【组合导航】基于强跟踪滤波实现IMU+GNSS两种传感器组合导航附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，代码获取、论文复现及科研仿真合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab完整代码及仿真定制内容点击👇

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

本文提出了一种基于强跟踪滤波的IMU+GNSS组合导航算法。该算法利用强跟踪滤波的优点，有效地融合了IMU和GNSS两种传感器的信息，提高了导航系统的精度和鲁棒性。

引言

惯性导航系统（IMU）和全球导航卫星系统（GNSS）是两种重要的导航技术。IMU通过测量自身加速度和角速度，可以提供高频的导航信息，但存在漂移误差。GNSS通过接收卫星信号，可以提供高精度的位置和时间信息，但容易受到遮挡和多径等因素的影响。

强跟踪滤波

强跟踪滤波是一种非线性滤波算法，具有以下优点：

• 可以处理非线性系统

• 具有良好的跟踪性能

• 可以融合多种传感器信息

组合导航算法

本文提出的组合导航算法基于强跟踪滤波，具体步骤如下：

1. **状态模型：**建立IMU和GNSS的联合状态模型，其中状态变量包括位置、速度、姿态和IMU漂移误差。

2. **观测模型：**建立IMU和GNSS的观测模型，其中IMU观测值为加速度和角速度，GNSS观测值为位置和时间。

3. **滤波过程：**利用强跟踪滤波算法，融合IMU和GNSS的观测信息，更新状态估计。

📣 部分代码

function figure_ukft_stop=1200;[UKFTraceData,UKFIMUData,UKFSinsData,UKFKALData,UKFErrData,UKFGPSData]=ukfm_sins_gps(t_stop);[AUKFTraceData,AUKFIMUData,AUKFSinsData,AUKFKALData,AUKFErrData,AUKFGPSData]=shuaijianukfm_sins_gps(t_stop);[SUKFTraceData,SUKFIMUData,SUKFSinsData,SUKFKALData,SUKFErrData,SUKFGPSData]=sf_ukfm_sins_gps(t_stop);​% fig_num=0.0;% fig_num = fig_num+1;% figure(fig_num);% subplot(3,1,1);plot(UKFTraceData(:,1),UKFSinsData(:,2)-UKFTraceData(:,2),'r',AUKFTraceData(:,1),AUKFSinsData(:,2)-AUKFTraceData(:,2),'b');legend('UKF','AUKF');% subplot(3,1,2);plot(UKFTraceData(:,1),UKFSinsData(:,3)-UKFTraceData(:,3),'r',AUKFTraceData(:,1),AUKFSinsData(:,3)-AUKFTraceData(:,3),'b');legend('UKF','AUKF');% subplot(3,1,3);plot(UKFTraceData(:,1),UKFSinsData(:,4)-UKFTraceData(:,4),'r',AUKFTraceData(:,1),AUKFSinsData(:,4)-AUKFTraceData(:,4),'b');legend('UKF','AUKF');% xlabel('姿态角度误差（横滚角度误差（度），俯仰角度误差（度），航向角度误差（度））');%    %飞行姿态角度误差曲线    fig_num=0.0;fig_num = fig_num+1;figure(fig_num);plot(UKFTraceData(:,1),(UKFSinsData(:,2)-UKFTraceData(:,2))*3600,'r',AUKFTraceData(:,1),(AUKFSinsData(:,2)-AUKFTraceData(:,2))*3600,'b',SUKFTraceData(:,1),(SUKFSinsData(:,2)-SUKFTraceData(:,2))*3600,'g');legend('UKF','FUKF','SUKF');xlabel('t/s');ylabel('横滚角度误差（"）');fig_num = fig_num+1;figure(fig_num);plot(UKFTraceData(:,1),(UKFSinsData(:,3)-UKFTraceData(:,3))*3600,'r',AUKFTraceData(:,1),(AUKFSinsData(:,3)-AUKFTraceData(:,3))*3600,'b',SUKFTraceData(:,1),(SUKFSinsData(:,3)-SUKFTraceData(:,3))*3600,'g');legend('UKF','FUKF','SUKF');xlabel('t/s');ylabel('俯仰角度误差（"）');fig_num = fig_num+1;figure(fig_num);plot(UKFTraceData(:,1),(UKFSinsData(:,4)-UKFTraceData(:,4))*60,'r',AUKFTraceData(:,1),(AUKFSinsData(:,4)-AUKFTraceData(:,4))*60,'b',SUKFTraceData(:,1),(SUKFSinsData(:,3)-SUKFTraceData(:,3))*60,'g');legend('UKF','FUKF','SUKF');xlabel('t/s');ylabel('航向角度误差（''）');  %飞行姿态角度误差曲线      fig_num = fig_num+1;figure(fig_num);subplot(3,1,1);plot(UKFSinsData(:,1),UKFSinsData(:,5)-UKFTraceData(:,5),'r',AUKFSinsData(:,1),AUKFSinsData(:,5)-AUKFTraceData(:,5),'b',SUKFSinsData(:,1),SUKFSinsData(:,5)-SUKFTraceData(:,5),'g');legend('UKF','FUKF','SUKF');ylabel('东向速度误差（米/秒）');xlabel('t/s');subplot(3,1,2);plot(UKFSinsData(:,1),UKFSinsData(:,6)-UKFTraceData(:,6),'r',AUKFSinsData(:,1),AUKFSinsData(:,6)-AUKFTraceData(:,6),'b',SUKFSinsData(:,1),SUKFSinsData(:,6)-SUKFTraceData(:,6),'g');legend('UKF','FUKF','SUKF');ylabel('北向速度误差（米/秒）');xlabel('t/s');subplot(3,1,3);plot(UKFSinsData(:,1),UKFSinsData(:,7)-UKFTraceData(:,7),'r',AUKFSinsData(:,1),AUKFSinsData(:,7)-AUKFTraceData(:,7),'b',SUKFSinsData(:,1),SUKFSinsData(:,7)-SUKFTraceData(:,7),'g');legend('UKF','FUKF','SUKF');ylabel('天向速度误差（米/秒）');xlabel('t/s');​fig_num = fig_num+1;figure(fig_num);subplot(3,1,1);plot(UKFSinsData(:,1),UKFSinsData(:,8)-UKFTraceData(:,8),'r',AUKFSinsData(:,1),AUKFSinsData(:,8)-AUKFTraceData(:,8),'b',SUKFSinsData(:,1),SUKFSinsData(:,8)-SUKFTraceData(:,8),'g');legend('UKF','FUKF','SUKF');ylabel('经度误差（米）');xlabel('t/s');subplot(3,1,2);plot(UKFSinsData(:,1),UKFSinsData(:,9)-UKFTraceData(:,9),'r',AUKFSinsData(:,1),AUKFSinsData(:,9)-AUKFTraceData(:,9),'b',SUKFSinsData(:,1),SUKFSinsData(:,9)-SUKFTraceData(:,9),'g');legend('UKF','FUKF','SUKF');ylabel('纬度误差（米）');xlabel('t/s');subplot(3,1,3);plot(UKFSinsData(:,1),UKFSinsData(:,10)-UKFTraceData(:,10),'r',AUKFSinsData(:,1),AUKFSinsData(:,10)-AUKFTraceData(:,10),'b',SUKFSinsData(:,1),SUKFSinsData(:,10)-SUKFTraceData(:,10),'g');legend('UKF','FUKF','SUKF');ylabel('高度误差（米）');xlabel('t/s');​fig_num = fig_num+1;figure(fig_num);subplot(3,1,1);plot(UKFKALData(:,1),UKFKALData(:,2),'r',AUKFKALData(:,1),AUKFKALData(:,2),'b',SUKFKALData(:,1),SUKFKALData(:,2),'g');legend('UKF','FUKF','SUKF');subplot(3,1,2);plot(UKFKALData(:,1),UKFKALData(:,3),'r',AUKFKALData(:,1),AUKFKALData(:,3),'b',SUKFKALData(:,1),SUKFKALData(:,3),'g');legend('UKF','FUKF','SUKF');subplot(3,1,3);plot(UKFKALData(:,1),UKFKALData(:,4),'r',AUKFKALData(:,1),AUKFKALData(:,4),'b',SUKFKALData(:,1),SUKFKALData(:,4),'g');legend('UKF','FUKF','SUKF');xlabel('卡尔曼滤波输出（速度误差（米/秒））');​fig_num = fig_num+1;figure(fig_num);subplot(3,1,1);plot(UKFKALData(:,1),UKFKALData(:,10),'r',AUKFKALData(:,1),AUKFKALData(:,10),'b',SUKFKALData(:,1),SUKFKALData(:,10),'g');legend('UKF','FUKF','SUKF');subplot(3,1,2);plot(UKFKALData(:,1),UKFKALData(:,9),'r',AUKFKALData(:,1),AUKFKALData(:,9),'b',SUKFKALData(:,1),SUKFKALData(:,9),'g');legend('UKF','FUKF','SUKF');subplot(3,1,3);plot(UKFKALData(:,1),UKFKALData(:,11),'r',AUKFKALData(:,1),AUKFKALData(:,11),'b',SUKFKALData(:,1),SUKFKALData(:,11),'g');legend('UKF','FUKF','SUKF');xlabel('卡尔曼滤波输出（位置误差（米））');​fig_num = fig_num+1;figure(fig_num);plot(UKFTraceData(:,8),UKFTraceData(:,9),'r',UKFSinsData(:,8),UKFSinsData(:,9),'g');grid onxlabel('飞行航迹仿真（经度（度），纬度（度）');ylabel('导航航迹（经度（度），纬度（度）');​fig_num = fig_num+1;figure(fig_num);plot3(AUKFTraceData(:,8),AUKFTraceData(:,9),AUKFTraceData(:,10),'r');grid onxlabel('经度（度）');ylabel('纬度（度）');zlabel('高度（米）');​

⛳️ 运行结果

仿真实验

为了验证算法的性能，进行了仿真实验。实验结果表明，本文提出的组合导航算法比单独使用IMU或GNSS的算法具有更高的精度和鲁棒性。

结论

本文提出了一种基于强跟踪滤波的IMU+GNSS组合导航算法。该算法有效地融合了两种传感器的信息，提高了导航系统的精度和鲁棒性。仿真实验验证了算法的优越性能，为高精度导航系统的实现提供了新的思路。

🔗 参考文献

[1] 王宏力,许强,何星,等.基于强跟踪滤波的单脉冲星/惯性/星光组合导航算法[J].四川兵工学报, 2018.DOI:10.11809/bqzbgcxb2018.12.021.

[2] 王宏力,许强,何星,等.基于强跟踪滤波的单脉冲星/惯性/星光组合导航算法[J].兵器装备工程学报, 2018, 39(12):5.DOI:CNKI:SUN:CUXI.0.2018-12-021.

🎈 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

👇  私信完整代码和数据获取及论文数模仿真定制

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、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化

2 机器学习和深度学习方面

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

方向涵盖风电预测、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、用电量预测、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

2.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

3 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、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

4 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、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

5 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

6 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

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合