IMUs zur exakten Standortbestimmung: Teil 2 – höhere Präzision durch IMU-Software

Von Steve Leibson

Zur Verfügung gestellt von Nordamerikanische Fachredakteure von Digi-Key

Viele integrierte Systeme müssen ihren eigenen Standort oder ihre Position und Richtung verfolgen. Hierfür greifen Entwickler häufig zunächst zu globalen Navigationssystemen (GNSS, Global Navigation Satellite Systems) (siehe „Schnelles Entwickeln von Positionserkennungssystemen mit GNSS-Modulen“). Aus verschiedenen Gründen, beginnend mit dem Stromverbrauch, kann GPS jedoch nicht immer für Positions- und Kursinformationen verwendet werden.

Der Stromverbrauch von GPS-Systemen ist sehr hoch. Viele Embedded-Systeme, insbesondere solche mit Batteriebetrieb, können nicht das erforderliche Energiebudget aufbringen, um konstant eine GPS-Position anzugeben. Des Weiteren leiden GPS-Systeme unter Signalstörungen, langsamen Aktualisierungsraten und einer Genauigkeit von nur 1 Meter (m), die für manche Anwendungen unter Umständen nicht ausreicht.

Diese Probleme können durch den Einsatz von Trägheitsmesseinheiten (IMUs) als Ergänzung zu den GNSS-Positionsdaten umgangen werden.

Ein früherer Artikel zu IMUs behandelte die Verwendung relativ kostengünstiger IMUs auf der Basis von MEMS-Technologie zur Bestimmung von Position und Richtung (siehe „Verwenden Sie IMUs für genaue Positionsdaten, wenn GPS nicht ausreicht“). Die Sensordaten von IMUs alleine können jedoch keine absolute Position angeben. Während GNSS-Empfänger direkt Standortdaten angeben, bedarf es zur Umwandlung der relativen Bewegungsdaten einer IMU in eine absolute Position und Richtung mittels Sensorfilterung, -fusion und doppelter Integration einiges an Software.

Dieser Artikel behandelt die eingebettete Verwendung von IMUs, Fehlerquellen in den Daten von verschiedenen IMU-Sensoren sowie die Software, die zur Berechnung präziser Positions- und Richtungsinformationen aus den IMU-Sensordaten benötigt wird. Außerdem behandelt der Artikel die Bibliothek der Software MotionFX von STMicroelectronics und die Verwendung dieser Software zur Umwandlung von IMU-Sensordaten in Positions- und Richtungsinformationen in einem Embedded-System.

IMUs als Ergänzung zu GNSS-Empfängern

GNSS bringt vier Probleme mit sich:

  1. GNSS-Signale sind sehr direktional und können ganz einfach durch Gebäude blockiert werden. Aus diesem Grund kann die Verwendung von GNSS in Innenräumen oder in den tiefen Häuserschluchten von Großstädten problematisch sein.
  2. GNSS-Empfänger haben Warm- und Kaltstartzeiten, die im Bereich von Zehntelsekunden oder höher liegen können. Wird der GNSS-Empfänger nicht kontinuierlich betrieben, beispielsweise um Energie zu sparen, kann jede neue Positionsbestimmung mehrere Sekunden dauern.
  3. Die Aktualisierungsrate von GNSS ist auf eine Positionsbestimmung pro Sekunde beschränkt. Diese Aktualisierungsrate ist nicht ausreichend hoch für eingebettete Anwendungen, bei denen schnelle Bewegungen im Spiel sind. Die Liste solcher Anwendungen ist lang und deckt von der virtuellen Realität über den Materialtransport bis hin zur Robotik verschiedenste Bereiche ab.
  4. Die Genauigkeit von GNSS wird in Metern gemessen. Diese Auflösung ist für viele eingebettete Anwendungen bei Weitem zu grob.

