【组合导航】卡尔曼滤波IMU+GNSS组合导航【含Matlab源码 3864期】

最新推荐文章于 2024-05-29 13:45:49 发布

Matlab武动乾坤

最新推荐文章于 2024-05-29 13:45:49 发布

阅读量945

点赞数 15

分类专栏： Matlab信号处理（进阶版）文章标签： matlab

本文链接：https://blog.csdn.net/KeepingMatlab/article/details/136637698

版权

Matlab信号处理（进阶版）专栏收录该内容

451 篇文章 37 订阅

订阅专栏

✅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。

⛄一、卡尔曼滤波IMU+GNSS组合导航简介

卡尔曼滤波是一种递归滤波算法，用于估计系统的状态。在IMU+GNSS组合导航中，IMU提供了惯性测量数据，如加速度计和陀螺仪的输出；而GNSS则提供了位置和速度的测量值。通过将IMU和GNSS的数据进行融合，可以克服各自的局限性，提高导航的精度和鲁棒性。

以下是卡尔曼滤波IMU+GNSS组合导航的一般步骤：
（1）初始化卡尔曼滤波器的状态和协方差矩阵。
（2）从IMU获取惯性测量数据，如加速度计和陀螺仪的输出。
（3）从GNSS获取位置和速度的测量值。
（4）根据系统的动态模型和IMU的测量数据，使用卡尔曼滤波器进行状态预测。
（5）根据GNSS的测量值，使用卡尔曼滤波器进行状态更新。
（6）重复步骤2至5，以实现连续的状态预测和更新。
（7）根据卡尔曼滤波器的输出，得到融合后的导航解算结果。

⛄二、部分源代码

%GPS/INS组合导航

%%%%%%%%%%%%%%%%%%
%edit by horsejun
%%%%%%%%%%%%%%%%%%

%量测信号：位置
%INS输出数据由simulink计算得出

clear
clc

%得到轨迹信号

load ode500

Re = 6378245; %地球长半径

%真实轨迹
a_R = yout(:,1:3);
v_R = yout(:,4:6);
p_R = yout(:,7:9);

%加噪声后的INS计算结果
a_ins = yout(:,10:12);
v_ins = yout(:,13:15);
p_ins = yout(:,16:18);
quat = yout(:,19:22); %姿态四元数
Fn = yout(:,23:25); %地理系下的比力

%惯导相关的噪声统计数据
Q_wg = (0.04/(573600))^2; %陀螺马氏过程
Q_wr = (0.01/(573600))^2; %陀螺白噪声
Q_wa = (1e-3)^2; %加计马氏过程
Q = diag([Q_wg Q_wg Q_wg, Q_wr Q_wr Q_wr, Q_wa Q_wa Q_wa]);
Tg = 300ones(3,1);
Ta = 1000ones(3,1);

%得到带误差的GPS输出信号
p_gps_sample = p_R(1:10:end,:);
n = size(p_gps_sample,1);
p_error(:,1:2) = 30randn(n,2)/Re;
p_error(:,3) = 30randn(n,1); %位置误差
p_gps = p_gps_sample+p_error; %加入位置误差
R = diag(std(p_error).^2); %计算测量噪声方差R

%卡尔曼滤波
tao = 1; %滤波步长
a_ins_sample = a_ins(1:10:end,:);
v_ins_sample = v_ins(1:10:end,:);
p_ins_sample = p_ins(1:10:end,:);
a_R_sample = a_R(1:10:end,:);
v_R_sample = v_R(1:10:end,:);
p_R_sample = p_R(1:10:end,:);
Dp = p_ins_sample-p_gps; %INS与GPS输出的位置差值
a = a_ins_sample;
v = v_ins_sample;
p = p_ins_sample;
quat0 = quat(1:10:end,:);
Fn0 = Fn(1:10:end,:);

a_estimate = a(1:size(Error_a,1)😅-Error_a;
v_estimate = v(1:size(Error_v,1)😅-Error_v;
p_estimate = p(1:size(Error_p,1)😅-Error_p;

n = size(p_estimate,1);

%位置误差比较
figure
subplot(3,1,1)
plot((1:n),(p_R_sample(1:n,1)-p(1:n,1))*6e6,‘k’,(1:n),(p_R_sample(1:n,1)-p_estimate(:,1))*6e6,‘r’) %黑线-滤波前的误差红线-滤波后的误差
xlabel(‘时间，单位s’)
subplot(3,1,2)
plot((1:n),(p_R_sample(1:n,2)-p(1:n,2))*6e6,‘k’,(1:n),(p_R_sample(1:n,2)-p_estimate(:,2))*6e6,‘r’) %黑线-滤波前的误差红线-滤波后的误差
ylabel(‘位置误差，单位m’)
subplot(3,1,3)
plot((1:n),p_R_sample(1:n,3)-p(1:n,3),‘k’,(1:n),p_R_sample(1:n,3)-p_estimate(:,3),‘r’) %黑线-滤波前的误差红线-滤波后的误差
xlabel(‘黑线-滤波前的INS误差红线-滤波后的误差’)

%速度误差比较
figure
subplot(3,1,1)
plot((1:n),v_R_sample(1:n,1)-v(1:n,1),‘k’,(1:n),v_R_sample(1:n,1)-v_estimate(:,1),‘r’) %黑线-滤波前的误差红线-滤波后的误差
xlabel(‘时间，单位s’)
subplot(3,1,2)
plot((1:n),v_R_sample(1:n,2)-v(1:n,2),‘k’,(1:n),v_R_sample(1:n,2)-v_estimate(:,2),‘r’) %黑线-滤波前的误差红线-滤波后的误差
ylabel(‘速度误差，单位m/s’)
subplot(3,1,3)
plot((1:n),v_R_sample(1:n,3)-v(1:n,3),‘k’,(1:n),v_R_sample(1:n,3)-v_estimate(:,3),‘r’) %黑线-滤波前的误差红线-滤波后的误差
xlabel(‘黑线-滤波前的INS误差红线-滤波后的误差’)

%位置误差
figure
subplot(3,1,1)
xlabel(‘时间，单位s’)
plot((1:n),(p_R_sample(1:n,1)-p_estimate(:,1))*6370000,‘r’) %红线-滤波后的误差
subplot(3,1,2)
plot((1:n),(p_R_sample(1:n,2)-p_estimate(:,2))*6370000,‘r’) %红线-滤波后的误差
ylabel(‘位置误差，单位m’)
subplot(3,1,3)
plot((1:n),p_R_sample(1:n,3)-p_estimate(:,3),‘r’) %红线-滤波后的误差

⛄三、运行结果

在这里插入图片描述

⛄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