九轴说的是三轴的加速度计、三轴的陀螺仪以及三轴的磁场传感器。但是只是单纯的测出九个轴的数据没什么用，关键是要能够融合这九轴数据得出我们想要的结果。这里就运用三阶卡尔曼滤波算法来融合这九轴运动数据为三轴的角度。运用这三个角度可以用来做自平衡车. 一、卡尔曼算法理解 其实如果不去考虑kalman算法是怎么来的，我们只需要知道有下面几个式子就可以了，具体意思可以看上面的wikipedia链接 二卡尔曼滤波算法的实现 这里的算法是运行在avr单片机上的，所以采用的是c语言写的。下面的代码是要放到avr的定时器中断测试刷新的。用示波器测试了一下,这个算法在16M晶振下的运行时间需要0.35ms,而数据采集需要3ms左右,所以选定定时器时间为8ms.这边是三阶的，主要是矩阵运算.

为了消弱由测量噪声的变化对导航估计的影响，本文提出了一种自适应滤波法。该算法利用阈值自动选择开窗窗口的长度调节自适应因子，以此调整扩展卡尔曼滤波法（EKF）与无迹卡尔曼滤波法（UKF）中的滤波增益，进而合理利用测量信息，由此分别形成AEKF与AUKF算法。将两种方法分别应用于全球导航系统（GPS）和航位推算（DR）紧组合导航系统中，仿真结果证明了与UKF相比，可以有效地避免滤波发散。

卡尔曼滤波与组合导航原理 第2版 秦永元

非线性状态估计是一个具有挑战性的问题。 著名的卡尔曼滤波器只适用于线性系统。 扩展卡尔曼滤波器 (EKF) 已成为非线性状态估计的标准公式。 然而，由于不确定性通过非线性系统的传播，它可能会导致高度非线性系统的重大误差。 无迹卡尔曼滤波器 (UKF) 是该领域的一项新进展。 这个想法是基于其协方差在当前状态估计周围产生几个采样点（Sigma 点）。 然后，通过非线性映射传播这些点以获得映射结果的均值和协方差的更准确估计。 通过这种方式，它避免了计算雅可比矩阵的需要，因此只产生与 EKF 相似的计算负载。 出于教程目的，此代码实现了 UKF 公式的简化版本，其中我们假设过程噪声和测量噪声都是可加的，以避免状态增加，并简化对非线性映射的假设。 该代码被大量注释，并附有使用该函数的示例。 因此，初学者学习UKF是合适的。 为了比较，可以从http://www.mathworks.com/

数据融合matlab代码Term2-项目1：扩展卡尔曼滤波器 阿杰·派迪（Ajay Paidi） 客观的 该项目的目的是实现扩展卡尔曼滤波器，该滤波器可以融合雷达和激光雷达数据中的传感器数据并执行对象跟踪。 档案结构 ReadMe.md ：此文件 main.cpp ：循环输入文件度量并调用融合扩展卡尔曼滤波器以获取预测输出的主要可执行程序。 该文件由Udacity提供并按原样使用。 FusionEKF.h和FusionEKF.cpp ：包含融合扩展卡尔曼滤波器的实现。 它首先设置激光雷达和雷达初始化矩阵，然后根据传感器类型调用卡尔曼滤波器。 kalman_filter.h和kalman_filter.cpp ：包含预测和度量更新步骤的实现。 的Tools.h和tools.cpp：实用工具类来计算RMSE和雅可比。 描述 卡尔曼滤波器 简单的卡尔曼滤波器通常用于通过使用来自传感器的测量值连续更新状态预测来跟踪对象（位置和速度）。 以下是一个简单的伪代码，说明了这一点 #Initialize state x = [p, v] #state contains postion and velo

采用自适应卡尔曼滤波方法，基于锂离子动力电池的等效电路模型，在未知干扰噪声环境下，在线估计电动汽车锂离子动力电池荷电状态(SOC)。

本文提出了一种基于改进卡尔曼滤波的量子态最优估计器。 这种估计器在状态测量之后起作用，从而使我们能够获得对量子状态的最佳估计，从而可以输出任何量子算法。 这种方法比其他类型的量子测量（例如，弱测量，强测量和量子状态层析成像等）要精确得多。

扩展卡尔曼滤波SOC算法Simulink模型

这是韩国学生的一篇硕士论文 业内评价很高。论文研究了低成本IMU的检校、INS的初始对准方法、GPS/INS组合解算模型的公式推导等。对做惯导和组合导航的算法设计很有帮助

基于无迹卡尔曼滤波（UKF）的锂电池荷电状态（SOC）估计，里面包含自己所做实验得到的锂电池系统参数（二阶RC等效电路模型各参数），并且通过UDDS工况仿真验证UKF算法的精度。需要各种误差图，可自行修改代码。