IMUs bieten die feinere Positionsauflösung und die höheren Aktualisierungsraten, die viele eingebettete Anwendungen erfordern. Außerdem bieten IMUs im Gegensatz zu den absoluten Positionsinformationen eines GNSS-Empfängers Positionsdaten relativ zu einem bekannten Ausgangspunkt. Die zwei Positionssensortypen ergänzen sich also perfekt. Aufgrund dieser Merkmale eignen sich IMUs recht gut als Ergänzung zu den direkten Positionsinformationen eines GNSS-Empfängers (siehe „Schnelles Entwickeln von Positionserkennungssystemen mit GNSS-Modulen“).

In der Luft- und Raumfahrtindustrie kommen IMUs bereits seit vielen Jahrzehnten zum Einsatz. Diese Präzisions-IMUs basieren jedoch auf teuren Gyroskopen sowie anderen großen Sensoren und lassen sich nur schwer für kostensensiblere Systeme verwenden.

Moderne elektronische IMUs sind hochintegriert und können verschiedene Sensortypen (Beschleunigungsmesser, Gyroskope und Magnetometer) enthalten, die auf MEMS-Technologie basieren und somit klein, leicht und relativ robust sind. Diese neuen IMU-Generationen sind als Komponenten zur Platinenmontage erhältlich und eignen sich ideal für eingebettete Anwendungen.

IMUs sind in Ausführungen mit einer unterschiedlichen Anzahl an Freiheitsgraden erhältlich und im Gegensatz zu GNSS-Empfängern bei der Bereitstellung von Positionsdaten nicht von Funksignalen abhängig. Darüber hinaus ist ihr Stromverbrauch sehr gering und sie sind aus verschiedenen Quellen mit einer großen Auswahl von Auflösungen und Genauigkeitsangaben erhältlich.

Dank dieser Eigenschaften können IMUs als Ergänzung zu GNSS-Empfängermodulen verwendet werden (siehe „Schnelles Entwickeln von Positionserkennungssystemen mit GNSS-Modulen“), allerdings nicht ohne die entsprechende Software zur Filterung der IMU-Sensordaten, zur Zusammenführung der Daten verschiedener Sensortypen in der IMU und zur Berechnung einer Position aus diesen zusammengeführten Sensordaten mittels doppelter Integration.

Fehlerquellen bei IMUs

Die Kombination von Sensoren zur Verbesserung der Genauigkeit ist in der Luft- und Raumfahrtindustrie, in der Beschleunigungsmesser und Gyroskope umfassend in inertialen Navigationssystemen zum Einsatz kommen, schon lange gängige Praxis. In diesen Systemen messen Gyroskope über Änderungen der Winkelgeschwindigkeit die Richtung, wobei es im Lauf der Zeit jedoch zu einer Drift kommen kann, da ausschließlich Änderungen ohne einen festen Bezugsrahmen gemessen werden. Durch Daten eines Beschleunigungsmessers zusätzlich zu den Gyroskopdaten kann die Bias-Drift des Gyroskops minimiert werden, wodurch sich eine exaktere Standortschätzung ergibt. Beschleunigungsmesser messen Richtungsänderungen in Bezug auf die Gravitation und diese Daten können zur Ausrichtung eines Gyroskops verwendet werden.

Beschleunigungsmesser sind genauer bei statischen (im Gegensatz zu dynamischen) Berechnungen. Gyroskope eignen sich besser zur Bestimmung der Richtung, wenn sich das System bereits bewegt. Da Beschleunigungsmesser schnell reagieren, ergeben Jitter und Rauschen einen additiven Fehler, wenn ausschließlich diese Daten verwendet werden. Zudem tendieren Beschleunigungsmesser zu einer Verfälschung der gemessenen Werte aufgrund von externen Kräften (z. B. Gravitationskräften), die sich im System ebenfalls als Rauschen akkumulieren.

