【基于PSINS工具箱】GNSS与IMU紧耦合的UKF代码

原创已于 2024-10-17 11:25:28 修改 · 550 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#matlab #PSINS #算法 #开发语言

于 2024-04-23 14:01:35 首次发布

基于PSINS工具箱的程序设计专栏收录该内容

41 篇文章 ¥49.90 ¥99.00

订阅专栏

本文介绍了使用PSINS工具箱进行GNSS与IMU紧耦合的UKF（Unscented Kalman Filter）算法实现，通过MATLAB进行编程，详细阐述了算法的开发过程并附带了注释。

在这里插入图片描述

文章目录

程序介绍
- - 代码介绍：GNSS/INS紧耦合的PSINS实现

工具箱本身也有，我在里面加了点注释

% PSINS，GNSS/INS紧耦合
clc;
clear;
close all;
rng(1);
ggpsvars
psinstypedef('test_SINS_GPS_tightly_def');
load insgpseo_tc.mat;

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

MATLAB卡尔曼

关注关注

1
点赞
踩
5

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

订阅专栏

【组合导航】强跟踪滤波IMU+GNSS组合导航【含Matlab源码 3865期】

订阅付费专栏Matlab（奶茶价版），可赠送奶茶价版付费专栏指定代码1份；

01-26

1454

强跟踪滤波IMU+GNSS组合导航完整的代码，方可运行；可提供运行操作视频！适合小白！

【图像分割】基于matlab GUI迭代阙值选择+最大类间差+区域生长图像分割【含Matlab源码 816期】

订阅付费专栏Matlab（奶茶价版），可赠送奶茶价版付费专栏指定代码1份；

04-22

1348

迭代阙值选择+最大类间差+区域生长图像分割完整代码，直接运行，适合小白！可提供运行操作视频！

参与评论您还未登录，请先登录后发表或查看评论

【亲测免费】 TightlyCoupledINSGNSS项目常见问题解决方案

gitblog_00728的博客

12-19

554

TightlyCoupledINSGNSS项目常见问题解决方案 1. 项目基础介绍和主要编程语言 TightlyCoupledINSGNSS是一个开源项目，主要基于MATLAB编程语言。该项目是一个INS/GNSS紧组合程序，使用伪距、伪距率、INS测量，并支持双天线测向数据。它基于教材《GNSS与惯性及多传感器组合导航系统原理》的仿真代码进行修改得到，能够实现基于伪距、伪距率、INS数据的紧组合...

GPS_IMU_Kalman_Filter 开源项目教程

最新发布

gitblog_00368的博客

11-13

767

GPS_IMU_Kalman_Filter 是一个开源项目，旨在通过卡尔曼滤波器（Kalman Filter）融合GPS和IMU（惯性测量单元）数据，以提高定位和导航的准确性。该项目由karanchawla开发，主要用于处理和优化移动设备或无人机的定位数据。 ## 项目快速启动 ### 环境准备在开始之前，请确保您的开发环境已安装以下工具和库： - Python 3.x - Git -

PSINS源码阅读—STIM300/GNSS组合导航

waihekor的博客

12-13

4215

PSINS源码阅读—STIM300/GNSS组合导航

【IMU Kalman滤波器】9轴IMU传感器（加速度计、陀螺仪、磁力计）的卡尔曼滤波器算法研究（Matlab代码实现）

weixin_46039719的博客

05-10

1727

【IMU Kalman滤波器】9轴IMU传感器（加速度计、陀螺仪、磁力计）的卡尔曼滤波器算法研究使用MPU9250（9轴IMU）的MATLAB扩展卡尔曼滤波器进行姿态估计和动画绘图本文是一个用于9轴IMU传感器（加速度计、陀螺仪、磁力计）的卡尔曼滤波器算法。您可以看到图形化动画的IMU传感器数据。动画图时间线硬铁偏差补偿角速度偏差补偿基于四元数动力学的扩展卡尔曼滤波器这篇文章专注于研究针对9轴IMU传感器（包括加速度计、陀螺仪和磁力计）的卡尔曼滤波器算法。

