【无人机定位】拓展卡尔曼滤波EKF结合LQR无人机定位【含Matlab源码 4951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项目合作可私信或扫描文章底部QQ二维码。
🍎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信号处理仿真内容点击👇
①Matlab信号处理 （进阶版）
②Matlab信号处理 （中级版）
③付费专栏Matlab信号处理（初级版）

⛄一、拓展卡尔曼滤波EKF结合LQR无人机定位

拓展卡尔曼滤波（Extended Kalman Filter, EKF）是一种用于估计系统状态的数学工具，常用于处理高维非线性动态系统，比如无人机的导航定位。在无人机控制中，尤其是采用线性二次调节器（Linear Quadratic Regulator, LQR）的情况下，EKF可以结合用来估计无人机的位置、速度以及加速度等状态变量。

EKF工作原理大致分为两步：
（1）预测阶段：利用系统的动态模型（如双旋翼无人机的动力学模型），通过状态转移方程预测下一时刻的状态，并计算出过程噪声的影响。
（2）更新阶段：收到传感器（如GPS、IMU）的数据后，将测量数据与预测值进行比较，通过卡尔曼增益计算来修正预测误差，得到最新的状态估计。
而LQR则是一个控制理论方法，它通过优化一个目标函数（通常是成本函数），来设计一个控制器，使得系统在受到扰动后的轨迹尽可能接近最优。当应用到无人机上时，LQR可以调整飞行速度、姿态等，以最小化位姿误差。

两者结合时，EKF提供状态估计，帮助无人机感知环境并跟踪其实际位置，而LQR基于这个信息设计合理的控制输入，保证无人机稳定地飞行。

⛄二、部分源代码和运行步骤

1 部分代码
%% Clearing Workspace
clc;
clear;
close all;

%% Include Folders
addpath(“extras”);

%% State Functions
load(“State_functions”);

%% Simulation Parameters
sim_parameters;

%% Desired Trajectory
disp(“Available Trajectories: 8, ©ircle, (s)piral, (st)raight”)
destraj = input("Enter the Trajectory: ", “s”);
despos0 = [0; 0; 0; pi/2]; % Trajectory offset
ydes = trajectory_funs(destraj,despos0);

%% Initiation of # Landmarks and Time History
max_nL = 500;
t_n_m = zeros(1, max_nL);
t_n_u = zeros(1, max_nL);
t_n_k = zeros(1, max_nL);

%% Monte Carlo
for n_L = 40%repmat(5:5:200,[1,4]) % Number of Landmarks
% disp(n_L);
% %% Random Landmark Pose Generation (Capital L signifies all Landmarks)
% alpha_L_lim = deg2rad([-180; 180]); % Azimuth zone limits for landmarks
% beta_L_lim = deg2rad([-40; 40]); % Elevation zone limits for landmarks
% delta_L_lim = [8; 15]; % Radius zone limits for landmarks
%
% % Inertial Coordinates (N) of Landmarks (Cartesian (L) and Polar (Lp))
% [n_L, Lids, N_L, N_Lp] = landmarks_polar(n_L, alpha_L_lim, beta_L_lim, delta_L_lim);
load(“lmk_data”);

%% Initial Conditions, Tuning Phat0 and Q
a = zeros(12, 1); % Initial True Quad State
xhat = zeros(9, 1); % Assuming Initial State at Origin and Stationary
% Phat = diag([0.01 * ones(3, 1); 0.01 * ones(3, 1); 0.02 * ones(3, 1)]);
% q = [0.01 * ones(3, 1); 0.01 * ones(3, 1); 0.02 * ones(3, 1)];
Phat = diag([0.001 * ones(3, 1); 0.1 * ones(3, 1); 0 * ones(3, 1)]);
q = [0.2 * ones(2, 1); 0.05; 0.01 * ones(3, 1); 0.2 * ones(3, 1)];
Q = diag(q.^2); % Process Error Covariance Matrix

%% Storage Variables
n_a = 12; % Quad States
n_s = 9; % Quad Estimates
ss = 1:n_s; % Quad Estimates Position
a_his = NaN(n_a, tsteps);
a_d_his = NaN(n_a, tsteps);
ahat_his = NaN(n_a, tsteps);
u_his = NaN(4, tsteps);
lambda_his = NaN(4, tsteps);
err_s_his = NaN(n_s, tsteps);
sigma3_s_his = NaN(n_s, tsteps);
err_m_his = NaN(3, n_L, tsteps);
sigma3_m_his = NaN(3, n_L, tsteps);
err_m_mean = NaN(3, tsteps);
sigma3_m_mean = NaN(3, tsteps);

