先说一下为什么选六轴吧。六轴相较于四轴，多出来了两个电机，因而飞机的自由度就多出了两个作为冗余---即就算同时报废两个电机，飞行器依然可以留在空中，而四轴则大多不行（或是坏掉一个电机，可以通过编程处理，使飞机在空中盘旋，而不至于坠毁）

故，六轴的稳定性，安全性，载重性能都比四轴要好，所以LZ就选择做六轴了

楼主继续

对于多轴飞行器来说最关键的问题莫过于自动姿态稳定了。有人实验统计过，一般多轴飞行器需要每秒钟进行至少500次以上的推力调整才能留在空中。
而控制多轴飞行器的第一步是知道自己现在的姿态。一般情况下都是陀螺仪，然后求积分。不过陀螺仪误差在短时间内不大，但因为是做积分，所以误差会不断累积（可以理解为蝴蝶效应），因而需要长期上的矫正---也就是加速计和指南针。这两者在短时间内精度简直是渣渣，不过长期上却比较稳定，而且不会像陀螺仪那样累加误差。故一般两者互补，陀螺仪负责短期，加速计和指南针负责长期。将两者进行加权平均（陀螺仪的权值远大于另外的），所以短期看起来基本上就是陀螺仪的输出了，不过加速计和指南针会慢慢的影响结果，从而达到长期优化的目的。

