多传感器融合(二)-- IMU/GPS/GNSS协同定位原理与实践

多传感器融合定位GNSS、IMU、Lidar、Camera LOAM系列算法配置及建图测试:LIO-SAM、LeGO、A-LOAM、LIO-mapping。参考AutoWare 或者 Apollo。4.融合GNSS、IMU的点云定位。5.融合Camera的点云定位。2.融合GNSS的点云定位。3.融合IMU的点云定位。1.纯激光雷达点云定位。 阅读详情

1. 为什么单打独斗的传感器总“掉链子”?

如果你玩过无人机或者用过手机导航,肯定遇到过这种情况:在楼宇之间穿梭时,手机地图上的小蓝点突然开始“漂移”,或者无人机在室内悬停时,明明没动,画面却开始自己“平移”。这背后,其实就是单一传感器的局限性在作祟。

我们先来快速回顾一下三位主角的“看家本领”和“天生短板”。惯性测量单元(IMU),就像一个蒙着眼睛的短跑运动员。它能非常灵敏地感知自己每一步的加速度和身体的转动(角速度),通过积分运算,可以推算出自己跑了多远、转了多少度。它的优点是数据输出频率极高(通常几百赫兹)、完全自主、不依赖外部信号,在短时间内精度非常高。但问题在于,它推算出的位置和姿态信息,会随着时间累积误差,也就是我们常说的“积分漂移”。跑得越久,偏离真实位置就越远。

而全球定位系统(GPS) 和更广义的全球卫星导航系统(GNSS),则像是一个每隔一段时间就收到一次外界坐标广播的灯塔守望者。它们通过接收至少四颗卫星的信号,直接解算出接收机在地球上的绝对位置(经纬度、海拔)。这个位置本身没有累积误差,是“全局真值”。但它的缺点也很明显:更新频率低(通常1-10Hz)、容易受遮挡(进隧道、室内、高楼间就没信号了)、原始数据存在噪声,并且在多路径效应(信号被建筑物反射)严重的城区,精度会急剧下降。

所以你看,IMU和GNSS的优缺点几乎是完美互补的。一个高频但会漂移,一个绝对准确但低频且不稳定。让它们俩“协同工作”,取长补短,就是多传感器融合在定位领域的核心思想。这就像让那个蒙眼跑步的运动员,每隔一小段时间就听一次灯塔的准确坐标广播,及时纠正自己跑偏的路线,同时在两次广播之间,依靠自己灵敏的腿脚继续高频率地推算位置。最终实现的效果是:既保持了高频、连续的输出,又拥有了长期稳定、无漂移的绝对精度。这种协同,在自动驾驶、无人机精准降落、机器人室内外无缝导航等场景下,是确保安全与可靠性的基石。

2. 协同定位的核心:松耦合与紧耦合

明白了为什么要融合,接下来就是怎么融合的问题。这里有两个主流的“合作模式”,也是很多初学者容易混淆的概念:松耦合和紧耦合。你可以把它们理解为两种不同的团队协作方式。

2.1 松耦合:结果层面的“握手”

松耦合是最直观、最容易上手的方式。在这种架构下,IMU和GNSS接收机各自为政,独立工作。GNSS接收机内部已经完成了解算,输出一个位置、速度的解决方案;IMU也通过惯性导航解算,输出一套位置、速度、姿态。

融合滤波器(通常是卡尔曼滤波器)的职责,就是坐在中间,当“裁判”。它接收两边已经处理好的“最终结果”,然后进行比较和修正。具体来说,滤波器会用GNSS输出的位置和速度,作为“观测值”或“量测值”,去修正IMU惯性导航解算出来的状态(位置、速度、姿态,以及IMU自身的传感器误差,如零偏)。

它的工作流程是这样的:

