【滤波跟踪】基于卡尔曼滤波通过车载KVH 设备采集的IMU惯性测量单元数据，结合GPS 提供的位置与航向信息，实现ECEF坐标系与NED东北天坐标系下的位置、速度、姿态PVA解算附matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。

🔥 内容介绍

一、引言：车载 PVA 解算 —— 智能驾驶与车联网的核心定位需求

在智能驾驶、车队管理、高精度地图采集等车载场景中，位置（Position）、速度（Velocity）、姿态（Attitude，简称 PVA）的实时高精度解算是核心技术支撑。例如，L4 级自动驾驶车辆需以厘米级位置精度、0.1m/s 速度精度、0.1° 姿态精度实现路径规划与避障；车联网（V2X）中，车辆需通过 PVA 信息与周边车辆协同，避免碰撞风险。

车载定位面临两大核心矛盾：一是IMU（惯性测量单元）的 “短精长漂” 特性——KVH 等车载 IMU 设备可提供高频（100-1000Hz）加速度与角速度数据，短期（<10s）内定位精度高，但受 gyro drift（陀螺漂移）、accelerometer bias（加速度计零偏）影响，长期累积误差显著（1 小时漂移达数公里）；二是GPS 的 “长精短断” 特性——GPS 可提供绝对位置（ECEF 坐标系）与航向信息，长期精度稳定（米级至分米级），但受高楼遮挡、隧道、树荫等遮挡场景影响，易出现信号中断（如地下车库中完全失效），且更新频率低（1-10Hz）。

传统单一传感器定位方法存在明显缺陷：纯 IMU 定位无法满足长时程精度需求，纯 GPS 定位在遮挡场景下易失稳。而卡尔曼滤波（Kalman Filter, KF） 凭借 “最优线性无偏估计” 能力，可实现 IMU 与 GPS 数据的动态融合 —— 通过 IMU 高频数据弥补 GPS 更新延迟，利用 GPS 绝对信息校正 IMU 累积误差，同时完成 ECEF（地心地固坐标系）与 NED（东北天坐标系）的跨坐标系 PVA 解算。本文以车载 KVH IMU 与 GPS 为数据来源，构建完整的卡尔曼滤波融合框架，重点突破坐标系转换、误差建模、观测更新等关键技术，实现全场景下的稳定 PVA 输出。

⛳️ 运行结果

📣 部分代码

%{

Constant velocity tightly-coupled EKF

%}

clear; clc; close all;

%% !!!!!! Testing with old lab data

load('RCVR1.mat'); % novatel on car

%% INIT

rcvr1 = gnssReceiver();

psr1 = RCVR1{1}.L1.psr;

dopp1 = RCVR1{1}.L1.dopp;

svPos1 = RCVR1{1}.L1.svPos;

svVel1 = RCVR1{1}.L1.svVel;

clkCorr1 = RCVR1{1}.L1.clkCorr;

est1 = rcvr1.pv3D(psr1,dopp1,svPos1,svVel1,clkCorr1, 1);

lla = ecef2lla(est1.pos'); % init position

% init state vector

pos(:,1) = est1.pos';

vel(:,1) = est1.vel;

clkBias(1) = est1.clock_bias;

clkDrift(1) = est1.clock_drfit;

X(:,1) = [pos; vel; clkBias(1); clkDrift(1)];

%% TUNING

P(:,:,1) = est1.P;

Q = 100*eye(8,8);

%% Main Loop

start = RCVR1{1,1}.L1.gpsTime;

stop = RCVR1{end,1}.L1.gpsTime;

time = 0:1:stop-start;

% loop through all measurements

C = physconst('LightSpeed');

for i = 1:length(RCVR1)

SVpsr = RCVR1{i,1}.L1.psr;

psrSigma = ones(length(SVpsr),1); % PLACE HOLDER

SVdopp = RCVR1{i,1}.L1.dopp;

doppSigma = 10000000*ones(length(SVdopp),1); % PLACE HOLDER

SVpos = RCVR1{i,1}.L1.svPos;

SVvel = RCVR1{i,1}.L1.svVel;

clkCorr = RCVR1{i}.L1.clkCorr;

% correct pseudoranges ( may need to be subtracted )

SVpsr = SVpsr + clkCorr*C;

% find time step between gps measurements

dt = RCVR1{i,1}.L1.gpsTime - RCVR1{max([i-1,1]),1}.L1.gpsTime;

%%%%%%%%%%%%%%%%%%%%%%% Meas Update %%%%%%%%%%%%%%%%%%%%%%%%

if i ~= 0

[dZ, H, R] = TC_MeasModel(X(:,i), SVpsr, psrSigma, SVdopp, doppSigma, SVpos, SVvel);

[X(:,i), P(:,:,i), dX(:,i)] = EKF_MeasUpdate(X(:,i), P(:,:,i), dZ, H, R);

end

%%%%%%%%%%%%%%%%%%%%%%% Time Update %%%%%%%%%%%%%%%%%%%%%%%%%

if i ~= length(RCVR1)

[X(:,i+1), P(:,:,i+1)] = constVelTU(X(:,i), P(:,:,i), Q, dt);

end

end

%% Plotting

% --- convert to NED

wgs84 = wgs84Ellipsoid('meter');

[N, E, D] = ecef2ned(X(1,:), X(2,:), X(3,:), lla(1), lla(2), lla(3), wgs84);

% trajectory plot

lla = ecef2lla(X(1:3,:)');

figure()

geoplot(lla(:,1), lla(:,2));

% geolimits([32.5948 32.5961], [-85.2962 -85.2943]);

geobasemap satellite

% NED plot

figure('Name', 'NED position Estimates')

subplot(3,1,1)

plot(time,N)

xlabel('Time (s)')

ylabel('Meters')

title('North')

subplot(3,1,2)

plot(time,E)

xlabel('Time (s)')

ylabel('Meters')

subplot(3,1,3)

plot(time,D)

xlabel('Time (s)')

ylabel('Meters')

🔗 参考文献

[1]赵天赏.基于惯性/地磁的组合定向方法研究[D].中北大学[2025-10-20].

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌟 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化

🌟 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌟图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌟 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻、公交车时间调度、水库调度优化、多式联运优化

🌟 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划、

🌟 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌟 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌟电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化

🌟 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌟 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌟 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇

5 往期回顾扫扫下方二维码