无人驾驶中，IMU与GPS如何融合，位姿如何解算

传感器权威工具书，对从事自律型机器人开发与研究的人员有参考价值。

多传感器信息融合技术在智能驾驶系统中的应用 [日期：2004-12-8] 来源：电子技术应用  作者：赵敏华 安毅生 黄永宣 [字体：大 中 小] 　  摘要：介绍了当今国际上流行的几种智能驾驶系统，并分析了采用单一传感器的驾驶系统中存在的问题，给出了信息融合技术的原理和结构。讨论了多传感器信息融合技术在智能驾驶系统（ITS）中的应用算法及其有待进一步解决的问题。     关键词：贝叶斯估计 信息融合 障碍探测 智能驾驶 随着传感器技术、信息处理技术、测量技术与计算机技术的发展，智能驾驶系统（辅助驾驶系统一无人驾驶系统）也得了飞速的发展。消费者越来越注重驾驶的安全性与舒

shenlan学院renqian老师的课程-多传感器融合

数据融合matlab代码ECE767 多目标跟踪和多传感器信息融合 作业1 在以下情况下实现最近邻居EKFor CMKFtracker： 目标： 使用恒速模型移动单个目标。 传感器： 位置：[1000 500]，固定（即速度= [0 0]）测量：范围和方位角误差标准偏差：范围= 10 m，方位角= 0.01 rad采样时间= 2s Pd = 0.9错误警报密度（λ）= 1e-4覆盖范围：[0至10000] m方位角[-pi至pi] 追踪器： 假设音轨已经初始化。 使用简单的最近邻居数据关联（获取最接近的度量值）使用EKF或CMKF过滤 绩效评估： 评估RMSE在报告中， 请包括以下内容： Matlab代码图显示真相和估计轨迹图显示RMSE 截止日期：2019年10月17日

为了减小激光三维扫描仪多传感器点云拼接误差的影响，提出了一种以圆柱体作为标准物体逐层修正拼接误差的简便方法。对标准物体扫描且拟合出各截面圆心坐标，并利用圆柱体实际半径值求得截面真值圆函数，将每层测量数据向真值圆函数进行平移刚性变换，求得该层的拼接误差和修正值。为了减小随机误差的影响，利用多次重复测量求得平均修正值，并用求出的平均修正值分别对圆柱体、长方棱柱体和石膏人体模特的不同位置的扫描结果进行了修正验证实验。从截面图的直观观察和定量数据测量两方面比较了修正前后的点云拼接效果，结果表明，修正后点云拼接更加光滑平顺，数据测量相对误差有显著降低。

火灾的早期探测难题主要集中在探测对象难以选择、探测方法单一及准确预警概率低。本系统针对这些问题，在对火灾发生的过程和产物作了详细了解以后，选择适当的传感器对具有明显火灾特征的几个参数进行监测，再利用D-S证据理论对所有监测数据进行融合处理得到更为准确的判定结果。 　　1 火灾探测对象的选定 　　在火灾探测过程中，可以利用的火灾信息很多： 　　(1)固态高温产物：于可燃物中的杂质，以及高温状态下可燃物热裂解所形成的物质。 　　(2)燃烧音：燃烧过程中产生的高温，加热周围空气，使之膨胀，产生一种频率仅在数赫兹左右的压力声波，即是燃烧音。 　　(3)火焰光谱：主要由炽热微粒的光谱辐射和燃烧气体的特征

针对在导航系统姿态解算中，陀螺仪和电子罗盘在解算姿态时分别存在积分误差和磁场干扰的问题，提出了利用Kalman滤波和互补滤波相融合的算法进行定位。首先将电子罗盘和陀螺仪通过Kalman滤波得出最优估计四元数，然后利用互补滤波算法对陀螺仪的漂移进行补偿得到校正后的四元数，将此次得到的四元数和Kalman滤波得出最优估计四元数再次通过Kalman滤波对四元数进行第二次最优估计，进而输出姿态角。实验中对比了本算法和互补滤波算法、无滤波算法的效果。实验证明，该算法不仅可以有效解决方位角误差发散问题，还有效解决了磁场干扰问题，实现了高精度的方位输出。

本文的多传感器融合是建立在读懂《Quaternionkinematicsfortheerror-stateKalman?lter》基础上的，是一种相机和IMU融合的理论，里面讲解了IMU的误差状态运动方程构建。误差状态四元数，是有开源的程序的，但是它是集成在rtslam里面的，不方便提取出来使用。但还有另外一个开源的程序，ETH的MSF，可以比较方便地用在自己的工程里面，并且它的理论与误差状态四元数很接近，稍微有点不同，所以MSF开源程序就成了一个不错的选择。所以本人研究了ETH的两篇文章：《VisionBasedNavigationforMicroHelicopters》和《ARobusta

多传感器融合处理，课件记录。