原标题：基于Arduino的温度传感器（热敏电阻教程）

[相关器件] ISO7741

　　EMC 性能优异的四通道、3/1、增强型数字隔离器

　　数据手册

　　AD

　　【RT-Thread作品秀】基于RT-Thread的姿态解算控制平台设计

　　作者：黄国盛

　　概述

　　是一个姿态解算算法验证平台以及控制算法验证平台

　　实现步骤：

　　使用CubeMax HAL库开发；

　　使用Python project_generator生成工程；

　　精简 RTT Master内核并加入C++支持；

　　配置调试接口；

　　构建C/C++混合编程框架；

　　硬件IIC驱动GY-86传感器驱动；

　　MATLAB设计IIR Butterworth四阶低通滤波器；

　　传感器校准；

　　Mahony互补滤波算法 实现姿态解算；

　　加入mavlink/私有协议、UDP/USB上传数据到PC；

　　通过MATLAB/STM32验证和比较各种算法；

　　搭建单轴单桨一维角度控制平台；

　　……

　　开发环境

　　硬件：

　　碳纤管碳纤桨电机座、电机电调电源、ART_Pi、GY86、按键模块、硅胶线……

　　RT-Thread版本：

　　Master 4.0.3

　　开发工具及版本：

　　STM32CubeMX 6.0.1、IARforARM8.32.1、BeyondCompare4、MATLAB R2019b、VSCode、SmartGit20.1.5、匿名飞控地面站-0512……

　　RT-Thread使用情况概述

　　Pin、serial、cplusplus、time、finsh

　　硬件框架

　　ART_Pi、GY86、按键模块、电调……

　　软件框架说明

　　C/C++混合编程，进程和Loop Schedule结合

　　软件模块说明

　　核心部分：关于GY86的驱动以及姿态解算的Mahony

　　演示效果

演示视频：

　　比赛感悟

　　4/11/2020 Will_Watson

　　关于AHRS，卡尔曼滤波或互补滤波理解起来 简单但实施难度较大因为很多参数有待测定；

　　发现各开源项目用的最多的是Mahony算法，关于它的PI部分的本质着实难以理解；

　　当发现BP神经网络逼近好像可以和卡尔曼滤波一样，就当成滤波器，而且它还可以是一个逼近式的滤波器，免不了一番测试比较；

　　而后查看Madgwick原文中提到“梯度下降法”，瞬间明白了它的根源和本质；

　　当学习BP神经网络逼近的时候的思考流程如下：

　　逼近的需求来源是什么？  可能是为了预测系统下一个输出,为了做前馈控制？  预测 ——> 观测器 ——> 逼近式滤波器？？？

　　神经逼近网络 的特性有哪些？ 不具有长时记忆，短时记忆即可以说只具有最近时刻 原系统的逼近特性；

　　尝试检测滤波特性，从这个角度理解 逼近网络 也是一个不断修正的预估观测器 或者说 卡尔曼滤波器

　　从执行流程/滤波效果上 分析一维卡尔曼滤波 和 NNI-BP逼近一维非线性系统的 区别：

　　卡尔曼滤波流程： 先验估计值——>先验估计方差——>依据各方差融合传感器数据做后验估计——>更新后验估计方差；

　　NNI-BP逼近流程： 由网络前状态和新输入直接计算输出——>与原系统输出比较修正网络状态（是为了下一次直接获得预估输出）；

　　注：把原系统输出当成需滤波数据；把神经网络输出当成滤波后数据

　　卡尔曼滤波没有阶数的概念，而NNI-BP逼近的滤波特性具有一定延迟

　　卡尔曼滤波器的主要 控制参数（基于现实过程噪声和观测噪声）不可控，转移矩阵协方差矩阵需测得；

　　NNI-BP逼近 的主要 控制参数（学习速率和动量因子）可控 即滤波效果可调节，逼近系统特性；

　　也有一部分 “内闭环软拟硬输入输出”思想

　　当然算法的表现依然可以看起来就是加减乘除那么简单，双重卡尔曼看起来和做起来 可能没那么友好；