【数据融合】基于拓展卡尔曼滤波实现IMU和GPS数据融合matlab源码

1 模型

一般的Kalman滤波器要求有准确的动态和统计模型,而低成本的MEMS-IMU性能随着温度急剧变化,故在MEMS-IMU/GPS组合导航系统中使用一般的Kalman滤波器存在很多的局限性。针对低成本的MEMS-IMU/GPS组合导航系统,提出了多模态自适应滤波算法在MEMS-IMU/GPS组合导航系统中的应用;针对普通的多模态算法中的问题,采用修正的多模态自适应滤波算法来提高MEMS-IMU/GPS组合导航系统的性能。使用静态实时测试数据,验证了所提出的算法。测试结果表明,与普通Kalman滤波器相比,修正的多模态滤波算法提高了MEMS-IMU/GPS组合导航系统的性能;采用所提出的算法,MEMS-IMU/GPS组合导航系统的短时间静态位置精度小于5m(标准差),速度精度小于0.1m/s(标准差),姿态角精度小于0.5°

2 部分代码

%for testing
clc
clear
close all

pauseLen = 0;

%%Initializations
%TODO: load data here
data = load('lib/IMU_GPS_GT_data.mat');
IMUData = data.imu;
GPSData = data.gpsAGL;
gt = data.gt;

addpath([cd, filesep, 'lib'])
initialStateMean = eye(5);
initialStateCov = eye(9);
deltaT = 1 / 30; %hope this doesn't cause floating point problems

numSteps = 500000;%TODO largest timestamp in GPS file, divided by deltaT, cast to int

results = zeros(7, numSteps);
% time x y z Rx Ry Rz

% sys = system_initialization(deltaT);
Q = blkdiag(eye(3)*(0.35)^2, eye(3)*(0.015)^2, zeros(3));
%IMU noise characteristics
%Using default values from pixhawk px4 controller
%https://dev.px4.io/v1.9.0/en/advanced/parameter_reference.html
%accel: first three values, (m/s^2)^2
%gyro: next three values, (rad/s)^2 

filter = filter_initialization(initialStateMean, initialStateCov, Q);

%IMU noise? do in filter initialization

IMUIdx = 1;
GPSIdx = 1;
nextIMU = IMUData(IMUIdx, :); %first IMU measurement
nextGPS = GPSData(GPSIdx, :); %first GPS measurement

%plot ground truth, raw GPS data

% plot ground truth positions
plot3(gt(:,2), gt(:,3), gt(:,4), '.g')
grid on
hold on
% plot gps positions
% plot3(GPSData(:,2), GPSData(:,3), GPSData(:,4), '.b')
axis equal
axis vis3d

counter = 0;
MAXIGPS = 2708;
MAXIIMU = 27050;
isStart = false;

for t = 1:numSteps
   currT = t * deltaT;
   if(currT >= nextIMU(1)) %if the next IMU measurement has happened
%         disp('prediction')
       filter.prediction(nextIMU(2:7));
       isStart = true;
       IMUIdx = IMUIdx + 1;
       nextIMU = IMUData(IMUIdx, :);
%         plot3(filter.mu(1, 5), filter.mu(2, 5), filter.mu(3, 5), 'or');
   end
   if(currT >= nextGPS(1) & isStart) %if the next GPS measurement has happened
%         disp('correction')
       counter = counter + 1;
       filter.correction(nextGPS(2:4));
       GPSIdx = GPSIdx + 1;
       nextGPS = GPSData(GPSIdx, :);
       plot3(nextGPS(2), nextGPS(3), nextGPS(4), '.r');
%         plot3(filter.mu(1, 5), filter.mu(2, 5), filter.mu(3, 5), 'ok');
%         plotPose(filter.mu(1:3, 1:3), filter.mu(1:3, 5), filter.mu(1:3,4));
       
   end
   results(1, t) = currT;
   results(2:4, t) = filter.mu(1:3, 5); %just position so far
%     plot3(results(2, t), results(3, t), results(4, t), 'or');
%     disp(filter.mu(1:3, 1:3));
   if pauseLen == inf
       pause;
   elseif pauseLen > 0
       pause(pauseLen);
   end
   if IMUIdx >= MAXIIMU || GPSIdx >= MAXIGPS
       break
   end
end
plot3(results(2,:), results(3,:), results(4,:), '.b');
% xlim([-10 10]);
% ylim([-10 10]);
xlabel('x, m');
ylabel('y, m');
zlabel('z, m');

%% Evaluation
gps_score = evaluation(gt, GPSData)

results_eval = results.';
score = 0;
estimation_idx = 1;
count = 0;    
for i = 2:length(gt)
   score = score + norm(gt(i, 2:4) - results_eval(30 * (i-1), 2:4)) ^ 2;
   count = count + 1;
end
count
score = sqrt(score / count)

%% Function

3 仿真结果

4 参考文献

[1]唐康华, 吴美平, & 胡小平. (2007). Mems-imu/gps组合导航中的多模态kalman滤波器设计. 中国惯性技术学报(03), 307-311.