陀螺仪角度算法

1. 陀螺仪原理示意图和公式

陀螺仪的原理就是，一个旋转物体的旋转轴所指的方向在不受外力影响时，是不会改变的。人们根据这个道理，用它来保持方向，制造出来的东西就叫陀螺仪。我们骑自行车其实也是利用了这个原理。轮子转得越快越不容易倒，因为车轴有一股保持水平的力量。陀螺仪在工作时要给它一个力，使它快速旋转起来，一般能达到每分钟几十万转，可以工作很长时间。然后用多种方法读取轴所指示的方向，并自动将数据信号传给控制系统。 陀螺仪是在动态中保持相对跟踪状态的装置，由于其原理的复杂性，我们借助于图来看看陀螺仪的原理。

2. 陀螺仪知道轴的加速度和角速度怎么求角度

陀螺仪得到的加速度值与与 重力g在这个方向的上的分量大小是成正比的，所以按这个道理去算g sinΘ 映射成角度Θ

3. 如何通过一个陀螺仪传感器配合PID算法实现两轮车的平衡

1. 陀螺仪的作用

2. 两轮自平衡机器人控制系统除了需要实时的倾角信号，还要用到角速度以给出控制量。理论上可以对加速度计测得的倾角求导得到角速度，但实际上这样求得的结果远远低于陀螺仪测量的精度，陀螺仪具有动态性能好的优点。

3. （1）陀螺仪的直接输出值是相对灵敏轴的角速率，角速率对时间积分即可得到围绕灵敏轴旋转过的角度值。由于系统采用微控制器循环采样程序获得陀螺仪角速率信息，即每隔一段很短的时间采样一次，所以采用累加的方法实现积分的功能来计算角度值。

（2）陀螺仪是用来测量角速度信号的，通过对角速度积分，能得到角度值。但由于温度变化、摩擦力、不稳定力矩等因素，陀螺仪会产生漂移误差。而无论多么小的常值漂移通过积分都会得到无限大的角度误差。因而不能单独使用陀螺仪作为自平衡小车的角度传感器。

2.倾角传感器的作用

（1）倾角传感器中加速度计可能测量动态和静态线性加速度。静态加速度的一个典型例子就是重力加速度，用加速度计数直接测量物体静态重力加速度可以确定倾斜角度。

加速度传感器静止时，加速传感器仅仅输出作用在加速度灵敏轴上的重力加速度值，即重力加速度的分量值。根据各轴上的重力加速度的分量值可以算出物体垂直和水平方向上的倾斜角度。

（2）加速度计动态响应慢，不适应跟踪动态角度运动；如果期望快速地响应，又会引起较大的噪声。再加上其测量范围的限制，使得单独应用加速度计检测车体倾角并不合适，需要与其它传感器共同使用。

3.原理

其运作原理主要是建立在一种被称为“动态稳定”（Dynamic Stabilization）的基本原理上，利用车体内部的陀螺仪和加速度传感器，来检测车体姿态的变化，并利用伺服控制系统，精确地驱动电机进行相应的调整，以保持系统的平衡。

4. cruizcore R6093u输出角度转化公式

ENC03以前用过，我记得还是一个模拟的陀螺仪，受温度湿度影响超级大--特别是温度，除非自己写温度补偿。

简单点的陀螺仪算角度就是陀螺仪测得的原始数据，减去offset，除以比例系数--这个要看你ad的精度以及陀螺仪的量程，我看ENC03是+-90°/s的量程，如果选取的AD是16bit的，那么这个比例系数就是2^(16-1)/90，其他情况类推，最后乘上一个时间dt，把每次取得的值累加就好。

但是陀螺仪的温漂和零漂(零漂就是你那个offset，找的话很麻烦)，并且你的k60也无法保证定时器的精准，所以结果就是累计误差越来越大，使用的现象就是陀螺仪正转90度在反转回90度，发现值已经开始偏差--对了，转的过程如果超量程值直接就错了，比如你按200°/s的速度转，但是陀螺仪的测量范围只有90°，MCU无法检测到这个，他会认为你就是转了90°.

