定位和姿态估计

如何构建一个IMU + GPS融合算法适合无人机(uav)或四轴飞行器。

估计姿势(位置和姿态)的地面车辆使用的惯性测量单元(IMU)和单眼相机。在本例中,您:

MATLAB移动™报告从加速计传感器数据,陀螺仪,磁力仪在苹果或安卓移动设备。从每个传感器或原始数据融合定位数据可以获得。这个例子展示了如何从电话比较融合定位数据与定位估计从ahrsfilter对象。

估计地面车辆的位置和姿态融合数据从一个惯性测量单元(IMU)和全球定位系统(GPS)接收机。

结合机器人测距数据和观察到的基准标记称为AprilTags更好地估计机器人轨迹和在环境中具有里程碑意义的位置。示例使用一个姿势图方法和因子图的方法,并比较两个图。

减少估计的漂移轨迹(位置和姿态)的单眼相机使用3 d构成图优化。视觉测程法估计当前全球带来的相机(当前帧)。因为可怜的匹配或错误的3 d点三角,机器人轨迹往往倾向于漂移从地面真理。环路闭合检测和姿势图优化减少这种漂移和纠正错误。

单眼visual-inertial测程法估计机器人的位置和姿态使用相机和惯性测量单元(IMU)传感器数据。基于成像在低速导航状态估计是准确的。然而,基于成像评估面临的挑战,如运动模糊和追踪损失在更高的速度。基于摄像头也单眼估计可以在任意规模估计姿势。另一方面,惯性导航很容易处理高速导航和姿态估计世界规模。你可以结合这两种类型的传感器数据的优势来实现更好的使用紧密耦合因子图优化精度。