为了校正这种误差，我们通常会引入额外的传感器信息。例如，对上图来说，引入GPS定位信息就是一个不错的选择。这时又出现了问题：速度积分和GPS传感器包含有位置信息，那我们究竟该采信哪边的结果呢？如果两边的信息都不想浪费，该怎么把它们进行融合呢？实际上，无论是速度积分得到的位置信息，还是GPS得到的位置信息，都存在一定的误差（GPS也存在定位精度的问题）。而在机器人的实际应用场景中，可能还存在红外、激光、视觉等更多类型的传感器，都可以以一定精度返回机器人的位置信息。那么我们该如何综合利用这些信息（传感器信息融合）来估计机器人当前的位置信息呢，这里就要用到卡尔曼滤波了。

【目标融合】基于拓展卡尔曼滤波实现车载激光雷达和雷达的数据融合matlab源码.md

完整代码，可直接运行

【数据融合】基于拓展卡尔曼滤波实现IMU和GPS数据融合matlab源码.zip

利用拓展卡尔曼滤波方法，基于WiFi信号RSSI实现室内定位和轨迹追踪，同时绘制轨迹图，相关数据存储在安卓数据库中，另外含有路径损耗估计算法和最小二乘算法，适合室内定位领域的研究生和感兴趣的读者下载。

使用EKF算法（拓展卡尔曼滤波）来估计机器人的位置信息，并实现可视化展示。该EKF算法还与里程计模型和GPS模型估计进行对比，来判断其估计效果。（运行时记得把.m文件改成英文，否则无法运行）

有关使用EKF进行姿态解算的各公式、公式的推导过程已经各雅各比矩阵的计算过程，上面有我自己的学习笔记，希望多交流！