平滑来自传感器的数据

Posted 2023-03-12

【中文标题】平滑来自传感器的数据

【英文标题】：Smoothing data from a sensor

【发布时间】：2011-06-04 10:32:43

【问题描述】：

我有一个测量 v(x,y,z) 数据的 3D 传感器。我只使用 x 和 y 数据。仅平滑 x 和 y 就足够了。

如果我使用日志来显示数据，它会显示如下内容： (时间) 0.1 ... (数据记录) x = 1.1234566667 (时间) 0.2 ... (数据记录) x = 1.1245655666 (时间) 0.3 ... (数据记录) x = 1.2344445555

实际上数据更准确，但我想在 1.1234 值和 1.2344 值之间进行平滑处理，因为对我来说它是相同的，我可以使用整数，仅显示“x=1”但我需要小数那么，我也需要在这里显示一种“平滑”的值。

有人知道吗？我正在使用 c# 编程，但并非所有功能都可以正常工作，因此我需要构建自己的功能。

【参考方案1】：

最简单的方法是对数据进行移动平均。也就是说，保持一系列传感器数据读数并对其进行平均。像这样的东西（伪代码）：

  data_X = [0,0,0,0,0];

  function read_X () 
      data_X.delete_first_element();
      data_X.push(get_sensor_data_X());
      return average(data_X);
   

这样做需要权衡取舍。您使用的数组越大，结果越平滑，但结果与实际读数之间的滞后越大。例如：

                           /\_/\
                        /\/     \_/\
  Sensor reading:  __/\/            \/\
                                       \/\  _/\___________
                                          \/
                              _
                           __/ \_
                       ___/      \__
  Small array:     ___/             \_/\_       _
                                         \   __/ \________
                                          \_/

                                 ____
                              __/    \__
                           __/           \__
  Large array:     _______/                 \__      __
                                               \_   /  \__
                                                 \_/


(forgive my ASCII-ART but I'm hoping it's good enough for illustration).

如果您想要快速响应但无论如何要获得良好的平滑效果，那么您将使用数组的加权平均值。这基本上是数字信号处理（带有大写的 DSP），与其名称相反，它与模拟设计更密切相关。这是一篇关于它的简短***文章（如果你想走这条路，你应该阅读好的外部链接）：http://en.wikipedia.org/wiki/Digital_filter

以下是来自 SO 的一些关于低通滤波器的代码，可能适合您的需求：Low pass filter software?。请注意，在该答案的代码中，他使用了一个大小为 4 的数组（或信号处理术语中的 4 阶，因为此类滤波器称为四阶滤波器，它实际上可以通过四阶多项式方程建模：ax^ 4 + bx^3 + cx^2 + dx).

【讨论】：

非常感谢！！！这真的帮助了我，我现在正在实现代码，从现在开始我会帮助像你这样的人，好吧，如果我能的话。谢谢！！

移动平均滤波器是低通滤波器的一个特例，它是一个非常糟糕的滤波器（就性能而言）。一阶低通滤波器在频率响应、计算负载和程序复杂性方面通常（通常？）优于移动平均值。对于许多应用程序，您可以忽略这些细节，例如可以缓慢响应的指南针显示，移动平均线会很棒。如果您的游戏需要使用嘈杂的传感器进行快速响应，那么移动平均线将不是一个糟糕的解决方案，因为它会导致给定数量的过滤产生滞后。

由 ASCII 艺术制作的绝妙答案

与此相关的另一个问题，这是我根据您的伪代码创建的 Java+android 代码：***.com/a/24600534/663058

【参考方案2】：

所以我来这里是为了解决同样的问题（Android 中的传感器输入平滑），这就是我想出的：

/*
 * time smoothing constant for low-pass filter
 * 0 ≤ α ≤ 1 ; a smaller value basically means more smoothing
 * See: http://en.wikipedia.org/wiki/Low-pass_filter#Discrete-time_realization
 */
static final float ALPHA = 0.2f;

protected float[] accelVals;

public void onSensorChanged(SensorEvent event) 
    if (event.sensor.getType() == Sensor.TYPE_ACCELEROMETER)
        accelVals = lowPass( event.values, accelVals );

    // use smoothed accelVals here; see this link for a simple compass example:
    // http://www.codingforandroid.com/2011/01/using-orientation-sensors-simple.html


/**
 * @see http://en.wikipedia.org/wiki/Low-pass_filter#Algorithmic_implementation
 * @see http://en.wikipedia.org/wiki/Low-pass_filter#Simple_infinite_impulse_response_filter
 */
protected float[] lowPass( float[] input, float[] output ) 
    if ( output == null ) return input;

    for ( int i=0; i<input.length; i++ ) 
        output[i] = output[i] + ALPHA * (input[i] - output[i]);
    
    return output;

感谢@slebetman 将我指向 Wikipedia 链接，经过一番阅读后，该链接将我吸引到了 wikipedia Low-pass filter 文章中的算法。我不会发誓我拥有最好的算法（甚至是正确的！），但轶事证据似乎表明它正在发挥作用。

【讨论】：

只是想说，如果你在 android 上使用这段代码，最初返回 input.copy() 而不是数组本身。我的传感器写入同一个数组，即输入和输出是同一个数组，平滑不起作用。