Kombiniert man die langfristige Genauigkeit eines Gyroskops mit der kurzfristigen Genauigkeit eines Beschleunigungsmessers, erhält man präzisere Richtungswerte, indem man auf die Stärken der einzelnen Sensoren vertraut, die Schwächen des jeweils anderen Sensors zu kompensieren oder zumindest zu verringern. Die zwei Sensortypen ergänzen sich gegenseitig.

Fusionierte Filterung zur Reduzierung von Fehlern

Die IMU-Software verwendet Filter, um die Positionierungsfehler der IMU-Daten zu minimieren. Zur Fusionierung von Sensordaten stehen mehrere Filtermethoden zur Verfügung, die sich alle hinsichtlich ihres Komplexitätsgrads unterscheiden. Ein Komplementärfilter stellt eine einfache Möglichkeit zur Fusionierung der Daten von mehreren Sensoren dar. Die komplementäre Filterung ist eine lineare Funktion, bei der ein Hochpassfilter für das Gyroskop und ein Tiefpassfilter für den Beschleunigungsmesser kombiniert werden. Das hochfrequente Rauschen in den Beschleunigungsmesserdaten wird daher kurzfristig herausgefiltert und von den Gyroskopdaten geglättet.

Obwohl die Verwendung eines Komplementärfilters hinsichtlich der Berechnungen einfach ist, erhalten heutzutage fortschrittlichere Techniken wie der Kalman-Filter den Vorzug, um mit IMUs eine höhere Genauigkeit zu erzielen. Beim Kalman-Filter handelt es sich um einen sehr beliebten rekursiven Algorithmus zur Sensorfusion, da er keine hohe Verarbeitungsleistung erfordert, um ein präziseres Positionsbestimmungssystem zu erhalten. Es gibt unterschiedliche Arten der Kalman-Filterung: den standardmäßigen Kalman-Filter, den Extended-Kalman Filter (EKF) und den Unscented-Kalman-Filter (UKF).

Ein Kalman-Filter prognostiziert Werte unter Anwendung mehrerer mathematischer Gleichungen basierend auf der Annahme, dass die gefilterten Daten einem gaußschen Verteilungsmuster folgen, auf das der Filter lineare Gleichungen anwendet. Eine Bewegung in der realen Welt verläuft jedoch nicht immer so glatt wie vom Kalman-Filter angenommen. In der Realität folgen Bewegungen häufig Gleichungen mit nicht linearen Sinus- und Cosinus-Funktionen. Der EKF verwendet daher Taylorreihen und Näherungswerte für einzelne Punkte der gaußschen Normalverteilung, um nicht lineare Funktionen zu linearisieren. Diese Näherungswerte können beträchtliche Fehlerquellen darstellen.

Der UKF verwendet zur Lösung dieses Problems anstelle der vom EKF verwendeten Einzelannäherung ein deterministisches Abtastverfahren, mit dem ein Satz sorgfältig ausgewählter Abtastpunkte erzeugt wird, um die erwartete gaußsche Normalverteilung der Daten darzustellen. Diese Abtastpunkte erfassen vollständig den wahren Mittelwert und die Kovarianz der Werte der erwarteten gaußschen Normalverteilung und bieten damit eine exaktere Filterung.

Fehlerquellen von Magnetometern

Eine typische IMU enthält drei verschiedene Sensoren: ein Gyroskop zur Messung der Drehrate/Winkelgeschwindigkeit, einen Beschleunigungsmesser zur Messung der linearen Beschleunigung und ein Magnetometer zur Messung der Magnetfeldstärke. Genauer gesagt messen die Magnetometer der IMU die Stärke des Erdmagnetfelds, um eine Ausrichtung relativ zum magnetischen Nordpol der Erde zu bestimmen. Eine für Navigationsanwendungen entwickelte IMU enthält üblicherweise drei der einzelnen Sensortypen, um die drei orthogonalen Bewegungsachsen abzudecken.