  1. 预测步(靠IMU):滤波器利用IMU当前时刻的加速度和角速度数据,根据运动模型,预测出下一时刻载体的位置、速度和姿态。因为IMU频率高,这个预测可以非常密集地进行。
  2. 更新步(靠GNSS):当GNSS接收机有新的有效数据输出时(比如每秒一次),滤波器就将GNSS给出的位置/速度,与当前预测出的位置/速度进行比较。这个差异,就是“误差”。
  3. 修正步:滤波器根据这个误差,按照最优估计的算法(如卡尔曼增益),反过来修正刚才的预测值,得到一个更优的估计。同时,它还会估计并修正IMU加速度计和陀螺仪的零偏,让IMU下一次的预测更准。

松耦合的优点非常明显:

  • 结构简单,易于实现:两个系统独立,互不影响,你可以直接使用市面上的商用GNSS模块和IMU模块。
  • 鲁棒性强:即使GNSS信号暂时丢失,滤波器依然可以依靠纯惯性导航持续工作一段时间,只是精度会随时间下降。
  • 调试方便:两边数据流清晰,出了问题容易定位。

但它的缺点也很致命:

  • 依赖GNSS的完好性:如果GNSS模块本身因为信号差,输出了一个错误的位置(比如因为多路径效应跳点了),松耦合滤波器会无条件地相信这个错误数据,并用来修正IMU,导致整个系统输出错误。它无法鉴别GNSS原始数据的质量。
  • 信息利用不充分:它只用了GNSS处理后的位置/速度结果,丢弃了原始的伪距、载波相位等更底层、更丰富的信息。

在实际项目中,如果你面对的GNSS信号环境比较好(比如开阔天空),对系统实时性要求高,想快速搭建原型,松耦合是很好的起点。我早期做无人机项目时,就是用松耦合先跑通了整个流程。

2.2 紧耦合:原始数据层面的“深度融合”

紧耦合则是一种更亲密无间、也更复杂的合作模式。它不再信任GNSS接收机内部的“黑箱”解算,而是直接把GNSS的原始观测数据——主要是伪距和载波相位——送入融合滤波器。

此时,滤波器自己内部建立了一个“迷你”的GNSS定位引擎。它利用IMU预测出的载体位置和速度,结合已知的卫星星历,来“预测”接收机到每颗可见卫星的伪距应该是多少。然后,将这个预测值,与实际GNSS接收机测量到的伪距观测值进行比较。这个差值,同样作为“误差”,用来修正整个系统的状态(包括载体状态和IMU误差)。

紧耦合的优势是革命性的:

  • 抗干扰能力极强:这是它最大的卖点。在卫星信号部分遮挡(比如只能看到4-5颗星,不足以独立定位)或者存在多路径干扰时,GNSS接收机自己可能已经无法输出有效位置了。但在紧耦合中,即使可见卫星少于4颗,这些卫星的伪距观测信息依然能被滤波器利用。IMU提供的预测信息,相当于为定位方程提供了强有力的约束,使得系统在恶劣环境下仍能维持定位。
  • 精度潜力更高:尤其是当引入载波相位观测值时,可以实现厘米级甚至毫米级的定位精度(通常需要结合RTK等技术)。
  • 能检测并排除故障卫星:通过在滤波器内部进行一致性检验,可以识别出哪颗卫星的观测数据存在异常(比如受多路径影响大),并降低其权重或将其剔除,从而提升整体解的可靠性。

当然,紧耦合的代价也不小:

  • 系统复杂度飙升:你需要自己处理卫星星历、电离层/对流层延迟修正、周跳探测等一堆GNSS领域的专业问题。
  • 计算量更大:状态向量的维度可能更高,因为要估计每颗卫星的钟差等参数。
  • 更依赖IMU的短期精度:因为要用IMU预测值来辅助GNSS定位,如果IMU短期误差太大,可能会“带偏”整个系统。

简单来说,松耦合是“结果融合”,而紧耦合是“数据融合”。对于自动驾驶这种性命攸关、且经常面临城市峡谷挑战的应用,紧耦合几乎是必选项。它能确保在GNSS信号断续续的情况下,系统依然输出稳定可靠的位置。我参与过一个园区无人配送车的项目,从松耦合升级到紧耦合后,在楼宇间的定位丢失率下降了超过70%。