北斗导航 | 基于卡尔曼滤波的IMU+GNSS的组合导航（附Matlab源代码）

尘世冰封的专栏

07-25

3968

================================================ 博主github：https://github.com/MichaelBeechan 博主优快云：https://blog.youkuaiyun.com/u011344545 ================================================ 本项目是利用卡尔曼滤波器来确定移动平台的轨迹。为此，采用了一种运动多传感器系统（MSS），该系统配有三个光纤陀螺和三个伺服加速度计。此外，MSS包

使用LC伪距和伪距率的GNSS_IMU紧耦合MATLAB程序。_A GNSS_IMU tightly coupling

09-12

开发一个GNSS-IMU紧耦合的MATLAB程序需要对GNSS系统的信号处理、IMU数据融合以及滤波算法有深入的理解。常用的滤波算法包括卡尔曼滤波（Kalman Filter）、扩展卡尔曼滤波（Extended Kalman Filter, EKF）和无迹...

【基于PSINS工具箱的程序设计】专栏目录，持续更新……

985工科博士毕业，专攻定位、导航和滤波等算法研究。从业10年，主要使用MATLAB

10-22

418

在进行上层设计时，借助工具箱完成底层的复杂计算是很有必要的。也能利用工具箱学习惯导解算。本专栏分享若干自己基于PSINS编写的滤波、导航程序。如果没有工具箱，自己网上面下载或私信我，我给你啊 -😃。

【全球导航卫星系统】用于全球导航卫星系统（GNSS）和惯性测量单元（IMU）融合的状态卡尔曼滤波器研究（Matlab代码实现）

10-30

使用场景及目标：①应用于高精度定位系统中GNSS与IMU的紧耦合或松耦合融合；②提升动态环境中导航系统的鲁棒性和连续性；③为多传感器融合算法的研究与开发提供理论参考与代码基础。; 阅读建议：建议读者结合Matlab...

【组合导航】基于卡尔曼滤波实现GNSS和INS组合导航的定位算法附matlab代码

qq_59747472的博客

06-15

1036

近年来，随着移动机器人、无人驾驶汽车、无人机等领域的快速发展，对高精度、高可靠性的定位技术的需求日益增长。传统的单一导航系统，例如全球导航卫星系统（GNSS）和惯性导航系统（INS），各自存在着明显的局限性。GNSS易受遮挡、多路径效应和信号干扰的影响，而INS则会随着时间累积误差。因此，将两种系统进行组合，形成组合导航系统，成为了解决这一问题的有效途径。卡尔曼滤波作为一种经典的线性状态估计方法，在组合导航领域有着广泛的应用。

PSINS C++_C++PSINS_严恭敏_组合导航_psins_

09-30

严恭敏老师早期c++组合导航文件，具有一定参考价值。

GPS_INS位置组合Matlab仿真源码_导航_GPS_组合导航松组合_组合导航_

10-01

组合导航的松组合matlab仿真实验代码

【附源码+代码注释】误差状态卡尔曼滤波(error-state Kalman Filter)，扩展卡尔曼滤波，实现GPS+IMU融合，EKF ESKF GPS+IMU

热门推荐

一点儿也不萌的萌萌

03-04

4万+

卡尔曼滤波器在1958年被卡尔曼等人提出之后，经历了60多年，这期间有各种变体被提出来，但是核心的思想并没有变化。这其中比较突出的工作有，EKF、IEKF、ESKF、UKF等等。它们的方程有一些差异，但是用法基本区别不大，只要学会应用其中的一种，别的就问题不大了。卡尔曼滤波器的公式推导，并不重要!卡尔曼滤波器的公式推导，并不重要!卡尔曼滤波器的公式推导，并不重要!

