如何构建一个IMU + GPS融合算法适合无人机(uav)或四轴飞行器。

融合的数据使用硬件加速计,使用硬件陀螺仪,使用硬件磁力仪(通常被称为一个玛格磁传感器,角速率,和重力),和1-axis高度计来估算方向和高度。

如何融合传感器以不同的速率估计姿势。加速度计、陀螺仪、磁力仪和GPS用于确定方向和位置的车沿着一个环形的道路。您可以使用控制图窗口改变传感器利率和试验传感器辍学而影响估计的姿势。

使用residualgps目标函数和残余过滤检测当新的传感器测量可能不符合当前过滤状态。

insfilterAsync对象是一个复杂的扩展卡尔曼滤波器估计设备构成。然而,手动调谐滤波器或寻找最优噪声参数的值可以是一个具有挑战性的任务。这个例子演示了如何使用优化函数优化过滤噪声参数。

使用优化函数优化几个融合滤波器的噪声参数,包括ahrsfilter对象。这个例子显示了如何定义一个成本函数为各种优化目标。

使用仿真软件生成和IMU传感器数据融合®。金宝app您可以准确模型的行为一个加速度计,陀螺仪,磁强计和融合他们的输出计算取向。

介绍了如何自定义传感器模型使用一个insEKF对象。

定义和使用一个定制的传感器模型insEKF 对象连同内置传感器模型。使用自定义偏航角传感器、加速度计、陀螺仪,下面的例子使用了insEKF 对象来确定车辆的方向。你使用GPS接收器的速度来计算飞机的偏航。以下类似的方法如本例所示,您可以为自己的传感器融合应用程序开发自定义传感器模型。

估计地面车辆的位置和姿态,通过建立紧密耦合的扩展卡尔曼滤波和用它来融合传感器测量。紧密耦合滤波器引信惯性测量单元(IMU)阅读原始的全球导航卫星系统(GNSS)读数。相比之下,一个松散耦合的过滤器保险丝IMU读数与过滤GNSS接收机读数。