3. 融合算法的心脏:卡尔曼滤波器及其变种

无论松耦合还是紧耦合,都需要一个强大的算法来执行“预测-修正”这个核心流程。这个算法,绝大多数时候都是卡尔曼滤波器及其家族成员。别被这个名字吓到,我们可以用一个简单的“温度计预测”来类比。

假设你要用一个不太准的温度计测量室温。你知道室温变化很慢(模型),但温度计读数有噪声(观测噪声)。卡尔曼滤波器做两件事:

  1. 预测:根据上一刻的温度,预测下一刻的温度(比如认为基本不变)。
  2. 更新:当新的温度计读数到来时,它会聪明地权衡:是更相信自己的预测呢,还是更相信温度计的读数?如果温度计本身很烂(噪声大),它就更相信预测;如果预测模型很不靠谱(比如房间其实在快速加热),它就更相信读数。这个“权衡”的系数,就是卡尔曼增益。

在我们的IMU/GNSS融合中,状态就是我们要估计的向量,比如 [位置, 速度, 姿态, 加速度计零偏, 陀螺仪零偏]。IMU提供了预测模型(根据加速度和角速度推算状态变化),GNSS提供了观测数据。卡尔曼滤波器就是这个聪明的“权衡者”。

但在实际应用中,标准的卡尔曼滤波器(KF)要求系统是线性的,而我们的姿态(通常用四元数或欧拉角表示)变化是非线性的。这就引出了两个更强大的变种:

扩展卡尔曼滤波器(EKF):这是工程上应用最广泛的。它的核心思想是“局部线性化”。在每一个时刻,我对非线性的系统模型和观测模型,在当前状态估计值附近进行一阶泰勒展开,近似为线性模型,然后套用标准卡尔曼滤波的公式。这就好比在一条弯曲的山路上,每一小段我们都把它近似看成直线来走。EKF在大多数情况下效果很好,我过去十年的项目里,八成以上的融合方案都是用EKF实现的。它的缺点是线性化误差可能会在强非线性时导致滤波器发散。

误差状态卡尔曼滤波器(ESKF):这是一种更优雅的处理非线性姿态的方法。它不直接估计绝对姿态,而是估计姿态误差(以及位置、速度误差等)。关键点在于,姿态误差很小的时候,可以认为是线性的。滤波器始终在一个小的、线性的“误差状态空间”里运作。每次更新后,将估计出的误差状态“注入”到名义状态中,然后将误差状态清零。这种方法在理论上比EKF更严谨,数值稳定性也更好,特别适合高精度的惯性导航融合。现在很多开源SLAM框架里的IMU处理模块,都采用了ESKF的思想。

选择EKF还是ESKF,取决于你对精度、稳定性和实现复杂度的权衡。对于刚入门的朋友,我建议先从EKF开始,把整个融合流程打通,理解数据是如何流动的。这比纠结于理论细节更重要。

4. 从理论到实践:一个简单的松耦合EKF实现示例

光说不练假把式。下面,我以一个高度简化的松耦合EKF为例,带你走一遍代码实现的核心步骤。我们假设状态向量是9维:位置(xyz)、速度(xyz)、姿态(用欧拉角roll, pitch, yaw表示)。GNSS提供位置观测。

首先,我们需要定义系统的状态方程(由IMU驱动)和观测方程(由GNSS提供)。

import numpy as np
from scipy.linalg import expm

class SimpleIMUGPSFusion:
    def __init__(self, init_pos, init_vel, init_att):
        # 状态: [px, py, pz, vx, vy, vz, roll, pitch, yaw]
        self.state = np.array([init_pos[0], init_pos[1], init_pos[2],
                               init_vel[0], init_vel[1], init_vel[2],
                               init_att[0], init_att[1], init_att[2]])
        # 状态协方差矩阵,表示不确定性
        self.P = np.eye(9) * 0.1
        # 过程噪声协方差 (IMU噪声)
        self.Q = np.eye(9) * 0.01
        # 观测噪声协方差 (GPS噪声)
        self.R = np.eye(3) * 0.5

    def predict(self, acc, gyro, dt):
        """预测步:使用IMU数据预测状态"""
        # 1. 提取当前状态
        vx, vy, vz = self.state[3:6]
        roll, pitch, yaw = self.state[6:9]

