【目标定位】卡尔曼滤波INS_GPS组合导航仿真【含Matlab源码 2782期】

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄一、基于简介

1 目标定位原理
1.1 几何原理
理论上如图1所示，利用导引头测量两个不同位置的方位角信息及位置信息可确定两条直线，若观测目标静止，则两条直线交点即观测目标的位置。利用搭载导引头的侦测平台提供的位置、速度及姿态信息，可确定两个观测时刻的直线位置及方向，利用几何原理可定位待侦查目标的空间位置。

图1 无源定位系统几何原理(静止目标)
对于运动目标的无源定位如图2所示，不同时刻的定位线交叉后定位点会偏离目标真实位置，计算得到的目标运动轨迹也不是真实的目标运动轨迹。此时，根据几何原理，距离目标越远、侦测平台相对目标运动速度越快所计算的目标运动轨迹越准确，这就需要利用侦测平台的快速机动性，连续快速测量，增加对目标的测试频率，形成目标运动状态的估计。

图2 无源定位系统几何原理(运动目标)

1.2 数学模型
1)系统状态方程
无源定位系统依据侦测平台的位置和姿态信息计算目标的位置信息，可以以二维平面为例，计算无源定位的数学模型。设观测目标相对侦测平台的位置为x、y,速度为vx、vy,加速度为ax、ay,ΔT为系统数据传输周期，则系统的微分方程和离散状态方程分别为：

式(2)以矩阵形式可表示为：

X(k+1)=F(k)X(k)+G(k)u(k)+v(k) (3)

式中：X(k)为位置和速度组成的观测矩阵，X(k)=[x,y,vx,vy]T;u(k)为加速度矩阵，u(k)=[ax,ay]T,v(k)为状态误差；F(k),G(k)分别为状态转移矩阵和控制矩阵：

2)系统测量方程
红外导引头作为单站无源定位观测平台的单站定位系统，采用方位角作为观测量，则观测方程可表示为：

Z(k)=h(x(k),y(k))+w(k) (6)

其中：Z(k)为观测量矩阵；h(x(k),y(k) )为非线性观测函数；w(k)为观测噪声。
2 基于EKF的目标定位算法
扩展卡尔曼滤波是在卡尔曼提出的解决非线性问题的思想基础上发展而来，该方法的基本原理是由泰勒级数展开项的前几级部分来局部线性化，同时结合经典卡尔曼滤波算法完成计算仿真[11,12,13,14,15]。

EKF算法的递推过程如图1所示。

图3 EKF算法递推过程

⛄二、部分源代码

global Re ff wie g0 ug arcdeg arcmin arcsec hur dph dpsh ugpsHz % 全局变量
Re = 6378137; % 地球半径
ff = 1/298.257; % 地球扁率
wie = 7.2921151467e-5; % 地球自转角速率
g0 = 9.7803267714; % 重力加速度
ug = g0*1e-6; % 微g
arcdeg = pi/180; % 角度
arcmin = arcdeg/60; % 角分
arcsec = arcmin/60; % 角秒
hur = 3600; % 小时
dph = arcdeg/hur; % 度/小时
dpsh = arcdeg/sqrt(hur); % 度/sqrt(小时)
ugpsHz = ug/sqrt(1); % ug/sqrt(Hz)

