如何构建适合无人机或四轴飞行器的IMU + GPS融合算法。

通过融合来自惯性测量单元(IMU)和全球定位系统(GPS)接收器的数据来估计地面车辆的位置和方向。

通过建立一个紧密耦合的扩展卡尔曼滤波器来估计地面车辆的位置和方向，并使用它来融合传感器测量。一个紧密耦合的滤波器将惯性测量单元(IMU)读数与原始全球导航卫星系统(GNSS)读数融合在一起。相反，松散耦合滤波器将IMU读数与过滤后的GNSS接收机读数融合在一起。

融合来自3轴加速度计、3轴陀螺仪、3轴磁强计(通常称为磁、角速率和重力的MARG传感器)和1轴高度计的数据，以估计方向和高度。

MATLAB Mobile™报告来自Apple或Android移动设备上的加速度计、陀螺仪和磁力计的传感器数据。可获得各传感器的原始数据或融合方向数据。这个例子展示了如何比较来自手机的融合方向数据和来自ahrsfilter对象的方向估计。

使用惯性测量单元(IMU)和单目摄像机估计地面车辆的姿态(位置和方向)。在这个例子中，你:

insfilterAsync对象是一个复杂的扩展卡尔曼滤波器，用于估计设备姿态。然而，手动调优滤波器或为噪声参数找到最优值可能是一项具有挑战性的任务。这个例子说明了如何使用tune函数来优化滤波器噪声参数。

介绍如何自定义与insEKF对象一起使用的传感器模型。

为insEKF 对象定义和使用自定义传感器模型以及内置传感器模型。本例使用自定义偏航角传感器、加速度计和陀螺仪，使用insEKF 对象来确定车辆的方向。你用GPS接收器的速度来计算飞行器的偏航。按照本例中所示的类似方法，您可以为自己的传感器融合应用程序开发自定义传感器模型。

从连接到Arduino®板的传感器传输IMU数据，并使用AHRS滤波器和IMU传感器估计方向。