支持GNSS/INS松组合解算 支持GNSS/INS/Camera融合解算 支持纯惯导推算 支持VIO解算，不过需要利用GNSS数据进行全局的初始化

适用于Android的传感器融合演示 此应用程序演示了各种传感器和传感器融合的功能。 来自陀螺仪，加速度计和罗盘的数据以不同的方式组合在一起，结果显示为可以通过旋转设备旋转的立方体。 在阅读完整的文档。 此应用程序中的主要新颖之处在于虚拟传感器的融合：改进的方向传感器1和改进的方向传感器2将Android旋转矢量与虚拟陀螺仪传感器融合在一起，从而获得了以前未知的稳定性和精度的姿态估计。 除了这两个传感器之外，还可以使用以下传感器进行比较： 改进的方向传感器1（Android旋转矢量和校准的陀螺仪的传感器融合-不稳定，但更准确） 改进的方向传感器2（Android旋转矢量和校准的陀螺仪的传感器融合-更稳定，但准确性更低） Android旋转向量（加速度计+陀螺仪+指南针的卡尔曼滤波融合） 校准的陀螺仪（加速度计+陀螺仪+指南针的卡尔曼滤波融合的单独结果） 重力+指南针 加速

格文斯 GVINS：紧密耦合的GNSS-视觉-惯性融合，用于平稳一致的状态估计。 GVINS是一个基于非线性优化的系统，该系统将GNSS原始测量结果与视觉和惯性信息紧密融合在一起，可进行实时和无漂移状态估计。 通过合并GNSS伪距和多普勒频移测量，GVINS能够在复杂环境中提供平稳且一致的6自由度全局定位。 系统框架和VIO部分改编自 。 我们的系统包含以下功能： ECEF帧中的全局6自由度估计； 多星座支持（GPS，GLONASS，Galileo，北斗）； 在线本地-ENU帧对齐； GNSS不友好甚至是GNSS被拒绝的地区的全球姿态恢复。 1.先决条件 1.1 C ++ 11编译器 该软件包需要C ++ 11的某些功能。 1.2活性氧 该程序包是在环境下开发的。 1.3本征 我们的代码使用进行矩阵处理。 1.4立方米 我们使用 1.12.0来解决非线性优化问题。 1.5 gns

Matlab 科技专讲之《理解传感器融合与目标跟踪》，该视频专讲包括5个视频，以及对应的英文字幕。（1）什么是传感器融合；（2）融合磁力计、加速度计和陀螺仪来估计姿态；（3）融合GPS和IMU来估计位姿；（4）使用IMM滤波器来跟踪单个目标；（5）如何同步跟踪多个目标

百度apollo定位文献中文翻译 Robust and Precise Vehicle Localization based on Multi-sensor Fusion in Diverse City Scenes

数据融合matlab代码传感器融合模块，为LIDAR / RADAR输入处理实现了扩展的卡尔曼滤波器 卡尔曼滤波器体系结构。 外部装有LIDAR和RADAR等传感器的汽车可以检测到在其范围内移动的物体：例如，传感器可能检测到行人，甚至是自行车。 这是通过计算扩展的卡尔曼滤波器来实现的，该滤波器同时组合了从激光雷达和雷达获得的数据，以测量移动物体的速度和相对于汽车的相对位置。 对于多样性，让我们使用自行车示例逐步了解Kalman滤波算法（上图所示的体系结构），以了解此计算的实际工作原理： 首次测量-过滤器将接收自行车相对于汽车位置的初始测量值。 这些测量将来自雷达或激光雷达传感器。 初始化状态和协方差矩阵-过滤器将基于第一次测量来初始化自行车的位置。 那么汽车将在时间段Δt之后收到另一个传感器测量值。 预测-算法将在时间Δt之后预测自行车的位置。 在Δt之后预测自行车位置的一种基本方法是假设自行车的速度是恒定的。 因此，自行车将具有运动速度Δt 。 在扩展的卡尔曼滤波课中，我们将假设速度是恒定的。 更新-过滤器将“预测的”位置与传感器测量值进行比较。 将预测的位置和测量的位置合并以给出更

运动目标检测与跟踪matlab代码SFND RADAR目标生成和检测 在本课程中，我们将详细讨论雷达对自动驾驶汽车产生感知所需要的过程。 从头开始，我们将基于雷达的基本原理进行构建。 我们将介绍信号传播和目标响应生成。 然后，我们将深入研究定位目标实时所需的Range Doppler生成。 我们将在MATLAB中编写代码以生成目标场景，创建FMCW波形，然后使用诸如FFT，CFAR之类的处理技术创建距离多普勒地图（RDM）。 对于项目的第二部分，我们将使用基于MATLAB的Driving Scenario Simulator进行部署，以部署多对象跟踪和聚类并研究结果。 本地运行的依赖项 要完成该项目，您还需要在计算机上下载MATLAB（如果尚未下载）。 首先，您可以按照以下步骤操作： 如果您还没有MathWorks帐户，请创建一个。 在继续执行步骤2之前，请确保验证电子邮件（检查垃圾邮件/垃圾邮件文件夹）。 下载安装程序。 运行安装程序–它会指导您完成适用于您的操作系统的步骤。

Sensor fusion and tracking users guide.pdf

基于地图的视觉本地化 基于地图的视觉本地化的通用框架。 它包含了 支持传统功能或深度学习功能的地图生成。 视觉（点或线）地图中的Hierarchical-Localizationvisual。 具有IMU，车轮Odom和GPS传感器的融合框架。 我将发布一些相关论文，并在基于地图的视觉本地化中介绍工作。 我想介绍会先用中文写。 因此，快来了，让我们开始吧。 随缘持续更新中!! 2020.09.19添加了微小贡献的github repo链接 2020.09.19添加了第五章的部分内容 2020.09.04添加文章结构 [目录] 基于地图的视觉定位 根据已知地图的视觉定位是一个比较大的问题，基本上会涉及到slam系统，重定位，图像检索，特征点提取及匹配，多传感器融合领域。 0.写在前面 作者：钟心亮 在写本文之前，我想先简单的总结一下历年用的比较多的slam系统，另外会提出一些开

这是花了时间加了PDF 书签的，方便阅读，网上的版本都是没有书签的，阅读，检索不方便