscope
我正在尝试了解传感器融合的过程以及卡尔曼滤波。
我的目标是使用加速度计和陀螺仪检测设备的跌落。
在this one等大部分论文中，都提到了如何克服陀螺仪引起的漂移和噪音到加速度计。最终，传感器融合为我们提供了更好的滚动、俯仰和偏航测量，而不是更好的加速度。
是否有可能通过传感器融合获得更好的 'acceleration results'，然后将其用于 'Fall detection'？ 因为只有更好的 Roll、Yaw 和 Pitch不足以检测跌倒。
然而，这个 source 建议单独使用卡尔曼滤波器平滑加速度计（Ax、Ay、Az）和陀螺仪（Gx、Gy、Gz），并使用一些分类算法，例如 k-NN 算法或聚类来使用监督学习检测跌倒。
分类部分不是我的问题，问题是我是否应该融合传感器（3D 加速度计和 3D 陀螺仪）或单独平滑传感器，以检测跌倒。
我认为您不需要使用 KF 来检测跌倒检测。使用简单的加速度计就能检测到设备的跌落。如果您将低通滤波器应用于平滑加速度计并检查总加速度是否接近于零（在自由落体设备中使用 -g (9.8 m/s2) acc）超过特定持续时间，您可以检测为跌倒。
上述方法的问题是，如果设备旋转得很快，那么加速度就不会接近于零。对于稳健的解决方案，您可以为此应用程序实施简单的互补（搜索 Mahony）过滤器而不是 KF。
几点说明
Kalman Filter通常是为了进行位置和方向估计的传感器融合，通常将IMU（加速度计和陀螺仪）与一些无漂移的绝对测量（计算机视觉，GPS）结合起来
互补滤波器，通常用于通过结合加速器（嘈杂但不漂移）和陀螺仪（准确但漂移）来进行良好的方向估计。使用加速器并结合陀螺仪，可以进行相当不错的方向估计。您可以将方向估计视为主要使用陀螺仪，但使用加速器进行校正。
对于使用IMU进行跌倒检测的应用，我认为加速度是非常重要的。 "correct" 没有已知的加速阅读方式，这种方式的思考很可能是错误的做法。我的建议是使用加速度作为系统的输入之一，收集一堆模拟坠落情况的数据，你可能会惊讶地发现那里有很多可行的信号。
我正在尝试了解传感器融合的过程以及卡尔曼滤波。
我的目标是使用加速度计和陀螺仪检测设备的跌落。
在this one等大部分论文中，都提到了如何克服陀螺仪引起的漂移和噪音到加速度计。最终，传感器融合为我们提供了更好的滚动、俯仰和偏航测量，而不是更好的加速度。
是否有可能通过传感器融合获得更好的 'acceleration results'，然后将其用于 'Fall detection'？ 因为只有更好的 Roll、Yaw 和 Pitch不足以检测跌倒。
然而，这个 source 建议单独使用卡尔曼滤波器平滑加速度计（Ax、Ay、Az）和陀螺仪（Gx、Gy、Gz），并使用一些分类算法，例如 k-NN 算法或聚类来使用监督学习检测跌倒。
分类部分不是我的问题，问题是我是否应该融合传感器（3D 加速度计和 3D 陀螺仪）或单独平滑传感器，以检测跌倒。
我认为您不需要使用 KF 来检测跌倒检测。使用简单的加速度计就能检测到设备的跌落。如果您将低通滤波器应用于平滑加速度计并检查总加速度是否接近于零（在自由落体设备中使用 -g (9.8 m/s2) acc）超过特定持续时间，您可以检测为跌倒。 上述方法的问题是，如果设备旋转得很快，那么加速度就不会接近于零。对于稳健的解决方案，您可以为此应用程序实施简单的互补（搜索 Mahony）过滤器而不是 KF。
几点说明
Kalman Filter通常是为了进行位置和方向估计的传感器融合，通常将IMU（加速度计和陀螺仪）与一些无漂移的绝对测量（计算机视觉，GPS）结合起来
互补滤波器，通常用于通过结合加速器（嘈杂但不漂移）和陀螺仪（准确但漂移）来进行良好的方向估计。使用加速器并结合陀螺仪，可以进行相当不错的方向估计。您可以将方向估计视为主要使用陀螺仪，但使用加速器进行校正。
对于使用IMU进行跌倒检测的应用，我认为加速度是非常重要的。 "correct" 没有已知的加速阅读方式，这种方式的思考很可能是错误的做法。我的建议是使用加速度作为系统的输入之一，收集一堆模拟坠落情况的数据，你可能会惊讶地发现那里有很多可行的信号。