ydsf16/imu_gps_localization
Using error-state Kalman filter to fuse the IMU and GPS data for localization.
📡 IMU & GPS 위치 추정 – EKF 융합
기능 설명 – 이 저장소는 관성 측정 장치(IMU) 데이터와 위성 항법 시스템(GPS) 측정값을 융합하여 차량이나 로봇의 전역적으로 일관된 포즈(위치 + 방향)를 생성하는 **오차 상태 칼만 필터(EKF)**를 구현합니다. 이 구현은 “Quaternion‑based Kinematics for the Error‑State Kalman Filter” 교과서의 방식을 따릅니다.
중요성 – GPS 단독 사용 시 위치는 정확하지만 방향이 드리프트되고 신호 끊김에 취약합니다. IMU 단독 사용 시 고속의 모션 추정은 가능하지만 빠르게 드리프트가 발생합니다. EKF를 통해 두 데이터를 결합하면 다음과 같은 이점을 얻을 수 있습니다:
- 고주파수의 부드러운 포즈 추정
- GPS 신호 끊김에 대한 강건성
- 쿼터니언 수학을 사용한 정확한 3‑D 방향 추정
주요 구성 요소
- EKF 코어 – 예측 단계에서 IMU 각속도와 선형 가속도를 통합하여 쿼터니언 기반의 오차 상태를 유지합니다.
- 측정 업데이트 – 새로운 GPS 데이터가 도착하면 상태의 위치 부분을 수정합니다.
- 데이터셋 지원 – 코드는 UTBM Robocar 데이터셋(링크 제공)에서 테스트되었습니다.
- 시각화 – 샘플 궤적 플롯(
doc/path.png)을 통해 융합된 경로를 확인할 수 있습니다.
대상 사용자 – 센서 융합을 위한 즉시 실행 가능한 EKF 구현이 필요하며, 학술적 근거를 따르는 레퍼런스를 선호하는 로봇 공학 또는 자율주행 개발자.
시작하기
- 저장소를 클론합니다.
- 필요한 Python/C++ 의존성을 설치합니다(README에 명시되지 않은 경우 코드나
requirements.txt를 확인하세요). - UTBM Robocar 데이터셋을 다운로드합니다.
- 메인 스크립트(
python run_ekf.py와 같은 형태)를 실행하여 융합된 궤적을 확인합니다.
라이선스 및 연락처 – GPL‑v3. 상업적 문의는 WeChat이나 이메일로 저자에게 연락하십시오. 이슈는 GitHub에 등록할 수 있습니다.
위의 모든 정보는 해당 저장소의 README에서 직접 가져왔습니다.
관련
- 프로젝트
- 프로젝트
- 프로젝트
- 프로젝트