        # 2. 构建状态转移矩阵F(这里是简化的线性模型,实际中姿态部分非线性很强)
        # 对于位置:p_new = p_old + v * dt
        # 对于速度:v_new = v_old + acc * dt (需转换到世界坐标系!这里简化了)
        # 对于欧拉角:att_new = att_old + gyro * dt (简化,实际非线性和旋转顺序相关)
        F = np.eye(9)
        F[0, 3] = dt  # px 与 vx 的关系
        F[1, 4] = dt  # py 与 vy
        F[2, 5] = dt  # pz 与 vz
        # 注意:这里速度到位置的转移是线性的,但加速度计数据`acc`需要先根据当前姿态旋转到世界系,再积分。
        # 姿态更新更是非线性的。此处F矩阵是极度简化的,仅用于演示流程。

        # 3. 预测状态
        # 真实项目中,这里需要一个完整的惯性导航更新函数
        self.state = F.dot(self.state)
        # 简单添加控制输入(IMU数据的影响)
        self.state[3:6] += acc * dt  # 速度更新
        self.state[6:9] += gyro * dt # 姿态更新(简化!)

        # 4. 预测协方差
        self.P = F.dot(self.P).dot(F.T) + self.Q

    def update(self, gps_position):
        """更新步:使用GPS位置观测修正状态"""
        # 1. 观测矩阵 H: 我们只观测位置 (x, y, z)
        H = np.zeros((3, 9))
        H[0, 0] = 1
        H[1, 1] = 1
        H[2, 2] = 1

        # 2. 计算卡尔曼增益 K
        S = H.dot(self.P).dot(H.T) + self.R
        K = self.P.dot(H.T).dot(np.linalg.inv(S))

        # 3. 计算观测残差 (Innovation)
        z = np.array(gps_position)  # 实际观测值
        z_pred = H.dot(self.state)  # 预测的观测值 (即预测的位置)
        y = z - z_pred

        # 4. 状态更新
        self.state = self.state + K.dot(y)

        # 5. 协方差更新
        I = np.eye(9)
        self.P = (I - K.dot(H)).dot(self.P)

# 模拟使用示例
if __name__ == "__main__":
    # 初始化:位置(0,0,0),速度(0,0,0),姿态(0,0,0)
    fusion = SimpleIMUGPSFusion([0,0,0], [0,0,0], [0,0,0])

    # 模拟数据流
    for i in range(100):
        dt = 0.01  # 10ms, IMU 100Hz
        # 模拟IMU数据 (加速度 m/s^2, 角速度 rad/s)
        acc_imu = np.array([0.1, 0.0, 9.8])  # 有少量x方向加速度,z方向重力
        gyro_imu = np.array([0.0, 0.0, 0.05]) # 缓慢偏航

        # 预测步
        fusion.predict(acc_imu, gyro_imu, dt)

        # 每10次预测(模拟GPS 10Hz)进行一次更新
        if i % 10 == 0:
            # 模拟GPS位置观测,带一些噪声
            true_pos = fusion.state[0:3] + np.random.randn(3)*0.1
            fusion.update(true_pos)
            print(f"Step {i}: Fused Pos = {fusion.state[0:3]}")

这段代码极度简化,尤其是预测模型,但它清晰地展示了EKF“预测-更新”的交替节奏。在真实项目中,你需要:

  1. 使用更精确的惯性导航微分方程进行状态预测。
  2. 使用四元数表示姿态,并正确地进行三维旋转和更新。
  3. 考虑地球自转、科里奥利力等(对于高精度导航)。
  4. 仔细调校 Q 和 R 矩阵,它们分别代表了你对IMU噪声和GNSS噪声的信任程度。调参过程往往是工程实践中的关键和难点。

