【滤波跟踪】基于扩展卡尔曼滤波器实现 IMU 和 GPS 数据计算无人机的姿态附matlab代码

✅作者简介：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：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

⛄ 内容介绍

旋翼无人机具有结构紧凑、机动性强、操作灵活等特点,可机载多种设备实现垂直起降、空中悬停等功能,广泛应用于军事、农业、影视等各个领域。但实现旋翼无人机的平稳飞行,需要复杂的传感器、快速的控制器和执行器以及复杂的导航控制算法作为支撑。而位姿信息就像无人机的"眼睛",是无人机实现自主飞行的基础。​作为多传感器数据融合系统,INS/GPS组合导航系统可以得到无人机的高精度导航信息.本文提出了一种基于卡尔曼滤波器的自适应数据融合方法,并着重研究了在GPS/IMU组合导航中的应用.根据子系统的新息序列构造各传感器的环境信息,将卡尔曼滤波器调整到最优状态,从而提高组合导航系统的精度.仿真结果证明这种方法提高了数据融合的可靠性和精度.

⛄ 部分代码

classdef InEKF < handle       properties        mu;                 % Pose Mean        Sigma;              % Pose Sigma        mu_pred;             % Mean after prediction step        Sigma_pred;          % Sigma after prediction step    end        methods        function obj = InEKF(init)            obj.mu = init.mu;            obj.Sigma = init.Sigma;        end                function prediction(obj, u)            g = [0; 0; 9.81];            dt = 1 / 10;            R_k = obj.mu(1:3, 1:3);            v_k = obj.mu(1:3, 4);            p_k = obj.mu(1:3, 5);            a_k = u(1:3);            omega_k = u(4:6);​            R_pred = R_k * expm(skew(omega_k * dt));​            v_pred = v_k + (R_k * Gamma_1(omega_k * dt) * a_k' + g) *dt;            p_pred = p_k +  v_k * dt + 0.5 * (2 * R_k *  Gamma_2(omega_k * dt) * a_k' + g) * dt ^2;                        H_pred = [R_pred, v_pred, p_pred;                        zeros(1,3), 1, 0;                        zeros(1,3), 0, 1];                                   obj.propagation(H_pred, a_k, omega_k);        end​        function propagation(obj, H_pred, a_k, omega_k)            dt = 1 / 10;            obj.mu_pred = H_pred;​            % log linear            A = zeros(9);             A(1:3, 1:3) = - skew(omega_k);            A(4:6, 1:3) = - skew(a_k);            A(4:6, 4:6) = - skew(omega_k);            A(7:9, 4:6) = eye(3);            A(7:9, 7:9) = -skew(omega_k); ​            phi = expm(A * dt);            obj.Sigma_pred = obj.Sigma + phi * eye(9) * phi';        end                function correction(obj, gps_measurement)            b = [0; 0; 0; 0; 1];            H = [zeros(3), zeros(3), eye(3)];​            % N just a covariance, so instead of doing the covariance stuff, just a 3 by 3            N = eye(3).*0.5;                         Y = [gps_measurement'; 0; 1];            nu = obj.mu_pred \ Y - b;             S = H * obj.Sigma_pred * H' + N;            K = obj.Sigma_pred * H' * (S \ eye(size(S)));                        % calculate zai            zai = K * nu(1:3);            zai_hat = zeros(5);            phi = zai(1:3);             rho1 = zai(4:6);            rho2 = zai(7:9);            jacobian_phi = eye(3);            theta = norm(phi);            jacobian_phi = jacobian_phi + (1 - cos(theta)) / theta^2 * skew(phi) ...                + (theta - sin(theta)) / theta^3 * (skew(phi)^2);            zai_hat(1:3, 1:3) = expm(skew(phi));            zai_hat(1:3, 4) = jacobian_phi * rho1;            zai_hat(1:3, 5) = jacobian_phi * rho2;            zai_hat(4:5, 4:5) = eye(2);​            obj.mu = obj.mu_pred * zai_hat;​            obj.Sigma = (eye(9) - K * H) * obj.Sigma_pred * (eye(9) - K * H)' + K * N * K';        end    endend

⛄ 运行结果

⛄ 参考文献

[1] 马培圣. 基于MEMS的微小型GPS/SINS组合测姿系统研究[D]. 南京航空航天大学.

[2] 刘洪剑. 旋翼无人机的姿态测量与组合导航算法研究[D]. 湖南大学, 2018.

[3] 毋建宏. 基于多传感器Kalman滤波器的GPS/IMU数据融合算法设计[J]. 微电子学与计算机, 2005, 22(6):4.

[4] 唐付林, 卫浩, 徐泽文,等. 基于迭代扩展卡尔曼滤波器的里程计算方法及装置:, CN115342829A[P]. 2022.

[5] 毋建宏, 张洪才. 基于环境信息的自适应卡尔曼滤波器在GPS/IMU组合导航中的应用[J]. 计算机应用研究, 2009, 26(10):3.

⛳️ 代码获取关注我

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料