Magnetometer sind jedoch anfällig für durch Hart- und Weicheisen verursachte Verzerrungen. Verzerrungen des Erdmagnetfelds, die auf äußere magnetische Einflüsse zurückzuführen sind, werden in der Regel entweder als Harteisen- oder als Weicheiseneffekt klassifiziert. Falls keine Verzerrungseffekte vorhanden sind, ergeben sich beim Drehen des Magnetometers um 360° und beim Plotten der Ergebnisse Daten, die einen Kreis mit dem Mittelpunkt (0, 0) bilden (Abbildung 1).

Diagramm: 360°-Drehung eines Magnetometers und Plotten der Ergebnisse

Abbildung 1: Beim Drehen des Magnetometers um 360° und beim Plotten der Ergebnisse ergeben sich Daten, die einen Kreis mit dem Mittelpunkt (0, 0) bilden, falls keine lokalen Feldverzerrungen vorhanden sind, die durch die Nähe von Eisen verursacht werden. (Bildquelle: sensorsmag.com)

Das Vorhandensein von Harteisen und/oder Weicheisen kann diesen Kreis stören. Harteiseneffekte führen lediglich zu einem Versatz von der Position (0, 0) (Abbildung 2).

Bild: Versatz der Magnetfelddaten aufgrund von Verzerrungen durch Harteiseneffekte

Abbildung 2: Eine durch Harteiseneffekte verursachte Verzerrung versetzt die Magnetfelddaten von der Position (0, 0). (Bildquelle: sensorsmag.com)

Weicheiseneffekte verformen den Kreis zu einer Ellipse (Abbildung 3).

Bild: Verformung der 360°-Magnetfelddaten aufgrund von Verzerrungen durch Weicheiseneffekte

Abbildung 3: Eine durch Weicheiseneffekte verursachte Verzerrung führt zu einer Verformung der 360°-Magnetfelddaten von einem Kreis zu einer Ellipse. (Bildquelle: sensorsmag.com)

Beachten Sie, dass Harteisen- und Weicheiseneffekte gleichzeitig auftreten können.

Die zur Kompensation von Verzerrungen aufgrund von Weicheiseneffekten erforderlichen Berechnungen sind rechenintensiver als für Harteiseneffekte. Es kann daher wirksamer und kostensparender sein, Weicheisenmaterialien einfach von den Magnetometern der IMU zu entfernen. Oftmals steht diese Option jedoch nicht zur Verfügung und es sind Kompensationsberechnungen erforderlich.

Doppelte Integration

Da die Beschleunigungsmesser und Gyroskope lediglich Informationen zu den auf ein Objekt wirkenden Beschleunigungskräften (linear und rotierend) liefern, müssen diese Daten zweimal integriert werden, um Standortdaten zu erhalten. Der Grund hierfür ist, dass die Beschleunigung die Änderungsrate der Geschwindigkeit eines Objekts und die Geschwindigkeit die Änderungsrate der Position eines Objekts ist. Anders ausgedrückt: Die Daten der Gyroskope und Beschleunigungsmesser einer IMU sind die zweite Ableitung des absoluten Standorts eines Objekts.

Bereits die doppelte Integration erfordert einiges an Rechenaufwand. Für die 3D-Positionsbestimmung müssen jedoch auch die Beschleunigungseffekte durch die Gravitation kompensiert werden. Für einen Beschleunigungsmesser stellt die Gravitation eine konstante Beschleunigung dar, die zu einem Versatz der Messdaten führt. Das System muss üblicherweise so kalibriert werden, dass die Beschleunigungseffekte durch die Gravitation keine Rolle spielen. Diese Kalibrierung muss durchgeführt werden, während sich die IMU und das die IMU enthaltende Objekt nicht bewegen.

Beachten Sie, dass diese doppelte Integration aufgrund von Abtastfehlern Fehler verursacht. Je langsamer die Abtastrate, desto größer die Fehler.