所以陀螺仪一般不是作为角度的直接输出的，ENC03还只是消费级的传感器，我试过用工业级的数字陀螺仪，结果比消费级的好很多，但是实际半小时恒定旋转再放回到原点，误差也在15°左右。

如果对地的夹角，例如对重力的，拿加速度传感器，三轴的，取每个轴向的值然后归一化，再对每个轴取arccos就可以得到了。

对东南西北的话就需要地磁传感器，首先校准--方法很多，基本的八字校准或者高级点的六点快速校准，接下来跟加速度的方法差不多，就是加速度的是相对于重力的，地磁传感器的是相对于地磁线的。

最后最后，说一下，最好的还是将加速度+地磁传感器的值先按轴向取好，再乘上一定的比例系数：比例系数和各个传感器的可信度以及系统MCU的频率有关，最后融合到陀螺仪里面，效果是最好的。

题主可以搜一下Madgwick算法，开源的，2010一个外国人的算法，比kalman滤波运算量要小，然后结果还很准确

5. 关于陀螺仪的使用问题，成功后加100分

没有什么复杂的公式，我采用的方法是用定时器控制AD隔1ms采一次值，每次采10个AD量进行平均值滤波，用最简单的积分算法（直接用算得的平均值乘以时间1ms，累加），就可积分出角度值了。

6. 九轴陀螺仪初始角度怎么确定

九轴陀螺仪初始角度是参考地理坐标系，y轴指向北方，x轴指向东方，z轴指天；

7. 2轴陀螺仪如何实时计算姿态角

陀螺仪的原理就是，一个旋转物体的旋转轴所指的方向在不受外力影响时，是不会改变的。人们根据这个道理，用它来保持方向，制造出来的东西就叫陀螺仪。我们骑自行车其实也是利用了这个原理。轮子转得越快越不容易倒，因为车轴有一股保持水平的力量。陀螺仪在工作时要给它一个力，使它快速旋转起来，一般能达到每分钟几十万转，可以工作很长时间。然后用多种方法读取轴所指示的方向，并自动将数据信号传给控制系统。

现代陀螺仪是一种能够精确地确定运动物体的方位的仪器，它是现代航空，航海，航天和国防工业中广泛使用的一种惯性导航仪器，它的发展对一个国家的工业，国防和其它高科技的发展具有十分重要的战略意义。传统的惯性陀螺仪主要是指机械式的陀螺仪，机械式的陀螺仪对工艺结构的要求很高，结构复杂，它的精度受到了很多方面的制约。自从上个世纪七十年代以来，现代陀螺仪的发展已经进入了一个全新的阶段。1976年 等提出了现代光纤陀螺仪的基本设想，到八十年代以后，现代光纤陀螺仪就得到了非常迅速的发展，与此同时激光谐振陀螺仪也有了很大的发展。由于光纤陀螺仪具有结构紧凑，灵敏度高，工作可靠等等优点，所以目前光纤陀螺仪在很多的领域已经完全取代了机械式的传统的陀螺仪，成为现代导航仪器中的关键部件。和光纤陀螺仪同时发展的除了环式激光陀螺仪外，还有现代集成式的振动陀螺仪，集成式的振动陀螺仪具有更高的集成度，体积更小，也是现代陀螺仪的一个重要的发展方向。

现代光纤陀螺仪包括干涉式陀螺仪和谐振式陀螺仪两种，它们都是根据塞格尼克的理论发展起来的。塞格尼克理论的要点是这样的：当光束在一个环形的通道中前进时，如果环形通道本身具有一个转动速度，那么光线沿着通道转动的方向前进所需要的时间要比沿着这个通道转动相反的方向前进所需要的时间要多。也就是说当光学环路转动时，在不同的前进方向上，光学环路的光程相对于环路在静止时的光程都会产生变化。利用这种光程的变化，如果使不同方向上前进的光之间产生干涉来测量环路的转动速度，这样就可以制造出干涉式光纤陀螺仪，如果利用这种环路光程的变化来实现在环路中不断循环的光之间的干涉，也就是通过调整光纤环路的光的谐振频率进而测量环路的转动速度，就可以制造出谐振式的光纤陀螺仪。从这个简单的介绍可以看出，干涉式陀螺仪在实现干涉时的光程差小，所以它所要求的光源可以有较大的频谱宽度，而谐振式的陀螺仪在实现干涉时，它的光程差较大，所以它所要求的光源必须有很好的单色性。