5. 实战中的挑战与调参心得

把算法跑起来只是第一步,让它在真实世界中稳定、可靠地工作,才是真正的挑战。这里分享几个我踩过坑才学到的经验。

第一个大坑:时间同步。 IMU数据是100Hz、200Hz甚至更高频率地涌来,GNSS数据可能只有1Hz、5Hz或10Hz。你必须确保融合时,用于预测的IMU数据和用于更新的GNSS数据在时间戳上是严格对齐的。差之毫厘,谬以千里。我常用的做法是,用一个硬件触发信号,或者在高精度时钟源下,为每一个IMU采样和每一个GNSS观测都打上微秒级甚至纳秒级的时间戳。在软件融合时,根据时间戳进行插值或对齐。曾经因为时间戳处理粗糙,导致无人机在高速飞行时,融合位置总是滞后,差点酿成事故。

第二个大坑:传感器标定。 直接买来的IMU,其输出并不是“纯净”的物理量。加速度计和陀螺仪存在零偏(不输入时也有微小输出)、尺度因子误差(输出值与真实物理量的比例不对)、以及非正交误差(三个轴不严格垂直)。更关键的是,你需要知道IMU坐标系和GNSS天线相位中心在载体坐标系下的相对位置关系,这个叫做杆臂值。如果IMU在车头,GNSS天线在车尾,你不告诉滤波器这两者之间有2米的距离,那么融合结果永远对不上。我的做法是,在上车或上飞机前,必须做一次系统的标定:静态采集数据求零偏,旋转标定求尺度因子和正交性,精密测量杆臂值。这些参数初始化到滤波器中,能极大提升起步精度。

第三个大坑:噪声协方差矩阵的调参。 代码里的 Q 和 R 矩阵不是随便设的。Q 反映了IMU的过程噪声,R 反映了GNSS的观测噪声。理论上它们应该来自传感器的数据手册,但实际环境中,干扰会让噪声变大。一个实用的调参方法是“自适应”或者“开机学习”。在系统启动后,先让载体保持静止几十秒,这段时间内,速度理论为零,位置理论不变。你可以统计IMU输出的波动来实时估计 Q,统计GNSS位置的波动来估计 R。这样得到的噪声参数,比死记硬背手册上的值要靠谱得多。

第四个大坑:异常值处理。 GNSS信号可能会突然跳变(比如经过高压线下方),IMU也可能受到瞬时冲击(比如车轮压过一块石头)。这些异常数据如果不被识别并剔除,会直接“毒害”滤波器状态。在更新步骤前,一定要加一步“新息检测”。新息就是上面代码里的 y(观测残差)。在理论稳态下,新息应该是一个零均值、协方差为 S 的高斯白噪声。如果某次更新的新息向量的范数远远大于根据 S 计算出的理论阈值,那么这次观测很可能是异常的,应该丢弃,只进行预测,不进行更新。这为系统增加了一层重要的安全垫。

把这些细节都处理好,你的融合系统才能从实验室走向户外,从演示demo变成可靠的产品模块。这个过程没有捷径,就是不断地采集真实数据、分析问题、调整参数、再测试。每一个稳定运行的自动驾驶定位模块背后,都是大量这样的工程打磨。

多传感器融合(一)-- IMU/GPS/GNSS介绍 全球定位系统(GPS)是“授时、测距导航系统/全球定位系统(Navigation systerm Timing and Ranging/Global Positioning System)的简称。该系统是由美国国防部于1973年组织研制,主要为军事导航与定位服务的系统。历经20年,耗资300亿美元,于1993年建设成功。GPS是利用卫星发射的无线电信号进行导航定位,具有全球性、全天候、高精度、快速实时三维导航、定位、测速和授时功能,以及良好的保密性和抗干扰性。全球卫星导航系统 (GNSS) 阅读详情

相关推荐

基于ES-EKF的多传感器融合轨迹估计实战:从LiDAR/GNSS/IMU数据到精准定位(含代码实现)