Designüberlegungen für IMU-Software

Berücksichtigen Sie die folgenden Schritte und Empfehlungen, wenn Sie diese Algorithmen für in der Realität zum Einsatz kommende IMU-Software implementieren:

  • Die Signale der IMU-Sensoren sind nicht rauschfrei und müssen digital gefiltert werden. Üblicherweise kommt in IMU-Anwendungen eine Form der Kalman-Filterung zum Einsatz.
  • Trotz der Filterung sind zusätzliche Fehlerquellen wie etwa mechanisches Rauschen sowie die oben angesprochenen Verzerrungen aufgrund von Hart- und Weicheisen mit der IMU gekoppelt. Dieses Rauschen muss durch Filtern oder auf andere Weise aus den Daten entfernt werden.
  • Zu Beginn des Anwendungsdesigns muss bei ruhender IMU eine Kalibrierroutine durchgeführt werden, da die Software für möglichst exakte Ergebnisse die Sensormesswerte für das ruhende Objekt benötigt. Die tatsächliche Beschleunigung für ein sich bewegendes Objekt ist die aktuelle Abtastung eines Beschleunigungssensors abzüglich des Kalibrierwerts.
  • Nach dem Kalibrieren können die Sensorwerte positiv oder negativ sein. Aus diesem Grund müssen die Variablen für diese Werte mit einem Vorzeichen versehen werden.
  • Eine höhere Abtastfrequenz für die Sensordaten liefert zwar exaktere Ergebnisse, aber mehr Abtastungen erfordern auch mehr Geld, straffere Timing-Anforderungen und eventuell andere Hardwareüberlegungen.
  • Der Abtastzeitraum muss immer genau gleich lang sein. Unterschiedlich lange Abtastzeiträume verursachen Datenfehler.
  • Eine lineare Datenapproximation zwischen den Abtastungen (Interpolation) liefert exaktere Ergebnisse, erfordert jedoch auch eine längere Verarbeitungszeit.

Aus den obigen Ausführungen ist klar ersichtlich, dass die Berechnungen zur Ermittlung von Richtung, Position und Bewegung aus den IMU-Daten nicht einfach sind. Aus diesem Grund bieten IMU-Anbieter häufig Softwarepakete an, um diese Berechnungen für ihre Produkte durchzuführen. STMicroelectronics beispielsweise hat die MotionFX-Bibliothek entwickelt, mit der die Funktionen der zum Download angebotenen Software X-CUBE-MEMS1 des Unternehmens um IMU-Funktionen erweitert wird.

Die Software in dieser Bibliothek erfasst die Daten der Beschleunigungsmesser, Gyroskope und Magnetometer und führt in Echtzeit eine Fusion der Bewegungssensordaten für die MEMS-Sensoren von STMicroelecronics durch, IMUs eingeschlossen. Die Filter- und Prognosesoftware MotionFX nutzt hochentwickelte Algorithmen, um die Ausgänge mehrerer MEMS-Sensoren auf intelligente Weise zu integrieren, unabhängig von den Umgebungsbedingungen. Diese Bibliothek wurde ausschließlich für MEMS-IMUs von STMicroelectronics entwickelt. Es ist daher nicht gewährleistet, dass die Software für IMUs anderer Anbieter problemlos verwendet werden kann.

Die MotionFX-Bibliothek wird auf verschiedenen Mikrocontrollern von STMicroelectronics ausgeführt, die auf den Prozessorkernen Arm® Cortex®-M0+, Cortex-M3 und Cortex-M4 basieren. Beispielimplementierungen sind für die Erweiterungskarte X-NUCLEO-IKS01A2 von STMicroelectronics (Abbildung 4) verfügbar bei Montage auf:

  • der Entwicklungskarte NUCLEO-F401RE, die auf einer MCU STM32F4 mit einem Arm Cortex-M4-Prozessorkern basiert,
  • der Entwicklungskarte NUCLEO-L476RG, die auf einer MCU STM32L4 mit einem Arm Cortex-M4-Prozessorkern basiert,
  • der Entwicklungskarte NUCLEO-L152RE, die auf einer MCU STM32L1 mit einem Arm Cortex-M3-Prozessorkern basiert
  • oder der Entwicklungskarte NUCLEO-L073RZ, die auf einer MCU STM32L0 mit einem Arm Cortex-M0+-Prozessorkern basiert.

