组合导航+多传感器融合算法

1、INS/GPS的组合导航系统可以输出高频率的导航参数信息（位置、速度、姿态），并且在长、短期的导航过程中均能具备较高精度。（输出数据的意义什么，PDR是步长+航向）

2、误差反馈系统

（1）在开环结构中，位置校正、速度校正和姿态校正均在INS外部完成，其中估计误差在每次迭代时从INS解中减去。在这一过程中，误差与状态校正不会反馈给INS系统。

（2）在闭环结构中，KF估计的误差通过反馈的形式对INS进行校正。在误差估计反馈后，KF的位置、速度和姿态估计被重置为零。kalman滤波估计的加速度计误差与陀螺仪误差在每个周期内都通过反馈以矫正IMU测量，继而作用于系统模型的计算。

3、采用基于卡尔曼滤波的最优估计方法，对GPS和INS定位导航信息进行融合，可以得到可靠的导航解。（卡尔曼滤波中，主要是KF,EKF,UKF+自适应调整方差的代码）

4、松耦合

为了提高导航精度，通常将GPS的位置与速度输入到滤波器中，同时，INS的位置、速度、姿态也作为滤波器的输入，滤波器通过比较二者的差值，建立误差模型以估计INS的误差。利用这些误差对惯导结果进行修正，得到速度、位置、姿态的组合导航结果。

开环时，可以提供三个独立的导航结果(原始INS、原始GPS和组合结果)，

闭环时，可以提供两个独立的导航结果（原始GPS、组合结果）

5、紧耦合

GPS的伪距以及伪距速率的测量   将与INS预测的相应值进行   做差，并将差值反馈给kalman滤波器，用来估计惯导系统的误差。惯导系统的输出经过误差的校正之后，得到组合导航的解。

即使卫星个数少于4个也可以进行信息融合，通过计算卫星到载体之间的距离及距离变化率与卫星测量信息进行融合，也可以达到修正惯导位置、速度误差的目的，同时在卫星失锁过程中，对接收机钟差进行递推，提高信号恢复后的计算效率。（目标时修正惯导的速度+位置+姿态角）

缺点：紧耦合结构无法得到独立的GPS导航结果

优点：精度，鲁棒性好

6、分析了导航初始化误差、惯性传感器误差、算法误差等对惯性导航系统误差的影响。

状态误差矢量方程就是GPS的经纬高误差（大地曲面的误差）+东北天速度误差（Ve+Vn+Vu沿地球系的速度误差）+姿态角误差（俯仰pitch、横滚roll、航向yaw）+加速度误差+角速度误差

--------------------------------------------------------------------------------------------------------------------------------

7、常见的载体坐标系的对应关系有“右(x)-前(y)-上(z)”、“前(x)-右(y)-下(z)”、“前(x)-左(y)-上(z)”，其中前两种更多的在传统组合导航领域使用，而第三种在机器人、自动驾驶领域使用比较多

8、INS和MEMS的关系

微惯性导航系统（Micro-INS，Micro-Inertial-Navigation System）简称“微惯导”，是一种基于微机电系统（MEMS, Micro-Electro-Mechanical System）传感器技术的微型惯性导航系统。

IMU传感器（输出加速度和角速度）是一种MEMS器件，主要由三轴加速度计和三轴陀螺仪组成。

惯性导航系统（INS）是一种定位方法，它使用来自IMU传感器的测量值来确定车辆/机器人相对于给定起点的位置、方向、高度和线速度

9、研究方向

（1）卫导+惯导+视觉

（2）INS比较好的点是惯导和视觉（VIO）或激光雷达（LiDAR）的融合/补偿，纯惯导的话就只有低成本MEMS-INS的算法比较值得关注

（3）多传感器融合算法也比较有工业上的价值，但是理论成熟，不适合科研，相对而言，融合之前的数据关联反而比较有难度。

（4）RTK和PPP技术？？紧耦合中的伪距，伪距率？？？

（5）视觉如果能转CV（Computer Vision，计算机视觉专业）,DL（深度学习）就更好了，需要的数学基础少，前景大好。

（6）导航方向基本就不用考虑ML/DL了（机器学习/深度学习），不然你应该考虑去CV之类的专业。导航方向基本只有做视觉相关的才能涉及这个领域。

10、自动驾驶中的自主导航系统（引自：https://cloud.tencent.com/developer/article/1812407）

（1）自给式（就是没有GPS也能计算出车辆自身的位姿）里程计方法分为五种主要类型，即车轮、惯性、激光、雷达和视觉，以上分类主要是依据传感器的类型进行分类的里程计的方法。