本文详细介绍了基于ES-EKF的多传感器融合轨迹估计实战方法。通过结合LiDAR、GNSS和IMU数据,利用误差状态扩展卡尔曼滤波(ES-EKF)算法,有效克服了单一传感器的局限性,实现了高精度、鲁棒的定位。文章包含从原理分析、代码环境搭建、核心算法实现到结果可视化的完整流程,为自动驾驶和机器人领域的定位问题提供了实用的解决方案。

n2o3p4的博客 2386

IMU 与 GPS 融合定位:基于扩展卡尔曼滤波的 C++ 实现

扩展卡尔曼滤波是卡尔曼滤波在非线性系统中的扩展。在机器人定位场景中,系统状态方程和观测方程通常是非线性的。系统状态方程:一般可表示为 $x{k} = f(x{k - 1}, u{k - 1}$,其中 $x{k}$ 是 $k$ 时刻的系统状态(包含位置、速度、姿态等),$f$ 是非线性函数,$u{k - 1}$ 是 $k - 1$ 时刻的控制输入(如 IMU 测量的加速度和角速度),$w_{k - 1}$ 是过程噪声。观测方程:$z{k} = h(x{k}) + v{k}$,$z。

2503_93896960的博客 1578

多传感器时间同步

多传感器融合之时间同步

Untitled的专栏 6847

GNSS+IMU学习

我们认为,L3 级别自动驾驶的定位精度误差要控制在 30cm 以内。一方面,高精度 地图的绘制精度要求达到 10cm,定位精度应与地图精度匹配。另一方面,L3 级别 需要满足车道级定位精度。从国家颁布的城市道路标准可以得到相关数据,城市道 路、交叉路口、干线公路(包括高速公路)、路肩(高速公路紧急停车带)对应的 车道宽度分别为 3.5 米、 2.3-2.5 米、3.75 米以及 1.5-2.5 米,轿车的宽度一般约 2 米。由此,我们分析 L3 级别需要 10-30cm 的定位精度。

爱是与世界平行 3891

自动驾驶多传感器融合:LiDAR与GNSS/IMU标定技术全解析

本文全面解析自动驾驶中LiDAR与GNSS/IMU的标定技术,涵盖坐标系转换、手眼标定原理及主流优化方法。针对实际应用中的Z轴标定、固态LiDAR兼容性等挑战提供解决方案,并分享数据采集、算法选择与结果验证的实操指南,提升多传感器融合定位精度。

k9l0m1的博客 614

多源多传感器融合定位:深入解析GNSS、IMU和摄像头的GPS/INS组合导航与PPP/INS技术

PPP/INS是将PPP和IMU数据融合的技术,它结合了PPP的高精度和IMU的实时性。IMU,即惯性测量单元,是一个包含加速度计和陀螺仪的设备,用于测量物体的线性加速度和角速度。这篇文章提供了一个对多源多传感器融合定位技术的全面介绍,包括GNSS、IMU和摄像头的基础知识,以及如何实现GPS/INS和PPP/INS的数据融合。当接收到以"$GPGGA"开头的行时,它会返回该行的数据,这是一个常见的GNSS数据格式。这是一个简化的示例,实际的GPS/INS融合可能会涉及更复杂的滤波和估计算法。

qq_38334677的博客 1828

车载多传感器融合定位方案:GPS +IMU+MM

点击上方蓝字,关注高德技术!1.导读高德定位业务包括云上定位和端上定位两大模块。其中,云上定位主要解决Wifi指纹库、AGPS定位、轨迹挖掘和聚类等问题;端上定位解决手机...

高德技术 1万+

基于GNSS/IMU的多传感器融合导航系统设计与实现

本文设计实现了一套多传感器融合导航系统,通过融合GPS、北斗等GNSS系统和IMU数据,采用扩展卡尔曼滤波实现紧耦合。系统架构包含GNSS接收、IMU处理、卡尔曼滤波等模块,支持100Hz解算频率,实现RTK厘米级和单点米级精度。详细阐述了数据流设计、姿态解算、自适应滤波等核心算法,以及IMU校准、多系统GNSS加权融合等关键实现技术。测试表明系统能有效提高导航精度和鲁棒性,为无人机、自动驾驶等应用提供了可靠的导航解决方案。

