我试图了解传感器融合的过程，并与之一起进行Kalman过滤。
我的目标是使用加速度计和陀螺仪检测设备的跌落。
在诸如此类的大多数论文中，它都提到了如何克服漂移由于陀螺仪和由于加速度计引起的噪声。最终，传感器融合为我们提供了更好地测量滚动，俯仰和偏航，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'加速结果'，然后将其用于"秋季检测"？，因为只有更好的滚动，偏航和音高不足以检测跌落。
但是，该来源建议使用Kalman滤波器单独使用Kalman滤波器平滑加速度计（AX，AY，AZ）和陀螺仪（GX，GY，GZ），并使用某些分类算法（例如K-NN算法或聚类）使用受监管的学习来检测跌落。
分类部分不是我的问题，是我要融合传感器（3D加速度计和3D陀螺仪）或分别使传感器平滑，而我的目标是检测到跌落的目标。
几个澄清
-
Kalman滤波器通常用于执行传感器融合以进行位置和方向估计，通常将IMU（ACCEL和GYRO）与一些无腐烂的绝对测量（计算机视觉，GPS）相结合
-
免费过滤器，通常通过将加速（嘈杂但非滴灌）和陀螺仪（准确但漂移）组合来具有良好的方向估计。使用ACCEL并与陀螺仪结合使用，可以具有相当良好的方向估计。您可以使用陀螺仪视为主要的方向估计，但使用ACCEL进行纠正。
对于使用IMU进行秋季检测的应用，我相信加速度非常重要。没有已知的方法可以"纠正"加速度阅读，而对这种方式进行思考可能是错误的方法。我的建议是将加速度用作系统的输入之一，收集大量数据模拟秋季情况，您可能会惊讶地发现那里有很多可行的信号。
我认为您不需要使用KF检测秋季检测。使用简单的加速度计能够检测设备的掉落。如果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零（在Free Fall设备中使用-g（9.8 m/s2）ACC）持续超过某些持续时间，则可以检测到秋季。上述方法的问题是，如果设备快速旋转，则加速度不会接近零。对于强大的解决方案，您可以实现简单的补充（搜索Mahony）过滤器，而不是为此应用程序。