这么详细的MPU6050科普，你确定不了解一下？

随着科技的发展，我们经常看到有人用平衡车代步、使用无人机进行航拍。但这些是怎么实现的呢？平衡车和无人机在使用的时候是怎样保持平衡与稳定的呢？

其实，平衡车和无人机在内部都用到陀螺仪传感器和加速度计传感器，用来检测车体的姿态以及运动时发生的变化，再通过各方面的共同协调配合，从而保持平衡车和无人机的平衡与稳定。在自主移动机器人中，能获取机器人的位姿信息是非常关键的，它会影响到机器人的运功规划及运行状态。本期小编先来为同学们介绍MPU6050的原理及应用吧。

▲图源网上，侵删！

什么是MPU6050？

MPU-6050 是6轴运动处理传感器，它集成了 3 轴MEMS陀螺仪，3 轴MEMS加速度计，以及一个可扩展的数字运动处理器DMP。使用它就是为了得到待测物体（如四轴飞行器、平衡小车）x、y、z轴的倾角（俯仰角Pitch、翻滚角Roll、偏航角Yaw）。我们通过 I2C 读取到 MPU6050 的六个数据（三轴加速度 AD 值、三轴角速度 AD 值）经过姿态融合后就可以得到 Pitch、Roll、Yaw角。

▲图源网上，侵删！

作为测量值的方向参考，传感器坐标方向定义如上图所示，属于右手坐标系（右手拇指指向 x 轴的正方向，食指指向 y 轴的正方向，中指能指向 z 轴的正方向）。

原理

陀螺仪传感器

传感器在它的内部有一个陀螺，因为陀螺效应始终与初始方向平行，这样就能通过与初始方向的偏差计算出旋转方向与角度。

加速度计传感器

加速度传感器是一种能够测量加速度的传感器。它采用的是压电效应的原理。传感器在加速过程中，通过对质量块所受惯性力的测量，利用牛顿第二定律获取加速度值。

数字运动处理器（Digital Motion Processor）

DMP是MPU6050芯片中的数据处理模块，（内置卡尔曼滤波算法）获取陀螺仪和加速度传感器数据，并处理输出四元数，可以减轻外围微处理器的工作负担且避免了繁琐的滤波和数据融合。

注释：

四元数：四元数是简单的超复数。复数是由实数加上虚数单位 i 组成，其中i^2 = -1。

MPU6050数据获取与处理

理论上只用陀螺仪就可以完成姿态导航的任务，只需要对3个轴的陀螺仪角度进行积分，得到3个方向的旋转角度的姿态数据，就可以了。但这个世界存在着误差噪声等，对陀螺仪积分并不能得到完全准确的姿态，所以我们就需要用加速度计传感器进行辅助矫正。

数据获取

1、MPU6050的陀螺仪采集物体转动的角速度信号，通过ADC（模拟数字转换器）转换成数字信号采集回来。再通过通信传输给单片机。

2、加速度计则是采集物体加速度信号，并传输回来。

注释：

ADC（A/D转换器）：即模拟数字转换器，通常是指一个将模拟信号转变为数字信号的电子元件。

数据处理

通过以上的步骤，我们可以分别得出线加速度传感器与角加速度传感器的数据，接下来就要进行数据的处理与融合。

具体步骤如下

1、校准数据（零点漂移）：传感器安装在设备上总有一个初始的角度，我们设这个角度为0度，我们每一次的数据都要减去这个初始数据，得到一个相对的角度。

2、把测量值换算成相应的单位：原始数据除以它在该量程下的灵敏度就可以获得实际的物理单位。加速度的物理单位为g，角速度的物理单位为°/s。

注释：

灵敏度可以通过mpu6050手册得到。

3、滤波和数据融合：常见方法有三种：互补滤波、卡尔曼滤波、硬件DMP解算四元数。

- 互补滤波：因为加速度计有高频噪声，陀螺仪有低频噪声，需要互补滤波融合得到较可靠的角度值。

- 卡尔曼滤波：利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。

- 硬件DMP解算四元数：DMP将原始数据直接转换成四元数输出，运用欧拉角转换算法，从而得到yaw、roll和pitch。

注释：

欧拉角：用来确定定点转动刚体位置的3个一组独立角参量，即物体绕坐标系三个坐标轴(x,y,z轴）的旋转角度。

在实际操作过程中，我们的智能小车Neor mini通过融合MPU6050六轴传感器和里程计的数据以实现小车的平稳运行。里程计技术是自主机器人导航的关键，因其能推算出当前时刻物体的位姿，在环境中进行自我定位。但若小车只通过轮子上编码器的里程计数据，会发现小车轮子存在累计误差的情况,导致对小车的位姿变化判断有偏差，因此拥有一个准确的里程计系统是非常重要的。在此情况下需将里程计与MPU6050获取的数据融合在一起，以提供完备、准确的物体姿态（位置和姿态）和速度（线速度和角速度）信息，从而提高系统决策的正确性和安全性。

融合方法：EKF（Extended Kalman Filter）扩展卡尔曼滤波算法

使用EKF利用imu（MPU6050)对odom(里程计）数据进行校准，robot_pose_ekf 是 ROS Navigation stack中的一个包,运用了来自不同源的位姿测量信息，通过扩展卡尔曼滤波器对 imu（提供车体坐标系相对于世界坐标系的姿态RPY 角）、里程计 odom 的数据（因只考虑移动机器人在2D平面上行驶，odom 信息中的pitch 和 roll 分量可以被忽略）进行融合,输出 odom_combined 发布base_footprint坐标信息来估计平面移动机器人的位置姿态。

图1展示imu和里程计传感器数据融合前，小车搭载激光雷达建图的仿真场景，小车前方红色箭头表示里程计信息。

图2展示imu和里程计数据融合后的仿真场景，小车前方的红色箭头表示数据融合后新里程计系统的信息odom_combined，三轴即为base_footprint的坐标信息。

我们运用Rviz仿真平台搭建小车的运动虚拟场景，小车搭载激光雷达获取环境数据进行点云建图，通过上图可观察到若单独通过里程计获取到的物体位姿信息对其进行定位时，激光雷达的点云建图与搭建环境有明显的偏差。若将imu和里程计数据融合后，可得到激光雷达建图与环境完整匹配。

后记：本文小编概述了MPU6050的原理及其应用，接下来我们还会深入介绍更多实际操作中运用到的算法及分析。对人工智能、机器人感兴趣的小伙伴请持续关注我们的公众号，获取更多的知识干货。也欢迎您在后台留言向小编分享您的看法和问题，让我们一起打造智慧星球吧，小伙伴们下周见！