MATLAB卡尔曼的博客

给出使用PSINS工具箱生成导弹轨迹的关键步骤

本代码通过扩展观测维度和改进 CKF 算法，实现了高精度的 SINS/GPS 组合导航，适用于无人机、自动驾驶等场景。实验结果表明，滤波后导航误差显著降低，验证了方法的有效性。代码结构清晰，涵盖数据加载、滤波处理、结果分析全流程，可作为惯性导航算法的参考实现。如需帮助，或有导航、定位滤波相关的代码定制需求，请点击下方卡片联系作者。

代码基于PSINS工具箱实现了15维状态的无迹卡尔曼滤波（UKF），用于SINS/GPS组合导航系统，观测量为位置、速度和航向角。代码从仅速度观测的UKF153改进而来，扩展了观测维度以提高导航精度。代码段功能描述初始化部分加载参数、设置IMU误差模型、定义轨迹数据、初始化导航系统和滤波器参数。滤波主循环逐帧处理IMU数据，更新惯性导航状态，融合观测数据（航向、速度、位置）进行UKF滤波。结果可视化绘制轨迹对比图、速度/位置误差曲线、累计概率密度图（CDF）。误差统计输出计算并输出速度误差的平均值。

本程序以位置、速度和航向角为观测量，构造157（15维状态量、7维观测量）的滤波，采用扩展卡尔曼滤波（EKF）进行状态估计。

在 PSINS 工具箱中，导入 GPS 数据和 INS 数据并进行松组合滤波的步骤通常包括几个方面。本文给出教程。

原有的代码是以位置作为观测量的，这里提供位置+速度，共6维的观测量，状态量还是15维不变。

详解工具箱的UKF153代码，最后给出运行结果的解读和代码修改思路。

背景与应用本代码旨在通过 CKF 方法优化速度观测，使用 GNSS 数据来提高惯性导航系统的定位精度。CKF 是一种改进的卡尔曼滤波器，适用于处理非线性系统的状态估计问题。输入数据代码从名为的文件中读取轨迹数据，该数据包含了 IMU（惯性测量单元）和 GNSS 的观测信息。初始的 IMU 数据通过imuadderr函数添加了噪声，模拟现实环境中传感器的误差。

inserrplot是一个强大的工具，有助于快速评估和可视化插值误差，适合用于导航、测量和信号处理等领域的研究与开发。通过适当的参数设置，用户可以获得清晰的误差分析图，从而更好地理解和改进插值算法的性能。

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 -😃。

本代码实现了基于无迹卡尔曼滤波器（UKF）的IMU（惯性测量单元）数据对齐仿真。通过对IMU数据的处理和滤波，目标是估计设备的姿态和速度，特别是在存在误差的情况下。该代码实现了一个完整的IMU数据处理与UKF滤波的框架，为研究和开发基于惯性传感器的定位与导航系统提供了基础。通过对各种参数的调整，可以适应不同应用场景的需求，是学习和实践无迹卡尔曼滤波的良好示例。

本程序需要在安装工具箱后使用，工具箱是开源的，链接：http://www.psins.org.cn/kydm。

ZUPT是Zero Velocity Update（零速更新）的缩写。在惯性导航系统中，由于传感器误差、漂移等原因，会导致位置和速度估计的误差累积。而ZUPT是一种技术，用于校准这些误差。ZUPT技术的基本思想是，在系统的运动过程中，当系统静止时，速度应该为零。通过检测到系统是否处于静止状态，可以进一步校准速度误差。具体实现中，可以利用加速度计等传感器的数据，结合运动检测算法，判断系统是否处于静止状态。当系统静止时，将速度更新为零，从而减小误差的累积。

GPS单点定位的函数

本文讲解的程序是PSINS工具箱（相关文章：PSINS初学指导，）的一个函数，在此基础上进行优化。如果要运行，需要先安装工具箱。剩余函数在工具箱里面都有。SINS是捷联惯导，略。

【UKF三维滤波】以组合导航为背景，设计的三维无迹卡尔曼滤波程序（MATLAB）|无需下载，复制到MATLAB上面即可运行

航位推算本文讲解的程序是PSINS工具箱（相关文章：PSINS初学指导，）的一个函数，在此基础上进行优化。如果要运行，需要先安装工具箱。

【代码】odsimu函数报错的调试记录【已解决】

非线性高斯，各种卡尔曼滤波下的自由落体仿真。

test_POS_trj是一个生成轨迹的程序。

天文导航（cns）+ins组合导航和gps+ins导航的结果对比，MATLAB的源代码，基于psins工具箱。工具箱介绍：PSINS工具箱是一个开源的惯性导航系统（INS）工具箱，用于处理惯性测量单元（IMU）数据进行导航和定位。它是一个使用MATLAB编写的软件工具，提供了一系列功能和算法，可以用于处理IMU的原始数据并估计航姿（航向、俯仰、横滚）、速度和位置等导航参数。

每一行是一个时间序列下计算的结果，其中1~3列为姿态角误差（由avp-trj.avp），4-6列为速度误差，7-9列为位置误差（纬经高），第10列是时间戳。第一个trj.avp是用于对比的基准avp，第二项avp是需要对比的avp。avpcmpplot这个函数的字面意思是：avp的比较和绘图。【注】avp的格式要求：每行表示一个时间1~3列为姿态（如上图，9659行、10列的矩阵。），4-6列为速度（），7-9列为位置（

insplot;是速度曲线图，其中蓝色、红色、黄色分别为东向、北向、天向的速度。第一行的两幅图为三个姿态角的曲线图。的紫色曲线为速度大小

基于PSINS的MATLAB工具箱。工具箱给的例程只有单独的EKF等滤波算法，这个程序将三种方法汇总在一起，并进行对比。EKF：扩展卡尔曼滤波UKF：无迹卡尔曼滤波CKF：容积卡尔曼滤波。

PSINS中，trj.wat的形式

介绍函数：imuerrset

本程序实现了GNSS（全球导航卫星系统）与INS（惯性导航系统）之间的紧耦合滤波，采用扩展卡尔曼滤波器（UKF）进行状态估计。在复杂的导航环境中，通过结合GNSS和INS的数据，可以显著提高位置和姿态的估计精度。以下是代码的主要功能和结构的详细介绍。本程序展示了如何实现GNSS和INS紧耦合的滤波算法，通过扩展卡尔曼滤波器（UKF）有效地处理和融合来自IMU和GNSS的数据。通过仿真实验验证了该方法在位置和姿态估计中的有效性，为相关领域的研究和应用提供了基础和参考。

如果没有工具箱，网上面很多，实在找不到可以找我要链接。没有工具箱是无法直接运行本程序的。程序根据153的模型（15维状态量、3维GNSS观测量），在自己定义了一个运动路径后，使用EKF和UKF对状态进行估计，并绘制轨迹图、估计值的时序图、误差图。

本文给出PSINS工具箱test_SINS_GPS_153的代码注释

速度观测的153，EKF

借助工具箱完成底层的复杂计算是很有必要的。另一方面，也能利用工具箱进行惯导解算方面的学习。

在有工具箱的情况下，直接运行代码，即可。

对工具箱SINS/GPS，153例程的修改，将EKF和UKF放在一个文件里面，一次运行可以得到两个滤波的结果。

在IMU没有时间戳时，先根据采样周期（或采样频率）将时间戳补齐，然后再进行解算的程序。

【代码】修复PSINS一个不常用的函数（getgnssvp）的小bug。