陆地车非完整性约束——INS/NHC组合导航

qq_41551380的博客

04-12

1833

非完整约束：陆地车在不发生跳跃和侧滑时，其垂直于前进方向的后轮速度近似为零。

PSINS工具箱函数介绍——ggnss（ggpsvars+gbdvars+gglovars）

985工科博士毕业，专攻定位、导航和滤波等算法研究。从业10年，主要使用MATLAB

02-18

1158

PSINS（Precision Strapdown Inertial Navigation System）是面向高精度惯性导航算法开发的MATLAB工具箱，集成了150+个导航相关函数与20+种典型场景案例。惯性器件误差建模（陀螺随机游走、加速度计零偏）组合导航算法（GNSS/INS松耦合/紧耦合）初始对准与标定（静态基座对准、行进间对准）轨迹生成与可视化（三维轨迹动画、误差椭圆绘制）

INS/GPS组合导航类型简介

十八与她的博客

07-05

2914

导航技术为用户提供运动物体的位置、速度和姿态信息。常用导航方法有卫星导航和惯性导航。卫星导航以其定位精度高、区域覆盖范围广、用户端价格低廉且便于应用等优点，在导航领域备受关注，成为应用最广泛的导航技术[1]。虽然卫星导航系统有着精度高、全天候、连续实时定位的能力，但其定位性能受环境影响较大，如在城市峡谷、隧道等信号遮挡严重或干扰较大的地方，卫星导航的精度会大幅降低，甚至会出现定位解算失败的情况。惯性导航技术建立在牛顿经典力学定律的基础上，通过航迹推算原理求得物体的实时位置[2]。惯性导航具有独立工作能力强、

GNSS + IMU

01-20

### GNSS 和 IMU 集成在导航系统中的应用 #### 1. 组合方式及其优势 GNSS (全球定位系统) 提供绝对位置信息，而IMU(惯性测量单元) 则提供相对运动数据。两者组合可以显著提高系统的鲁棒性和精度。通过将高频率的IMU更新与低频但精确度高的GNSS读数相结合，在信号丢失期间仍能保持良好的性能[^1]。 #### 2. 数据融合方法对于GNSS-IMU集成而言，常用的数据融合策略包括松耦合(loosely coupled)和紧耦合(tightly coupled)两种模式： - **松耦合**：此方案下，GNSS接收机独立计算其自身的解决方案，并将其作为输入传递给IMU滤波器；反之亦然。 - **紧耦合**：这种方法更复杂但也更为有效，它允许两个传感器之间的误差相互校正，从而实现更高的整体准确性。 #### 3. 实现技术细节为了有效地实施上述提到的方法之一，通常采用扩展卡尔曼滤波(EKF)，无迹变换(UKF), 或者粒子滤波(PF)来处理非线性的状态转移方程以及观测模型。这些算法能够很好地适应实际环境中存在的噪声干扰和其他不确定性因素的影响。 ```python import numpy as np from filterpy.kalman import ExtendedKalmanFilter def ekf_update(x, P, z, H_jacobian_at, Hx, R): """ 执行一次EKF迭代参数: x : 当前的状态向量 P : 协方差矩阵 z : 测量值 H_jacobian_at: 计算雅可比矩阵H的函数 Hx : 将状态转换为预测测量的函数 R : 测量噪声协方差返回: 更新后的状态估计和对应的协方差矩阵 """ # 创建并初始化EKF对象 ekf = ExtendedKalmanFilter(dim_x=len(x), dim_z=len(z)) ekf.x = x.copy() ekf.P = P.copy() F = np.eye(len(x)) # 假设恒定速度模型下的状态转移矩阵 Q = np.diag([0., 0., 0]) # 过程噪声协方差矩阵设置为零简化起见 ekf.F = F ekf.Q = Q # 设置测量相关参数 ekf.R = R ekf.H_of_x = lambda x: Hx(x) # 使用提供的雅各布行列式求解器代替默认版本 ekf.update(z=z, HJacobian=H_jacobian_at, hx=ekf.H_of_x) return ekf.x, ekf.P ```