问题标签 [drift]

我试图在连接到本地 NTP 服务器的 Mac 上获得实际的 NTP 漂移。

• 读取/var/db/ntp.drift文件时，我得到 -37.521，根据PPM 到毫秒的转换，得到-3241ms的漂移。

• 使用时ntpq -c lpeer我得到这样的东西：

这意味着38.322ms的漂移。

• 最后，sntp 172.1.1.5输出这个：

这意味着19.244 毫秒的漂移。

我很困惑哪一种方法可以提供准确的 NTP 漂移？

我正在使用 x-io Technologies 的 x-IMU。

对于漂移校正，它使用 AHRS On-board 算法。
如果没有硬铁校准，则会有一个小的连续旋转。

通过使用 x-IMU-GUI-v13.1 进行硬铁校准，我得到如下值：

• x轴硬铁偏差：882076,942002059
• y轴硬铁偏差：-814599,840421389
• z轴硬铁偏压：834205,266804569

它们被自动设置为硬铁偏置寄存器。该寄存器的值介于 -16 和 15.99951 之间。这导致以下寄存器值：

• x轴硬铁偏差：15.99951
• y轴硬铁偏差：-16
• z轴硬铁偏差：15.99951

如果我水平旋转 IMU，我会在磁力计 y 轴上得到以下值： y 轴

但是所有高于 16 的值都被截断了……
在 x 轴上也有同样的问题。

那么，问题出在哪里？
在硬铁校准或磁力计寄存器设置中？
非常感谢您的回答！

我一直在探索使用 Google 的 Tango 项目进行 3D 扫描和重建。

到目前为止，我尝试过的一些应用程序，例如Project Tango Constructor和Voxxlr，在短时间内做得很好（我很乐意获得其他潜在扫描应用程序的建议）。问题是，不管应用程序是什么，如果我运行它足够长的时间，扫描会累积如此多的漂移，最终一切都会错位并毁掉。

每当我将设备指向无特色的空间（如空白墙）时，或者当我将相机指向上方以扫描天花板时，也会发生很大的漂移。设备会暂时迷失方向，从而破坏未来扫描的对齐方式。无论如何，让设备知道它在哪里以及它指向什么对我来说都是一个问题。

我知道一些 3D 扫描应用程序在一定程度上使用了区域学习，因为这些应用程序在启动应用程序时要求我允许区域学习。我认为这是为了帮助定位设备并稳定其姿势（如果这不准确，请纠正我）。

从我尝试过的应用程序中，我从未获得加载我自己的 ADF 的选项。我的理解是，加载经过仔细学习且功能丰富的 ADF 有助于更好地锚定设备姿势。允许用户加载自制 ADF 的应用程序如此匮乏是否有原因？很难/不可能做到吗？当前的应用程序是否已经最佳地利用区域学习来进行本地化，我提供的任何自记录 ADF 是否可以做得更好？

我将不胜感激有关此主题的任何指针/说明-在 3D 扫描和重建中使用 ADF 的方法和功效没有明确记录。最终，我正在寻找一种使用 Tango 进行高质量 3D 扫描的方法。如果图片中不需要 ADF，那也没关系。如果答案是我正在努力完成一项不可能完成的任务，我也想知道。

如果还没有现成的解决方案，我也愿意尝试自己处理点云，尽管我觉得说起来容易做起来难。

我们在服务器上安装了 NTP 以保持时间同步。服务器的时间还能漂移吗？如果是，我们如何检测到这一点？我们可以在某些最大漂移后强制服务器重置吗？

伙计们，

我的任务是测量 linux 服务器和“准确”的 NTP/PTP 服务器之间的时钟漂移。

对此有何建议？

谢谢

我正在使用最新的 googleVr SDK(1.10)，但我测试了一些统一的示例场景，如城堡防御，我注意到当我将手机放在桌子上时视图开始漂移。有没有办法以编程方式防止这种漂移？

我看了一些视频来纠正三星上的陀螺仪，但我想要一些代码来防止这种情况

你好，我正在编写一个虚拟现实应用程序，但它在纸板上有漂移。

我找到了解决方案，即使用密码“ #0 #”进行传感器校准。

但我想以编程方式编写代码

对传感器进行自检以校准它们。

我搜索但找不到用于智能手机传感器校准的 api。

所以我搜索了传感器校准的示例或源代码，但找不到。

请让我知道一些用于传感器校准的 api 或逻辑。

在尝试使用 libuv 实现一个简单的计时器时，我注意到回调是“漂移”的。我在这里做错了什么？

编码：

输出 [libuv]: (diff 总是大于 1.0s)

等效的 libev 代码可以完美运行。

代码：

输出 [libev]：

解决方案

实现了我自己的计时器补偿逻辑，该逻辑在每次迭代时以“正确”超时启动一个新计时器。

输出：

这可以是 Javascript 或数学问题。

我正在尝试设置一个不会偏离系统时钟的间隔。我还需要能够在运行时更改间隔，因此大多数 cron 库都不能达到目的。我所说的时间尺度是 10-5000 毫秒。我关心的不是微精度计时，而是从长远来看零漂移。

我做了一个设置间隔的简单解决方案，回调函数比较间隔已经运行了多少次，并将它除以“间隔”已经运行的所有时间。总时间/迭代将给出迭代所产生的准确的总体漂移。这确保不会累积漂移。测量从上次运行迭代的时间并不能保证没有累积漂移。我的示例每“准确”间隔播放一个 MIDI 音符”。

测试应用：

我现在的问题是当速率改变时，漂移恢复很慢。事实上，漂移恢复是无限的，因为 targetInterval-(elapsed/iterations); 总是接近零，但永远不会归零；因此，添加到间隔中的额外部分刚好不够。我尝试了乘法，但这会导致恢复间隔被夸大，并且仍然存在相同的数学原理，避免了总恢复。我应该尝试量化（ceil）恢复率，还是有一个更数学意义上的解决方案？

区域学习和标记检测是否同时工作？如果我们使用标记检测来识别 QR 等标记并将游戏对象放置在其上。启用区域学习能否最大限度地减少漂移？