Lhat_loc = NaN(3,n_L); % Location of Lids in xhat
mhat_Lids = [];
Lo_his = struct(“O”, [], “y_o”, [], “n_o”, [], “N_L”, [], …
“kappa”, [], “ik”, [], “n_k”, [], “y_k”, [], “Lhat_loc_k”, [], …
“upsilon”, [], “iu”, [], “n_u”, [], “y_u”, []);

mhat_his = struct(“N_L”, [], “Lids”, []);
n_m_his = NaN(1, tsteps);
n_u_his = NaN(1, tsteps);

for i = 1:tsteps
ti = tspan(i);
tcomp = tspan(1:i); % Completed time steps

%% True State Segregation
rho = a(1:3); 
nu = a(4:6); 
Lambda = a(7:9); 
omega = a(10:12); 
psi = Lambda(3); 

%% IMU Sensor Estimates After Noise Filtering
eta = normrnd(zeros(4,1), sigma_imu);   % Estimation Error 
if i == 1
    az_hat = - g + eta(1);          % Vertical Accelerometer Estimate
    omega_hat = omega + eta(2:4);   % Gyro Estimate
else
    az_hat = - (u(1) / m) + eta(1);   % Vertical Accelerometer Estimate
    omega_hat = omega + eta(2:4);   % Gyro Estimate
end
lambda = [az_hat; omega_hat];          % Measurements serving as control for SLAM

%% LiDAR Observation: Measurements at i
% LiDAR Observations
C_NB = C_NB_fun(Lambda);
B_L = C_NB' * (N_L - rho);              % Cartesian in Body Frame
Lo = observed_lmks(Lids, B_L, ...
    alpha_lim, beta_lim, delta_lim) ;   % Observed Landmarks
Lo.N_L = N_L(:,Lo.O);                 % Observed Landmarks True Inertial Position

% LiDAR Measurements with Error
v = normrnd(zeros(3, Lo.n_o), repmat(sigma_zeta,1, Lo.n_o)); 
Lo.y_o = Lo.y_o + v; 

%% Categorize Landmarks
M = find(~isnan(Lhat_loc(1,:)));   % Mapped Lmks L_ids
n_m = numel(M);                    % No. of Mapped Lmks

[Lo.kappa, Lo.ik] = intersect(Lo.O, M); % Mapped Observed L_ids
Lo.n_k = numel(Lo.kappa);               % No. of Mapped and Observed Lmks
Lo.y_k = Lo.y_o(:, Lo.ik);              % Mapped Observed Lmks Observation
Lo.Lhat_loc_k = Lhat_loc(:, Lo.kappa);  % Position of Mapped Observed Lmks in mhat

[Lo.upsilon, Lo.iu] = setdiff(Lo.O, Lo.kappa); % Unmapped Observed Lids
Lo.n_u = numel(Lo.upsilon);                    % No. of Unmapped Observed Lmks
Lo.y_u = Lo.y_o(:, Lo.iu);                     % Unmapped Observed Lmks Observation

%% EKF-SLAM (Begins after i > 1)
if i > 1
    % Prediction: (xhat+, Phat+)_i-1 --> (xhat-, Phat-)_i
    t_pred_s = tic;
    [xhat, Phat, Fi] = predict(tspan(i-1), dt, prop_it,...
        sys, xhat, Phat, lambda, f_s, F, G_q, R_imu, Q, Pdot_ss, Pdot_sm); 
    t_pred = toc(t_pred_s);

    % Update: (xhat-, Phat-)_i --> (xhat+, Phat+)_i
    t_up_s = tic;
    [xhat, Phat, Hi] = update(xhat, Phat,...
        Lo, h_o, H_s, H_l, R_zeta); 
    t_up = toc(t_up_s);
    
    % Observability

% HC = zeros(size(Hi, 2));
% HC(ss,ss) = Fi;
% Obs_mat = obsv(HC, Hi);
% rnk = rank(Obs_mat);
% disp([rnk, size(xhat,1), size(Obs_mat, 2), Lo.n_k])
elseif i == 1
n_x = size(xhat,1);
n_m = (n_x - n_s) / 3; % No. of Lmks Estimated
mm = (n_s + 1) : n_x; % Lmk Estimates Positions
t_pred = 0;
t_up = 0;
end

2 运行步骤
直接运行main即可一键出图。

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2019b

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
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

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