电脑管家 1431

自动驾驶IMU到车体坐标系的外参标定详解:GNSS GPS与IMU联合标定工程注释代码分享

Imu2Car工程的核心目标是实现IMU到车体坐标系的角度误差标定,通过“安装依赖→编译工程→执行标定”的流程,最终输出角度误差结果。依赖明确:严格依赖Ubuntu系统与Boost/Eigen3.3.7/PCL库,需按步骤安装确保兼容性;算法可选:提供两种标定算法,分别适配“直线行驶”与“自由运动”场景,覆盖不同标定需求;结果直观:标定结果以CSV文件形式输出,便于后续分析与使用,无复杂结果解析成本。

QQ68823886的博客 1699

GD32F105RBT6 keil工程模板

创建GD32F105RBT6的keil初始基础工程,未来的所有外设驱动都是基于这个基础工程进行扩展。

RMDYBW的博客 1932

告别设备管理器混乱!3分钟学会用STM32CubeMX+Zadig定制专属虚拟串口名称

本文详细介绍了如何利用STM32CubeMX和Zadig工具,为STM32的USB虚拟串口(VCP)定制专属设备名称,从而彻底解决多设备连接时设备管理器端口混乱的难题。通过修改产品字符串描述符并替换驱动,开发者可以在设备管理器中清晰识别不同开发板,显著提升调试效率,尤其适用于多设备协同的竞赛或项目开发场景。

a2b3c4d5e的博客 479

关于IMU、激光雷达、Kinect的融合构想

1.Kinect有三个镜头,中间的镜头是 RGB 彩色摄影机,用来采集彩色图像。左右两边镜头则分别为红外线发射器和红外线CMOS 摄影机所构成的3D结构光深度感应器,用来采集深度数据(场景中物体到摄像头的距离)。彩色摄像头最大支持1280*960分辨率成像,红外摄像头最大支持640*480成像。Kinect还搭配了追焦技术,底座马达会随着对焦物体移动跟着转动。Kinect也内建阵列式麦克风,由四...

谜底的博客 6673

浅谈专项测试之弱网络测试

浅谈专项测试之弱网络测试 一.弱网络测试背景 移动端产品的使用并非完全都是在流畅的wifi环境,大部分用户主要使用4G,3G,2G等网络,另外因为移动端产品使用的场景多变,如进公交,上地铁,坐电梯,使得弱网测试显得尤为重要。考虑到各种场景的客户端展示及容错,提升产品的印象和用户体验,提高产品的健壮性,弱网测试必不可少。 二.弱网络测试建议 网下需要进行功能点测试,无网络测试,网络切换测试等,测试过程除了关注功能点的实现,还应关注用户体验等各个方面 三.弱网络测试通用功能点总结 四.弱网络测试用例实例

ITstudy001的博客 1011

多传感器融合之时间同步(一)

为了有效融合多个传感器的感知数据,必须进行时间同步。

scott198512的博客 1万+

51单片机———UART串口通信

传统理解就是信息的传输与交换。单片机与单片机之间,单片机与电脑之间,以及单片机与各式各样的模块之间都可以进行通信。如果没有通信,那么单片机的功能仅仅局限于它本身,它没办法从其他设备获取有用信息,也无法将自己产生的信息告诉其他设备,这样子单片机与外围器件的合作就会收到限制,没办法完成更多的功能,就像一个没办法拓展业务的公司。:实现我们程序当中写的P0=0xFC,就是一次同时对8位进行信号的输出;习惯上,我们还称P0、P1、P2、P3为单片机的4组并行总线:实现低位先发 高位在后。

m0_74225397的博客 3298

【WorkBuddy专栏27】WorkBuddy 和 CodeBuddy 到底什么关系——一篇文章终结所有混淆

WorkBuddy 和 CodeBuddy 到底什么关系——一篇文章终结所有混淆

AI人人懂 2811

VBOX GNSS/INS系统在车辆动态坡度测量中的原理、精度与应用实践

VBOX这类高精度GNSS/INS组合导航系统,通过深度的传感器融合和先进的算法,有效克服了动态工况对车辆坡度测量的干扰,为汽车研发测试提供了强大而可靠的解决方案。选择双天线方案还是GNSS/IMU组合方案,需根据具体的测试目标、预算和工况复杂性进行权衡。作为工程师,深入理解其技术原理和局限性,并遵循正确的安装与操作规范,是获取高质量坡度数据的关键。

