616
【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；
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；