（2）视觉惯性里程计方法也可以从两个具体方面进行研究即它们是基于滤波（卡尔曼）/优化（图优化）还是紧密/松散耦合。滤波/优化是数据预处理的主要方法，紧密/松散耦合是相机和惯性测量数据融合的阶段

（3）轮速里程计的方法是基于安装在机器人上的车轮编码器来跟踪每个车轮的转数。转数被整合到一个车辆的运动模型中，以确定机器人相对于起始点的当前位置。

        缺点：由于车轮打滑，轮速里程计系统在复杂不平的地形和光滑地面面上的性能较差

        缺点：还存在位置漂移现象

（4）惯性里程计（IO）或惯性导航系统（INS）是一种定位方法，它使用来自IMU传感器的测量值来确定车辆/机器人相对于给定起点的位置、方向、高度和线速度。使用航位推算法对来自IMU传感器的测量值进行整合，以估计当前的车辆的姿态。

        缺点：不同来源的误差，例如陀螺仪测量和加速度计的恒定误差，这些系统存在漂移问题

（5）基于过滤器的方法包括两个主要部分：预测步骤和更新步骤。此外，它们可以被视为最大后验（MAP）方法，其中来自内部状态传感器（例如IMU传感器）的测量值用于计算系统姿态的先验分布，而来自外部状态传感器（例如摄像机）的测量值用于构建似然分布。在基于滤波器的视觉惯性里程计中，车辆的先验分布（动态模型）是通过使用来自IMU传感器的线速度和角速度来计算的。该动态模型用于预测步骤，以预测车辆的运动。此外，在更新步骤中，将关键信息（例如，从捕获的图像中提取的特征或像素强度）用作似然分布（测量模型）来更新预测。基于滤波框架的视觉惯性里程计可分为三类：扩展卡尔曼滤波器（EKF），多状态约束卡尔曼滤波器（MSCKF）和无迹卡尔曼滤波（UKF）。（先验分布的代码怎么写？构建似然函数的代码？）

11、惯性的问题（来自：https://zhuanlan.zhihu.com/p/113220754）

（1）IMU的随机误差分析、标定、惯性解算、误差模型推导， Allan方差误差代码，

（2）基于滤波的融合方法：滤波器的原理性推导，以及基于IMU误差模型的基本融合方法（ESKF）https://zhuanlan.zhihu.com/p/141403156

（3）基于图优化的融合方法：图优化相关的介绍主要包括优化的基本原理、优化模型的搭建，以及在常见融合任务中优化方案的设计等等。https://zhuanlan.zhihu.com/p/144953557

        融合就是使用多种传感器得到一个最优的位姿结果，这里面其实分三步，第一步是把传感器的模型建立出来，第二部是综合多种传感器建立一个总的目标（残差：融合中预测与观测之间的误差或者点与点之间的距离），第三步是以目标为导向（让残差降到最小），寻找对应的最好位姿。（这个和群优化算法中的表示不是一样的么？寻找最优解的过程？？）

        位姿图优化是把所有的观测和状态放在一起优化，残差项是前面所讲的残差项的总和。在实际使用中，各残差会被分配一个权重，也就是信息矩阵，它相当于对残差进行加权。

        位姿图优化的思想是通过调整状态量(即位姿)，使残差项的值最小化，这就需要用残差项对位姿求雅可比，才能使用高斯牛顿方法进行优化。按照高斯牛顿法的流程，需要对残差进行一阶泰勒展开，即求雅可比。https://zhuanlan.zhihu.com/p/144954577

求雅可比的方式是对位姿添加扰动，

融合方法比较：图优化，在运算资源相对充足的情况下，它的精度优势就充分地体现出来了。

                        滤波，在运算资源不是很充足的应用场景下，优化的方案无法运行，还只能是选择滤波的方法来做

（4）典型开源激光融合方案：由于当前激光方案和视觉方案都各自遇到了一些挑战，即使是在融合了IMU等其他传感器的情况下也是这样，因此融合这两种最典型的传感器就是必然趋势。

12、图优化讲解，SLAM必备的算法

https://blog.csdn.net/sinat_16643223/article/details/119538741

（1）g2o的C++库最常用

13、严老师的代码

（1）对PSINS算法的讲解？对照代码理解EKF的框架+P矩阵的设置+Q矩阵的设置？？

（2）对matlab代码转C++？？

（3）图优化算法应用于INS/GNSS的代码？

14、足部ZUPT的C代码优化