优快云-新能源汽车研发测试专业博主 1387

UG NX二次开发(C++)-UIStyler-指定平面的对象和参数获取

在采用NXOpen C++进行二次开发时,采用Menu/UIStyler是一种很常见的方式,这样可以制作精美的界面,而且常用的块对象也集成了快速编程的代码,我们可以快速的利用这些块来定制我们需要的界面。但是,对于很多初学者可能对选择对象的获取不是很熟悉,我们本文以选择“指定平面”来讲一下如何获取选择的对象和对象的参数。另外,由于我们的UG NX二次开发学习讨论群QQ一群已满,有希望参与学习的有志之士加入我们的QQ二群:683566590。

GimiGimmy 1093

自动驾驶多传感器联合标定系列之IMU到车体坐标系的标定工程 , 本商品在已知GNSS/GPS到...

Imu2Car 是一款面向自动驾驶场景的多传感器联合标定工具,核心功能是实现 IMU(惯性测量单元)到车体坐标系的精准标定,通过计算 IMU 与车体坐标系之间的滚转角(Roll)、俯仰角(Pitch)、偏航角(Yaw)偏移量,消除传感器安装误差带来的测量偏差,为自动驾驶系统提供可靠的姿态与位置数据支撑。直线行驶标定(method_id=1):适用于车辆能稳定直线行驶的场景,仅标定偏航角(Yaw)偏移;

yRXTIugk的博客 1683

使用MATLAB的COMSOL LiveLink:实时连接和数据传输

COMSOL LiveLink是一种功能强大的MATLAB工具包,它允许用户在MATLAB环境中与COMSOL Multiphysics软件进行实时连接和数据传输。COMSOL LiveLink是一种功能强大的MATLAB工具包,它允许用户在MATLAB环境中与COMSOL Multiphysics软件进行实时连接和数据传输。使用COMSOL LiveLink,你可以进行更复杂的模型设置和数据传输使用MATLAB的COMSOL LiveLink:实时连接和数据传输。

PixelNinja的博客 2098

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

多传感器融合定位(4-基于滤波的融合方法)kitti数据集 IMU频率改为100HZ

多传感器融合定位(4-基于滤波的融合方法)kitti数据集 IMU频率改为100HZ 本博文参考GEYAO 大神的github 到kitti 官网下载 2011_10_03_drive_0027 的extract数据集 (原来的 sync数据集为去除相机畸变的数据集,但是IMU发布频率只有10HZ 显然不满足进行多传感器融合处理,extract的数据集为raw_data ,IMU频率为100HZ,但是没有进行相机去畸变) kitti 官网下载 2011_10_03_drive_0027 的extract

weixin_41281151的博客 7830

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

多传感器融合定位(4-基于滤波的2融合方法)2-使用仿真数据进行imu-gnss eskf和时变系统下的可观测性分析

多传感器融合定位(4-基于滤波的2融合方法)2-使用仿真数据进行imu-gnss eskf和时变系统下的可观测性分析 本次作业摘自 张松鹏大哥的优秀作业 代码下载 https://github.com/rainbowrooster/Multi—sensor-fusion-and-positioning/tree/main/chapter4/Q2 下载说明:chapter4/Q2 中 , gnss-ins-sim 优秀代码为鹏哥自定义仿真场景,和使用gnss-ins-sim生成仿真IMU数据的py文件;ins

weixin_41281151的博客 3548

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

上一篇: 深度解析:SAP系统间数据交互的三大核心接口技术
下一篇: MQTT协议实战:LWT与保留消息在智能家居状态同步中的最佳实践
cloud
博客等级 码龄27年 61粉丝 1276原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值