在 Android 中实施 ROTATION VECTOR
Implementation of ROTATION VECTOR in Android
Android中有一个rotation vector。据我了解，这使用加速度计和陀螺仪进行传感器融合。还有一种叫做 geomagnetic rotation vector 的融合传感器，它使用磁力计代替陀螺仪。
但我无法找到这两个虚拟传感器的传感器融合背后的逻辑。你能解释一下这两个传感器是如何实现的或者使用了什么算法吗？
Android中的旋转矢量有四个数据条目。但通常它只有 3 non-zero 个条目。通常还有另外 9 个条目表示。加速度计 t_a 和陀螺仪 w_p 是不同的东西。不要混淆自己。一次一个问题
对于标题旋转矢量，请阅读以下链接。不可能有人在这里写论文。
https://en.wikipedia.org/wiki/Euler_angles
https://en.wikipedia.org/wiki/Rotation_matrix
https://en.wikipedia.org/wiki/Quaternion
涉及的数学理论：
黎曼几何
李代数和李群
罗德里格斯变换。 等等
如果全部看完，大概需要半年时间。
对于程序员来说，简而言之：
欧拉角级联为直角加法。难以与 motion/accelerometer 连接。有万向节锁定问题。三变量，高效表示。
Rotation_matrix 串联是直接矩阵乘法。可以直接与变换矩阵[R |吨; 0 | 1].变换矩阵串联是直接矩阵乘法。有云台锁问题需要9个数据来表示
四元数是向量乘法。四变量，没有云台锁问题。不容易直接连动。
熔断是另外一个话题，要么松耦合要么紧耦合。
松耦合模型通常是EKF。紧耦合通常采用图优化方法。
在此之后，您将要求与其他测量值（如加速度计或其他）融合。然后它变得更加复杂。例如完全集成模型和部分集成模型。到目前为止，很多工作都更倾向于研究层面。很难用简单的词来解释。我建议你阅读最近的论文，例如 VINSMONO 和 OKVIS。
[1] Stefan Leutenegger、Simon Lynen、Michael Bosse、Roland Siegwart 和 Paul Timothy Furgale。 Keyframe-based 使用非线性优化的视觉惯性里程计。国际机器人研究杂志，2015.
[2] 斯特凡·洛伊腾格。无人驾驶太阳能飞机：高效稳健自主运行的设计和算法。博士论文, 2014.
[3] Stefan Leutenegger、Paul Timothy Furgale、Vincent Rabaud、Margarita Chli、Kurt Konolige、Roland Siegwart。 Keyframe-Based Visual-Inertial 使用非线性优化的 SLAM。在机器人学报：科学与系统，2013.
[4]Tong Qin、Peiliang Li、Zhenfei Yang、Shaojie Shen，VINS-Mono：稳健且多功能的单眼 Visual-Inertial 状态估计器，IEEE Transactions on Robotics 2017
Android中有一个rotation vector。据我了解，这使用加速度计和陀螺仪进行传感器融合。还有一种叫做 geomagnetic rotation vector 的融合传感器，它使用磁力计代替陀螺仪。
但我无法找到这两个虚拟传感器的传感器融合背后的逻辑。你能解释一下这两个传感器是如何实现的或者使用了什么算法吗？
Android中的旋转矢量有四个数据条目。但通常它只有 3 non-zero 个条目。通常还有另外 9 个条目表示。加速度计 t_a 和陀螺仪 w_p 是不同的东西。不要混淆自己。一次一个问题
对于标题旋转矢量，请阅读以下链接。不可能有人在这里写论文。
https://en.wikipedia.org/wiki/Euler_angles
https://en.wikipedia.org/wiki/Rotation_matrix
https://en.wikipedia.org/wiki/Quaternion
涉及的数学理论：
黎曼几何
李代数和李群
罗德里格斯变换。 等等
如果全部看完，大概需要半年时间。
对于程序员来说，简而言之：
欧拉角级联为直角加法。难以与 motion/accelerometer 连接。有万向节锁定问题。三变量，高效表示。
Rotation_matrix 串联是直接矩阵乘法。可以直接与变换矩阵[R |吨; 0 | 1].变换矩阵串联是直接矩阵乘法。有云台锁问题需要9个数据来表示
四元数是向量乘法。四变量，没有云台锁问题。不容易直接连动。
熔断是另外一个话题，要么松耦合要么紧耦合。
松耦合模型通常是EKF。紧耦合通常采用图优化方法。
在此之后，您将要求与其他测量值（如加速度计或其他）融合。然后它变得更加复杂。例如完全集成模型和部分集成模型。到目前为止，很多工作都更倾向于研究层面。很难用简单的词来解释。我建议你阅读最近的论文，例如 VINSMONO 和 OKVIS。
[1] Stefan Leutenegger、Simon Lynen、Michael Bosse、Roland Siegwart 和 Paul Timothy Furgale。 Keyframe-based 使用非线性优化的视觉惯性里程计。国际机器人研究杂志，2015.
[2] 斯特凡·洛伊腾格。无人驾驶太阳能飞机：高效稳健自主运行的设计和算法。博士论文, 2014.
[3] Stefan Leutenegger、Paul Timothy Furgale、Vincent Rabaud、Margarita Chli、Kurt Konolige、Roland Siegwart。 Keyframe-Based Visual-Inertial 使用非线性优化的 SLAM。在机器人学报：科学与系统，2013.
[4]Tong Qin、Peiliang Li、Zhenfei Yang、Shaojie Shen，VINS-Mono：稳健且多功能的单眼 Visual-Inertial 状态估计器，IEEE Transactions on Robotics 2017