nn = 2; ts = 0.1; nts = nnts; % 子样数和采样时间
att0 = [0; 0; 30]arcdeg; qnb0 = a2qua(att0); vn0 = [0;0;0]; pos0 = [34arcdeg; 108arcdeg; 100];
qnb = qnb0; vn = vn0; pos = pos0; % 姿态、速度和位置初始化
eth = earth(pos, vn);
wm = qmulv(qconj(qnb),eth.wnie)*ts; vm = qmulv(qconj(qnb),-eth.gn)*ts;
wm = repmat(wm’, nn, 1); vm = repmat(vm’, nn, 1); % 仿真静态IMU数据
phi = [0.1; 0.2; 3]*arcmin; qnb = qaddphi(qnb, phi); % 失准角
eb = [0.01;0.015;0.02]*dph; web = [0.001;0.001;0.001]*dpsh; % 陀螺常值零偏，角度随机游走系数
db = [80;90;100]*ug; wdb = [1;1;1]ugpsHz; % 加速度计常值偏值，速度随机游走系数
Qk = diag([web; wdb; zeros(9,1)])^2nts;
rk = [[0.1;0.1;0.1];[[10;10]/Re;10]]; Rk = diag(rk)^2;
P0 = diag([[0.1;0.1;10]*arcdeg; [1;1;1]; [[10;10]/Re;10]; [0.1;0.1;0.1]*dph; [100;100;100]ug])^2;
Hk = [zeros(6,3),eye(6),zeros(6)];
kf = kfinit(Qk, Rk, P0, zeros(15), Hk); % kf滤波器初始化
len = fix(3600/ts); % 仿真时长
avp = zeros(len, 10); xkpk = zeros(len, 2kf.n+1); kk = 1; t = 0; % 记录导航结果
for k=1:nn:len
t = t + nts;
[wm1, vm1] = imuadderr(wm, vm, eb, web, db, wdb, ts);
[qnb, vn, pos, eth] = insupdate(qnb, vn, pos, wm1, vm1, ts);
kf.Phikk_1 = eye(15) + kfft15(eth, q2mat(qnb), sum(vm1,1)‘/nts)*nts;
kf = kfupdate(kf);
if mod(t,1)<nts
gps = [vn0; pos0] + rk.*randn(6,1); % GPS速度位置仿真
kf = kfupdate(kf, [vn;pos]-gps, ‘M’);
vn(3) = vn(3) - kf.Xk(6); kf.Xk(6) = 0; % ·反馈
end
avp(kk,:) = [qq2phi(qnb,qnb0); vn; pos; t]’;
xkpk(kk,:) = [kf.Xk; diag(kf.Pk); t]; kk = kk+1;
if mod(t,100)<nts, disp(fix(t)); end % 显示进度
end
avp(kk:end,:) = []; xkpk(kk:end,:) = []; tt = avp(:,end);
% 状态真值与估计效果对比图
mysubplot(321, tt, [avp(:,1:2),xkpk(:,1:2)]/arcmin, ‘\phi_E,\phi_N / \prime’);
mysubplot(322, tt, [avp(:,3),xkpk(:,3)]/arcmin, ‘\phi_U / \prime’);
mysubplot(323, tt, [avp(:,4:6),xkpk(:,4:6)], ‘\deltav ^n / m/s’);
mysubplot(324, tt, [deltapos(avp(:,7:9)),[xkpk(:,7),xkpk(:,8).*cos(avp(:,7))]*Re,xkpk(:,9)], ‘\DeltaP / m’);
mysubplot(325, tt, xkpk(:,10:12)/dph, ‘\epsilon / \circ/h’);
mysubplot(326, tt, xkpk(:,13:15)/ug, ‘\nabla / ug’);
% ·方差收敛图
pk = sqrt(xkpk(:,16:end-1));
mysubplot(321, tt, pk(:,1:2)/arcmin, ‘\phi_E,\phi_N / \prime’);
mysubplot(322, tt, pk(:,3)/arcmin, ‘\phi_U / \prime’);
mysubplot(323, tt, pk(:,4:6), ‘\deltav ^n / m/s’);
mysubplot(324, tt, [[pk(:,7),pk(:,8)*cos(avp(1,7))]*Re,pk(:,9)], ‘\DeltaP / m’);
mysubplot(325, tt, pk(:,10:12)/dph, ‘\epsilon / \circ/h’);
mysubplot(326, tt, pk(:,13:15)/ug, ‘\nabla / ug’);

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]李永生,董光焰,陈凯,谢亚峰,唐金力.基于卡尔曼滤波的无源定位精度分析[J].弹箭与制导学报. 2022,42(04)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 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

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、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、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

3 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

4 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、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 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

6 无线传感器定位及布局方面
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

7 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

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合