【参考方案3】：

嗯，有很多方法可以平滑传感器数据，这取决于它是什么类型的传感器以及适合什么类比。 我在我的项目中使用了这些算法：

高通滤波器 [HPF] 和低通滤波器 [LPF]- 如所选答案所示。 移动平均算法-MAA Gaely 算法mm[MAA 的更好版本] 快速傅里叶变换 -FFT

代码：

HPF-高通滤波器

private float[] highPass(float x, float y, float z) 
    float[] filteredValues = new float[3];
    gravity[0] = ALPHA * gravity[0] + (1 – ALPHA) * x;
    gravity[1] = ALPHA * gravity[1] + (1 – ALPHA) * y;
    gravity[2] = ALPHA * gravity[2] + (1 – ALPHA) * z;
    filteredValues[0] = x – gravity[0];
    filteredValues[1] = y – gravity[1];
    filteredValues[2] = z – gravity[2];
    return filteredValues;   
    

LPF-低通滤波器

private float[] lowPass(float x, float y, float z) 
    float[] filteredValues = new float[3];
    filteredValues[0] = x * a + filteredValues[0] * (1.0f – a);
    filteredValues[1] = y * a + filteredValues[1] * (1.0f – a);
    filteredValues[2] = z * a + filteredValues[2] * (1.0f – a);
    return filteredValues;
    

MAA-移动平均线

     private final int SMOOTH_FACTOR_MAA = 2;//increase for better results   but hits cpu bad

     public ArrayList<Float> processWithMovingAverageGravity(ArrayList<Float> list, ArrayList<Float> gList) 
            int listSize = list.size();//input list
            int iterations = listSize / SMOOTH_FACTOR_MAA;
            if (!AppUtility.isNullOrEmpty(gList)) 
                gList.clear();
            
            for (int i = 0, node = 0; i < iterations; i++) 
                float num = 0;
                for (int k = node; k < node + SMOOTH_FACTOR_MAA; k++) 
                    num = num + list.get(k);
                
                node = node + SMOOTH_FACTOR_MAA;
                num = num / SMOOTH_FACTOR_MAA;
                gList.add(num);//out put list
            
            return gList;
        

【讨论】：

什么是盖利算法？

@Jayant 获取加速度传感器数据，我们应该使用高通滤波器还是低通滤波器？

经过一些读数后，我最终选择了低通滤波器来平滑加速度传感器数据中的尖峰。

顺便说一句，这是一个很好的答案，值得更多的投票。

【参考方案4】：

这是一个基于 ios 版 Event Handling guide 的 MotionEvents 部分中的逻辑的示例。

float ALPHA = 0.1;

protected float[] lowPass( float[] input, float[] output ) 
    if ( output == null ) return input;

    for ( int i=0; i<input.length; i++ ) 
        output[i] = (input[i] * ALPHA) + (ouptut[i] * (1.0 - ALPHA));
    
    return output;

【讨论】：

指南的url内容已更改，找不到MotionEvents部分，你能找到吗？

【参考方案5】：

@thom_nic 的低通滤波器代码中有一个很小但非常重要的错字，这种实现的结果有很大不同。

protected float[] lowPass( float[] input, float[] output ) 
    if ( output == null ) return input;

    for ( int i=0; i<input.length; i++ ) 
        output[i] = output[i] + ALPHA * (input[i] - output[i]); // ERROR HERE
    
    return output;

根据我的数据，这段代码的结果（橙色线）将是：

你可以在这里找到正确的代码wikipedia Low-pass_filter，C 代码是这样的：

protected float[] lowPass( float[] input, float[] output ) 
    if ( output == null ) return input;

    output[0] = input[0];
    for (int i=1; i<input.length; i++) 
        output[i] = output[i-1] + ALPHA * (input[i] - output[i-1]);
    
    return output;

请注意替换的索引 (i -> i-1)。

在相同的数据和相同的 ALPHA 上，此代码生成：

【讨论】：

不错，但并不完全正确。在 wiki 公式的情况下，output[i-1] 代表输出数组中包含测量历史的前一个值，但@thom_nic 答案中的lowPass() 函数将过滤器应用于单个测量的所有指标。您不能只在同一个公式中使用这些指标。所以@thom_nic 的函数是正确的。

【参考方案6】：

在这里挖掘一个老问题，但如果你在 .NET 领域，你可以使用 RX 为你做这件事。

例如，将 RX 与 WebClient.DownloadFileAsync 结合使用来计算“平滑”的下载速度：

double interval = 2.0; // 2 seconds
long bytesReceivedSplit = 0;

WebClient wc = new WebClient();
var downloadProgress = Observable.FromEventPattern<
    DownloadProgressChangedEventHandler, DownloadProgressChangedEventArgs>(
    h => wc.DownloadProgressChanged += h,
    h => wc.DownloadProgressChanged -= h)
    .Select(x => x.EventArgs);

downloadProgress.Sample(TimeSpan.FromSeconds(interval)).Subscribe(x =>
    
        Console.WriteLine((x.BytesReceived - bytesReceivedSplit) / interval);
        bytesReceivedSplit = x.BytesReceived;
    );

Uri source = new Uri("http://someaddress.com/somefile.zip");
wc.DownloadFileAsync(source, @"C:\temp\somefile.zip");

显然，间隔越长，平滑度就越大，但您等待初始读数的时间也就越长。