我试图了解传感器融合的过程以及卡尔曼滤波。
我的目标是使用加速度计和陀螺仪检测设备的跌落。
在这篇文章等大多数论文中，它都提到了如何克服陀螺仪引起的漂移和加速度计引起的噪声。最终，传感器融合为我们提供了更好的 Roll、Pitch 和 Yaw 测量结果，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“跌倒检测”？由于只有更好的 Roll、Yaw 和 Pitch 不足以检测到 Fall。
然而，该来源建议使用卡尔曼滤波器单独平滑加速度计（Ax，Ay，Az）和陀螺仪（Gx，Gy，Gz），并使用一些分类算法（如 k-NN 算法或聚类）使用监督学习来检测跌倒。
分类部分不是我的问题，如果我应该融合传感器（3D 加速度计和 3D 陀螺仪）或单独平滑传感器，我的目标是检测跌倒。
我认为您不需要使用 KF 来检测跌倒检测。使用简单的加速度计将能够检测到设备的跌落。如果您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（在自由落体设备中使用 -g (9.8 m/s2) acc）超过一定时间，您可以检测到下降。上述方法的问题是，如果设备快速旋转，则加速度不会接近于零。对于强大的解决方案，您可以为此应用程序实现简单的互补（搜索 Mahony）过滤器而不是 KF。
几个澄清
卡尔曼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（加速度和陀螺仪）与一些无漂移绝对测量（计算机视觉、GPS）结合起来
互补滤波器，通常用于通过结合加速度（嘈杂但不漂移）和陀螺仪（准确但漂移）来进行良好的方向估计。使用加速器并结合陀螺仪，可以有相当好的方向估计。您可以使用陀螺仪将方向估计视为主要估计，但使用加速度进行校正。
对于使用 IMU 进行跌倒检测的应用，我认为加速度是非常重要的。没有已知的方法可以“纠正”加速度读数，这种方法很可能是错误的方法。我的建议是使用加速度作为系统的输入之一，收集一堆模拟跌倒情况的数据，你可能会惊讶于那里有很多可行的信号。