ydsf16/imu_gps_localization

Using error-state Kalman filter to fuse the IMU and GPS data for localization.

📡 IMU & GPS ローカリゼーション – EKF 融合

概要 – このリポジトリは、慣性計測装置 (IMU) データと全地球測位システム (GPS) の測定値を融合し、車両やロボットのグローバルに一貫したポーズ(位置 + 姿勢)を生成する 誤差状態カルマンフィルタ (EKF) を実装しています。この実装は、教科書 “Quaternion‑based Kinematics for the Error‑State Kalman Filter” の手法に従っています。

重要性 – GPS単体では位置は正確ですが姿勢がドリフトしやすく、信号遮断の影響を受けます。IMU単体では高レートの運動推定が可能ですが、すぐにドリフトが発生します。EKFでこれらを組み合わせることで、以下の利点が得られます:

  • 高周波で滑らかなポーズ推定
  • GPS信号遮断に対する堅牢性
  • 四元数演算を用いた正確な 3‑D 姿勢推定

主要コンポーネント

  • EKF コア – 予測ステップでIMUの角速度と線形加速度を統合し、四元数ベースの誤差状態を維持します。
  • 測定更新 – 新しいGPSデータが到着した際に、状態の位置部分を修正します。
  • データセット対応 – コードは UTBM Robocar データセット(リンクあり)でテストされています。
  • 可視化 – サンプルの軌跡プロット (doc/path.png) で融合された経路を確認できます。

対象読者 – センサーフュージョン用にすぐに実行可能なEKF実装を必要とし、学術的な手法に基づいたリファレンスを好むロボット工学や自動運転の開発者。

開始方法

  1. リポジトリをクローンします。
  2. 必要な Python/C++ の依存関係をインストールします(READMEに記載がない場合は、コードまたは requirements.txt を確認してください)。
  3. UTBM Robocar データセットをダウンロードします。
  4. メインスクリプト(python run_ekf.py のようなもの)を実行して、融合された軌跡を確認します。

ライセンスと連絡先 – GPL‑v3。商用に関する質問は、WeChatまたはメールで著者に連絡してください。問題はGitHubで報告できます。


上記のすべての情報は、リポジトリの README から直接引用しています。

関連

  • プロジェクト
  • プロジェクト
  • プロジェクト
  • プロジェクト