基于matlabIMU导航解算，参考代码，案列实现

ESP32 GPS高度计可变仪 带有卡尔曼滤波器的变速箱零延迟响应，融合了IMU模块的加速度数据和气压传感器的高度数据。 用于IMU（加速度计，陀螺仪和磁力计），气压计和gps读数的高速数据记录选项。 IMU数据为500Hz，气压高度数据为50Hz，gps数据为10Hz。 数据记录到128Mbit串行SPI闪存中。 这对于离线分析和开发数据处理算法很有用。 常规GPS轨道记录选项，轨道间隔从1到60秒不等。 数据记录到128Mbit串行SPI闪存中。 Wifi访问权限，用于下载数据或跟踪日志并配置用户选项。 该单元充当Wifi接入点和Web服务器。 因此，您可以使用智能手机或笔记本电脑

在 Android (API 21+) 和 iOS (SDK 8.0+) 移动设备上以 ~30Hz 记录相机帧和以 ~100Hz 同步到一个时钟源的惯性测量单元 (IMU) 测量。 新的功能 MARS logger的Android应用在用户界面上进行了升级。现在用户可以指定曝光时间、ISO、相机帧大小、相机ID。通过在选项卡之间导航，用户可以捕获视频 + IMU 数据，或捕获恒定焦距的图像。此外，点击对焦功能也得到了纠正。该应用程序在此处发布 一款使用鱼眼相机和 IMU 在 tango 设备（例如 Lenovo Phab2 Pro、Asus ZenFone AR）上捕获数据的 Android 应用程序已发布，源代码位于 此处。 更多详情、使用方法，请下载后细读README.md文件

Sparkfun 9DOF Razor IMU（SEN-10125 和 SEN-10736）和 SparkFun 9DOF 传感器棒（SEN-10183、SEN-10321 和 SEN-10724）的 9 度测量姿态和航向参考系统 更多详情、使用方法，请下载后细读README.md文件

基于matlab的IMU计算源码 The Purpose of "Dream Bank" This is my plan to achieve my dream job, automobile vehicle planning engineer. For me and for all the pople I love Knowledge Must Have : 实车， python：simulation graph search: BFS, DFS 求offer 的课？ Coding 编程: 熟练使用Matlab, Carsim, CarMaker等软件 精通C++/C/Python语言编程 ROS，熟悉ROS下机器人系统的设计开发 深度学习、计算机视觉的实战经验。有OpenCV/TensorFlow/MXNet经验 熟练使用Gazebo，Perscan，Verp等模型开发仿真 Apollo 数据结构 良好的代码规范，熟悉面向对象编程思想、熟悉几种常用的设计模式 熟悉成熟的开源代码库 Theoretical Background 知识储备： 有机器人控制相关的开发经验。熟悉现代控制理论

matlab中微多普勒代码处理摆运动的IMU 说明和运行方式 这是一个处理MetaMotionR IMU传感器数据的Matlab库，该代码用于读取和处理来自IMU的测得的线性加速度和四元数。 运行main.m文件以显示预处理以及与测得的摆运动相对应的无漂移速度和位移。 您可以在两个csv文件上测试此代码。 这些文件包含记录的四元数和摆实验的线性加速度。 只需运行main.m文件，系统将提示您两次选择csv文件。 第一次，您应该选择一个包含线性加速度数据的数据。 第二次，选择包含四元数数据的数据。 文件说明 该项目具有以下文件： ：这是要运行的主要文件。 ：此文件具有旨在裁剪时间序列数据的MATLAB函数。 ：此文件具有标准化旋转加速度的功能。 ：此文件具有可以调用的绘图功能。 进行此功能是为了减少代码的使用范围。 ：此文件具有preprocess()函数，该函数读取原始线性加速度和四元数数据。 通过使用从四元数计算出的欧拉角，它将线性加速度旋转到参考系。 ：该文件负责消除速度的漂移和从旋转的线性加速度计算出的位移。 此文件中实现的算法是this和this可用的算法的修改版本。 上述链接

GNSS 与惯性及多传感器组合导航系统原理 第二版附带的光盘文件，iso格式，使用虚拟光驱打开即可 附录 A 向量和矩阵 A.l 向量介绍 A.2 矩阵介绍 A.3 特殊矩阵类型 A.4 矩阵求逆 A.5 微积分 光盘目录 A.6 特征值、特征向量和矩阵分解 参考文献 附录 B 统计测量、概率和随机过程 B.l 数据的随机测量 B.2 概率 B.3 标准分布 B.4 随机过程 B.5 假设检验 参考文献 附录 C 位置表征、变换和转化 C.l 数据 C.2 笛卡儿坐标到曲线坐标的转化方法 C.3 正交向量 C .4 逆墨卡托( Mercator) 投影 参考文献 附录 D 状态估计的补充专题 D.l 最小二乘估计 D.2 施密特-卡尔曼滤波 D.3 粒子滤波专题 参考文献 附录 E 惯性传感器和惯性导航的补充专题 E.l 新型惯性传感器技术 E. 2 质量转子陀螺仪 E -3 E.3 全加速度计 IMU E -6 E.4 惯性导航的历史 E -7 E. 5 平台式惯性导航系统 E -7 E. 6 四元数导航方程的实现 E -8 E. 7 当地切平面坐标系导航方程

给出了IMU在地固坐标系中的误差方程，介绍并分析了自适应滤波和渐消Kalman滤波算法原理，然后将渐消因子引入到自适应滤波算法中，并将其应用到IMU/GPS松组合导航系统中，最后利用一个实际算例证明了该组合导航系统的有效性。

该程序将来自 IMU 的数据作为输入并计算身体的轨迹、速度和姿态。 它绘制了速度和欧拉角与时间和身体轨迹的关系。

提供了 IMU 传感器融合算法的 Rust 端口，该算法由 Sebastian Madgwick 在他的论文An effective orientation filter for惯性和惯性/磁传感器阵列中提出