弱GNSS信号跟踪技术是卫星导航接收机关键技术之一,跟踪技术的好坏将直接影响卫星导航接收机在弱信号条件下的跟踪性能;在动态环境和先验信息不充分的情况下,由于扩展卡尔曼滤波(EKF)的固定设计使其不能满足要求,针对此不足引入一种自适应扩展卡尔曼滤波(AEKF)的信号跟踪算法;该自适应滤波算法能够实时监测残差或滤波器新息的动态变化,来修正观测噪声方差和状态噪声方差,以此调整滤波器增益,观测值和控制预测值在滤波结果中的权重;理论分析和结果表明,该算法能够充分利用观测信号的统计特性,克服了传统EKF算法不足,获得更好的跟踪性能。
2021-12-25 21:20:13
353KB
1
数据融合matlab代码直流电
用于传感器融合的扩展卡尔曼滤波器
结果
RMSE
像素
0.0868631
py
0.0791862
vx
0.616482
vy
0.602462
超越
cmake>
=
3.5
所有操作系统：
使>
=
4.1
Linux：大多数Linux发行版默认都安装了make
苹果电脑：
视窗：
gcc
/
g
++>
=
5.4
Linux：大多数Linux发行版默认安装了gcc
/
g
++
Mac：与make一样的交易-[安装Xcode命令行工具]（（）
Windows：建议使用
卡尔曼滤波器教程
这是有关EKF和UKF（）的精彩视频
基本制作说明
克隆此仓库。
创建一个构建目录：
mkdir
build
&&
cd
build
编译：
cmake
..
&&
make
运行它：
./carn_term2
path/to/input.txt
path/to/output.txt
。
您可以在“数据/”中找到一些示例输入。
例如。
./carn_term2
../data/sample-laser-radar-measurement-data-1.txt
2021-12-19 16:53:50
3.84MB
1
数据融合matlab代码导航和状态估计
018827-。
教学大纲：导航过滤器，用于IMU初始化的精确方法，卫星系统和惯性导航系统集成，可测量和外部数据的信息融合，行人导航和无陀螺仪导航。
该课程的最后一个项目展示了一个完整的导航解决方案，该解决方案由EKF估计并带有带噪声的IMU和GPS传感器，并在该场景的一系列运动状态和全局状态中被声明为：
与观测值本身正在纠正的位置（z̃_GPS）不同，这里的误差会随着时间的推移而恶化，因为它们会随机行走：
IMU漂移的最终和最重要的表示形式是总体轨迹，其估计路线随时间呈指数级偏离，从GT到GT：
086761-。
教学大纲：惯性和航位推算导航，概率信息融合，视觉辅助导航，同时定位和制图，Imu预集成，视觉惯性束调整，协作导航和猛击（集中式和分布式），活动状态估计和信念空间规划。
作业示范：
086759-。
教学大纲：方向参数化，导航系统中的主要坐标系，不同坐标系之间的3D刚性转换，动力学，惯性传感器，惯性导航方程式，地球模型，传感器误差特性，惯性误差表示，GNSS，Ins-GPS
Ekf概述。
了解惯性导航系统的工作原理和基本方程式。
学习对
2021-12-09 16:59:35
74.57MB
1
为了评估所提出的基于三基站观测距离EKF融合滤波算法和传统的三基站观测距离LS定位算法的性能，假设系统的过程噪声和观测噪声都是服从均值为零，方差分别为10-8m和10-2m且彼此独立分布的高斯白噪声。已知三个参考基站的位置分别位于为(0，0)、(10，0)和(10，10)处，做匀加速直线运动的目标在初始时刻的状态向量 ，初始状态协方差矩阵 为6×6的单位矩阵。EKF融合滤波算法和LS定位算法的定位性能仿真结果如图1所示，图2展示了EKF融合滤波算法和LS定位算法的定位误差，图3展示了EKF融合滤波算法和LS定位算法的定位误差累积分布函数CDF。
2021-11-29 22:14:31
4KB
1