8. 关于手机陀螺仪

1、首先你要了解重力感应原理，它是利用加速度计，检测重力加速度（均值9.81m/s^2）与XYZ各轴分量从而计算出传感器与重力加速度的相对角度，但是加速度计是用来测量加速度的，这种用加速度计测量角度的方法仅适用于静止或者小晃动条件下。目前已论证的运动中除了静止或匀速运动以外都是加速运动，有加速度的存在用加速度计测量的角度就不准确了（因为有重力加速度以外的运动存在），所以在没有陀螺仪的条件下 水平晃动、震动都会造成很大的角度偏差，例如在运动的汽车上玩重力感应游戏效果很差。
2、手机的所谓的陀螺仪实际上就是一个用MEMS工艺制造出来的角速度传感器，而且精度不高。通过角速度传感器得到角度最容易的算法（相关算法还有很多）就是计算并累加单位时间的角增量（角速度*采样间隔），虽然这种方法动态效果好，但是需要精度很高的传感器才行，否则一旦出现误差在这种无修正的累加过程中角度偏差会越来越大，完全无法满足实际使用要求。
3、有一种算法叫互补滤波，很形象也就是取他人之长补己之短，把这两种传感器各自的优缺点完全体现出来，那效果势必1+1>2！！！所以在这种简单的应用中，应该也能体会到团队的力量！

参考：惯性导航原理、捷联惯性导航……

希望我的回答对你有帮助，才疏学浅如有不妥请诸位不吝指教！！！

9. 陀螺仪原理，怎么测角度

陀螺仪测角度的工作原理：

陀螺仪本身与引力有关，因为引力的影响，不均衡的陀螺仪，重的一端将向下运行，而轻的一端向上。在引力场中，重物下降的速度是需要时间的，物体坠落的速度远远慢于陀螺仪本身旋转的速度时，将导致陀螺仪偏重点，在旋转中不断的改变陀螺仪自身的平衡，并形成一个向上旋转的速度方向。

如果陀螺仪偏重点太大，陀螺仪自身的左右互作用力也会失效。而在旋转中，陀螺仪如果遇到外力导致，陀螺仪转轮某点受力。陀螺仪会立刻倾斜，而陀螺仪受力点的势能如果低于陀螺仪旋转时速，这时受力点，会因为陀螺仪倾斜，在旋转的推动下，陀螺仪受力点将从斜下角，滑向斜上角。

而在向斜上角运行时，陀螺仪受力点的势能还在向下运行。这就导致陀螺仪到达斜上角时，受力点的剩余势能将会将在位于斜上角时，势能向下推动。

而与受力点相反的直径另一端，同样具备了相应的势能，这个势能与受力点运动方向相反，受力点向下，而它向上，且管这个点叫“联动受力点”。当联动受力点旋转180度，从斜上角到达斜下角，这时联动受力点，将陀螺仪向上拉动。在受力点与联动受力互作用力下，陀螺仪回归平衡。

(9)陀螺仪角度算法扩展阅读：

陀螺仪的应用：

1、隧道中心线测量：

在隧道等挖掘工程中，坑内的中心线测量一般采用难以保证精度的长距离导线。特别是进行盾构挖掘的情况，从立坑的短基准中心线出发必须有很高的测角精度和移站精度，测量中还要经常进行地面和地下的对应检查，以确保测量的精度。

特别是在密集的城市地区，不可能进行过多的检测作业而遇到困难。如果使用陀螺经纬仪可以得到绝对高精度的方位基准，而且可减少耗费很高的检测作业（检查点最少），是一种效率很高的中心线测量方法。

2、通视障碍时的方向角获取：

当有通视障碍，不能从已知点取得方向角时，可以采用天文测量或陀螺经纬仪测量的方法获取方向角（根据建设省测量规范）。与天文测量比较，陀螺经纬仪测量的方法有很多优越性：对天气的依赖少、云的多少无关、无须复杂的天文计算、在现场可以得到任意测线的方向角而容易计算闭合差。