Die MotionFX-Bibliothek von STMicroelectronics verwaltet und fusioniert die von den Beschleunigungsmessern, Gyroskopen und Magnetometern einer IMU erfassten Daten. Die Bibliothek enthält Routinen für folgende Berechnungen:

  • Fusion von Bewegungssensordaten in Echtzeit für 9 Achsen (Beschleunigungsmesser, Gyroskop und Magnetometer)
  • Fusion von Bewegungssensordaten in Echtzeit für 6 Achsen (Beschleunigungsmesser und Gyroskop)
  • Berechnung von Rotation, Quaternionen, Gravität und linearen Beschleunigungsdaten
  • Kalibrierung der Bias-Drift des Gyroskops
  • Harteisenkalibrierung des Magnetometers

STMicroelectronics empfiehlt bei Verwendung der Software MotionFX für die Sensordaten eine Abtastfrequenz von 100 Hz.

Bild: Erweiterungskarte X-NUCLEO-IKS01A2 von STMicroelectronics

Abbildung 4: Die Erweiterungskarte X-NUCLEO-IKS01A2 von STMicroelectronics wird von der Software MotionFX des Unternehmens für IMUs unterstützt. (Bildquelle: STMicroelectronics)

Die MotionFX-Bibliothek implementiert einen Algorithmus zur Sensorfusion für eine Schätzung der 3D-Ausrichtung im Raum. Dieser Algorithmus führt für die Daten mehrerer Sensoren eine Datenfilterung und -fusion durch, um die Beschränkungen der einzelnen Sensoren der IMU zu kompensieren.

Der Demo-Code von Listing 1 zeigt, was zur Inbetriebnahme der IMU von STMicroelectronics erforderlich ist.

Kopieren
[…]
#define VERSION_STR_LENG 35
#define MFX_DELTATIME 10
[…]
/*** Initialization ***/
char lib_version[VERSION_STR_LENG];
char acc_orientation[3];
MFX_knobs_t iKnobs;
/* Sensor Fusion API initialization function */
MotionFX_initialize();
/* Optional: Get version */
MotionFX_GetLibVersion(lib_version);
MotionFX_getKnobs(&iKnobs);
/* Modify knobs settings */
MotionFX_setKnobs(&iKnobs);
/* Enable 9-axis sensor fusion */
MotionFX_enable_9X(MFX_ENGINE_ENABLE);
[…]
/*** Using Sensor Fusion algorithm ***/
Timer_OR_DataRate_Interrupt_Handler()
{
MFX_input_t data_in;
MFX_output_t data_out;
/* Get acceleration X/Y/Z in g */
MEMS_Read_AccValue(data_in.acc[0], data_in.acc[1], data_in.acc[2]);
/* Get angular rate X/Y/Z in dps */
MEMS_Read_GyroValue(data_in.gyro[0], data_in.gyro[1], data_in.gyro[2]);
/* Get magnetic field X/Y/Z in uT/50 */
MEMS_Read_MagValue(data_in.mag[0], data_in.mag[1], &data_in.mag[2]);
/* Run Sensor Fusion algorithm */
MotionFX_propagate(&data_out, &data_in, MFX_DELTATIME);
MotionFX_update(&data_out, &data_in, MFX_DELTATIME, NULL);
}

Listing 1: Der Demo-Code zeigt die Verwendung der MotionFX-Bibliothek zur Extraktion von Daten aus den IMU-Komponenten auf der Erweiterungskarte X-NUCLEO-IKS01A2 des Unternehmens. (Codequelle: STMicroelectronics)

Ein Flussdiagramm der Demo-Software ist ebenfalls abgebildet (Abbildung 5).