这套姿态融合算法虽说不难，但比较麻烦。不过好在万能的某宝上有现成的模块，可以直接拿过来用。不过当中的卡尔曼滤波还是很关键的，介于以后可能会用到，就写一下吧。

卡尔曼滤波器的介绍
（Introduction to the Kalman Filter）
为了可以更加容易的理解卡尔曼滤波器，这里会应用形象的描述方法来讲解，而不是像大多数参考书那样罗列一大堆的数学公式和数学符号。但是，他的5条公式是其核心内容。结合现代的计算机，其实卡尔曼的程序相当的简单，只要你理解了他的那5条公式。
在介绍他的5条公式之前，先让我们来根据下面的例子一步一步的探索。
假设我们要研究的对象是一个房间的温度。根据你的经验判断，这个房间的温度是恒定的，也就是下一分钟的温度等于现在这一分钟的温度（假设我们用一分钟来做时间单位）。假设你对你的经验不是100%的相信，可能会有上下偏差几度。我们把这些偏差看成是高斯白噪声（White Gaussian Noise），也就是这些偏差跟前后时间是没有关系的而且符合高斯分配（Gaussian Distribution）。另外，我们在房间里放一个温度计，但是这个温度计也不准确的，测量值会比实际值偏差。我们也把这些偏差看成是高斯白噪声。
好了，现在对于某一分钟我们有两个有关于该房间的温度值：你根据经验的预测值（系统的预测值）和温度计的值（测量值）。下面我们要用这两个值结合他们各自的噪声来估算出房间的实际温度值。
假如我们要估算k时刻的是实际温度值。首先你要根据k-1时刻的温度值，来预测k时刻的温度。因为你相信温度是恒定的，所以你会得到k时刻的温度预测值是跟k-1时刻一样的，假设是23度，同时该值的高斯噪声的偏差是5度（5是这样得到的：如果k-1时刻估算出的最优温度值的偏差是3，你对自己预测的不确定度是4度，他们平方相加再开方，就是5）。然后，你从温度计那里得到了k时刻的温度值，假设是25度，同时该值的偏差是4度。
由于我们用于估算k时刻的实际温度有两个温度值，分别是23度和25度。究竟实际温度是多少呢？相信自己还是相信温度计呢？究竟相信谁多一点，我们可以用他们的covariance来判断。因为Kg^2=5^2/(5^2+4^2)，所以Kg=0.78，我们可以估算出k时刻的实际温度值是：23+0.78*(25-23)=24.56度。可以看出，因为温度计的covariance比较小（比较相信温度计），所以估算出的最优温度值偏向温度计的值。
现在我们已经得到k时刻的最优温度值了，下一步就是要进入k+1时刻，进行新的最优估算。到现在为止，好像还没看到什么自回归的东西出现。对了，在进入k+1时刻之前，我们还要算出k时刻那个最优值（24.56度）的偏差。算法如下：((1-Kg)*5^2)^0.5=2.35。这里的5就是上面的k时刻你预测的那个23度温度值的偏差，得出的2.35就是进入k+1时刻以后k时刻估算出的最优温度值的偏差（对应于上面的3）。
就是这样，卡尔曼滤波器就不断的把covariance递归，从而估算出最优的温度值。他运行的很快，而且它只保留了上一时刻的covariance。上面的Kg，就是卡尔曼增益（Kalman Gain）。他可以随不同的时刻而改变他自己的值，是不是很神奇！
下面就要言归正传，讨论真正工程系统上的卡尔曼。
卡尔曼滤波器算法
（The Kalman Filter Algorithm）
在这一部分，我们就来描述源于Dr Kalman 的卡尔曼滤波器。下面的描述，会涉及一些基本的概念知识，包括概率（Probability），随即变量（Random Variable），高斯或正态分配（Gaussian Distribution）还有State-space Model等等。但对于卡尔曼滤波器的详细证明，这里不能一一描述。
首先，我们先要引入一个离散控制过程的系统。该系统可用一个线性随机微分方程（Linear Stochastic Difference equation）来描述：
X(k)=A X(k-1)+B U(k)+W(k)
再加上系统的测量值：
Z(k)=H X(k)+V(k)
上两式子中，X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。A和B是系统参数，对于多模型系统，他们为矩阵。Z(k)是k时刻的测量值，H是测量系统的参数，对于多测量系统，H为矩阵。W(k)和V(k)分别表示过程和测量的噪声。他们被假设成高斯白噪声(White Gaussian Noise)，他们的covariance 分别是Q，R（这里我们假设他们不随系统状态变化而变化）。
对于满足上面的条件(线性随机微分系统，过程和测量都是高斯白噪声)，卡尔曼滤波器是最优的信息处理器。下面我们来用他们结合他们的covariances 来估算系统的最优化输出（类似上一节那个温度的例子）。
首先我们要利用系统的过程模型，来预测下一状态的系统。假设现在的系统状态是k，根据系统的模型，可以基于系统的上一状态而预测出现在状态：
X(k|k-1)=A X(k-1|k-1)+B U(k) ……….. (1)
式(1)中，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量，如果没有控制量，它可以为0。
到现在为止，我们的系统结果已经更新了，可是，对应于X(k|k-1)的covariance还没更新。我们用P表示covariance：
P(k|k-1)=A P(k-1|k-1) A’+Q ……… (2)
式(2)中，P(k|k-1)是X(k|k-1)对应的covariance，P(k-1|k-1)是X(k-1|k-1)对应的covariance，A’表示A的转置矩阵，Q是系统过程的covariance。式子1，2就是卡尔曼滤波器5个公式当中的前两个，也就是对系统的预测。
现在我们有了现在状态的预测结果，然后我们再收集现在状态的测量值。结合预测值和测量值，我们可以得到现在状态(k)的最优化估算值X(k|k)：
X(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1)) ……… (3)
其中Kg为卡尔曼增益(Kalman Gain)：
Kg(k)= P(k|k-1) H’ / (H P(k|k-1) H’ + R) ……… (4)
到现在为止，我们已经得到了k状态下最优的估算值X(k|k)。但是为了要另卡尔曼滤波器不断的运行下去直到系统过程结束，我们还要更新k状态下X(k|k)的covariance：
P(k|k)=（I-Kg(k) H）P(k|k-1) ……… (5)
其中I 为1的矩阵，对于单模型单测量，I=1。当系统进入k+1状态时，P(k|k)就是式子(2)的P(k-1|k-1)。这样，算法就可以自回归的运算下去。
-------以上转自网络---------
http://m.blog.chinaunix.net/uid-26694208-id-3184442.html/
说白了，卡尔曼滤波就是一个基于线性模型，通过将估计值和测量值进行加权平均，得到结果的过程。得到的结果又可以用来估计后续的值，如此循环。

不错，不错，楼主继续

额，人有点小少啊

暖贴

顶

WOW樓主太厲害了！我都是直接拿人家的商品來用的。。。

继续，前来围观，也想做编程，但听说很难

四元数姿态解算是滤波完了以后的下一步，不过也可以姿态解算完了以后再做滤波，效果应该会更好，不过就更麻烦了---四轴的预测方程是非线性的，要滤波估计就要EKF(非线性卡尔曼滤波)有兴趣的人可以研究一下。不过，三角函数在小范围内可以用一个一次函数（线性函数）来代替，所以，卡尔曼滤波应该也是可以的。
四元数的理论就暂不进行讲解了，因为LZ偷懒打算直接用自带姿态解算和数据融合的模块。
不过四元数也不算太难，有兴趣的人可以研究一下。其原理是，利用将一个单位 复数乘以另一个复数，可以起到将其旋转的作用。而四元数则是复数的扩展---超复数，在某种程度上继承了复数的这种性质，用一个人为设计好的旋转因子（单位四元数---模为1的四元数）乘以一个用于描述之前的情况的四元数。
不过，角速度是微分以后的结果，所以是在求解一个微分方程。所以一般要用 龙格-库塔(Runge-Kutta)法经行求解。
以上的部分因为LZ并不打算用，所以只是概述了一下。。。。。。

占楼，楼主继续