ydsf16/imu_gps_localization
Using error-state Kalman filter to fuse the IMU and GPS data for localization.
📡 IMU 与 GPS 定位 – EKF 融合
功能说明 – 本仓库实现了一个 误差状态卡尔曼滤波器 (EKF),将惯性测量单元 (IMU) 数据与全球定位系统 (GPS) 测量值进行融合,为车辆或机器人产生全局一致的位姿(位置 + 方向)。此实现遵循教科书 “Quaternion‑based Kinematics for the Error‑State Kalman Filter” 中的方法。
重要性 – 单纯的 GPS 提供准确位置但方向会漂移且容易中断;单纯的 IMU 提供高频率运动估计但会快速漂移。通过 EKF 将两者结合,您可以获得:
- 高频率、平滑的位姿估计
- 对 GPS 中断的鲁棒性
- 使用四元数数学进行准确的 3‑D 方向估计
关键组件
- EKF 核心 – 预测步骤整合 IMU 角速度与线性加速度,维护基于四元数的误差状态。
- 测量更新 – 当收到新的 GPS 定位时,修正状态中的位置部分。
- 数据集支持 – 代码已在 UTBM Robocar 数据集(提供链接)上进行测试。
- 可视化 – 示例轨迹图 (
doc/path.png) 显示了融合后的路径。
适用对象 – 需要现成 EKF 实现进行传感器融合,且偏好遵循已发表学术处理方法的机器人或自动驾驶开发人员。
如何开始
- Clone 此仓库。
- 安装任何必要的 Python/C++ 依赖项(README 未列出,请检查代码或
requirements.txt)。 - 下载 UTBM Robocar 数据集。
- 运行主脚本(可能是类似
python run_ekf.py的指令)以查看融合后的轨迹。
授权与联系 – GPL‑v3。若有商业问题,请通过微信或电子邮件联系作者;问题可于 GitHub 上提出。
以上所有信息均直接取自该仓库的 README。
相关
- 项目
- 项目
- 项目
- 项目