3、日影计算所需的真北测定：

在城市或近郊地区对高层建筑有日照或日影条件的高度限制。在建筑申请时，要附加日影图。此日影图是指，在冬至的真太阳时的8点到16点为基准，进行为了计算、图面绘制所需要的高精度真北方向测定。使用陀螺经纬仪测量可以获得不受天气、时间影响的真北测量。

10. 加速度计和陀螺仪融合的算法

给你arino的卡尔曼滤波融合算法，非原创，我只是封装了算法。

H文件：
/*
* KalmanFilter.h
* Non-original
* Author: x2d
* Copyright (c) 2012 China
*
*/

#ifndef KalmanFilter_h
#define KalmanFilter_h

#include <WProgram.h>

class KalmanFilter
{
public:
KalmanFilter();

/*
卡尔曼融合计算
angle_m: 加速度计测量并通过atan2(ax,ay)方法计算得到的角度（弧度值）
gyro_m:陀螺仪测量的角速度值（弧度值）
dt:采样时间(s)
outAngle:卡尔曼融合计算出的角度（弧度值）
outAngleDot:卡尔曼融合计算出的角速度（弧度值）
*/
void getValue(double angle_m, double gyro_m, double dt, double &outAngle, double &outAngleDot);

private:
double C_0, Q_angle, Q_gyro, R_angle;
double q_bias, angle_err, PCt_0, PCt_1, E, K_0, K_1, t_0, t_1;
double angle, angle_dot;
double P[2][2];
double Pdot[4];
};

CPP文件：
/*
* KalmanFilter.cpp
* Non-original
* Author: x2d
* Copyright (c) 2012 China
*
*/

#include "KalmanFilter.h"

KalmanFilter::KalmanFilter()
{
C_0 = 1.0f;
Q_angle = 0.001f;
Q_gyro = 0.003f;
R_angle = 0.5f;
q_bias = angle_err = PCt_0 = PCt_1 = E = K_0 = K_1 = t_0 = t_1 = 0.0f;
angle = angle_dot = 0.0f;
P[0][0] = 1.0f;
P[0][1] = 0.0f;
P[1][0] = 0.0f;
P[1][1] = 1.0f;
Pdot[0] = 0.0f;
Pdot[1] = 0.0f;
Pdot[2] = 0.0f;
Pdot[3] = 0.0f;
}

void KalmanFilter::getValue(double angle_m, double gyro_m, double dt, double &outAngle, double &outAngleDot)
{
/*
Serial.print("angle_m = ");
Serial.print(angle_m);
Serial.print(";");
Serial.print("gyro_m = ");
Serial.print(gyro_m);
Serial.print(";");
*/

angle+=(gyro_m-q_bias) * dt;
angle_err = angle_m - angle;
Pdot[0] = Q_angle - P[0][1] - P[1][0];
Pdot[1] = -P[1][1];
Pdot[2] = -P[1][1];
Pdot[3] = Q_gyro;
P[0][0] += Pdot[0] * dt;
P[0][1] += Pdot[1] * dt;
P[1][0] += Pdot[2] * dt;
P[1][1] += Pdot[3] * dt;
PCt_0 = C_0 * P[0][0];
PCt_1 = C_0 * P[1][0];
E = R_angle + C_0 * PCt_0;
K_0 = PCt_0 / E;
K_1 = PCt_1 / E;
t_0 = PCt_0;
t_1 = C_0 * P[0][1];
P[0][0] -= K_0 * t_0;
P[0][1] -= K_0 * t_1;
P[1][0] -= K_1 * t_0;
P[1][1] -= K_1 * t_1;
angle += K_0 * angle_err;
q_bias += K_1 * angle_err;
angle_dot = gyro_m-q_bias;

outAngle = angle;
outAngleDot = angle_dot;
/*
Serial.print("angle = ");
Serial.print(angle);
Serial.print(";");
Serial.print("angle_dot = ");
Serial.print(angle_dot);
Serial.print(";");
*/
}
#endif