Bild: Flussdiagramm zur Abfolge der Schritte des MotionFX-Demo-Codes

Abbildung 5: Dieses Flussdiagramm zeigt die Abfolge der Schritte des MotionFX-Demo-Codes aus Listing 1 zur Extraktion der Daten von der Erweiterungskarte X-NUCLEO-IKS01A2 von STMicroelectronics und ihrer Fusion zu einer räumlichen 3D-Ausrichtung. (Bildquelle: STMicroelectronics)

Beachten Sie, dass es bei den Gyroskopdaten zu einer Drift kommen kann, die eine Verschlechterung der Schätzung der räumlichen 3D-Ausrichtung zur Folge haben kann. Diese Verschlechterung kann mit der Software MotionFX durch die Verwendung von Magnetometerdaten kompensiert werden, die absolute Ausrichtungsinformationen liefern. Gleichzeitig liefern Magnetometer keine Ausrichtungsdaten mit hohen Raten und sind anfällig für magnetische Störungen, wobei diese Schwächen wiederum durch die Gyroskopdaten kompensiert werden können.

Für die von der Software MotionFX zur Sensordatenfusion für 9 Achsen durchgeführten Berechnungen werden Daten vom Beschleunigungsmesser, vom Gyroskop und vom Magnetometer verwendet, um die absolute Ausrichtung im 3D-Raum zu erhalten (inklusive der Ausrichtung relativ zum magnetischen Nordpol).

Für die von der Software MotionFX zur Sensordatenfusion für 6 Achsen durchgeführten Berechnungen werden nur Daten vom Beschleunigungsmesser und vom Gyroskop verwendet. Diese Betriebsebene erfordert einen geringeren Rechenaufwand und liefert keine Informationen zur absoluten Ausrichtung. Die Routinen werden jedoch schneller ausgeführt als diejenigen für 9 Achsen. Die Sensordatenfusion für 6 Achsen ist zur Messung schneller Bewegungen geeignet, wie sie beispielsweise beim Gaming oder bei stationären Robotern vorkommen, und kann auch verwendet werden, wenn die absolute Ausrichtung nicht ermittelt werden muss.

Fazit

IMUs sind überaus hilfreich in eingebetteten Anwendungen, um selbstständig Informationen zu Position und Richtung zu liefern. Ebenfalls hilfreich sind sie als Ergänzung zu GNSS-Empfängerinformationen, wenn noch präzisere Messungen oder schnellere Aktualisierungsraten erforderlich sind. Zur Implementierung einer IMU in ein Embedded-System bedarf es jedoch einiges an Software. Diese wird von IMU-Händlern häufig zur Verfügung gestellt, um die Anwendung dieser Komponenten in der Realität zu unterstützen.

Haftungsausschluss: Die Meinungen, Überzeugungen und Standpunkte der verschiedenen Autoren und/oder Forumsteilnehmer dieser Website spiegeln nicht notwendigerweise die Meinungen, Überzeugungen und Standpunkte der Digi-Key Electronics oder offiziellen Politik der Digi-Key Electronics wider.

Über den Autor

Steve Leibson

Steve Leibson war Systemingenieur für HP und Cadnetix, der Chefredakteur für EDN und Microprocessor Report, ein Tech-Blogger für Xilinx und Cadence (u.a.) und er diente als Technologieexperte für zwei Folgen von „The Next Wave with Leonard Nimoy“. Er hilft Entwicklern seit 33 Jahren, bessere, schnellere und zuverlässigere Systeme zu entwickeln.

Über den Verlag

Nordamerikanische Fachredakteure von Digi-Key