转载自：https://blog.csdn.net/qq_36170626/article/details/108498533

IMU与GPS传感器ESKF融合定位

纷繁中淡定 2020-09-09 18:29:38

1800

分类专栏：手写VIO 文章标签： slam

版权

IMU与GPS传感器ESKF融合定位

文章目录

IMU与GPS传感器ESKF融合定位
- 1、代码整体框架说明
- 2、主要函数介绍
- - 2.1 LocalizationWrapper构造函数
  - 2.2 滤波算法进行预测
  - 2.3 通过GPS位置测量数据更新系统的状态
- 3. 结果评价
- 参考文献：

IMU与GPS传感器ESKF融合定位（转载）IMU与GPS传感器ESKF融合定位IMU与GPS传感器ESKF融合定位

分别在两个终端下运行命令：

rosbag play utbm_robocar_dataset_20180502_noimage1.bag
roslaunch imu_gps_localization imu_gps_localization.launch

1、代码整体框架说明

代码具体结构框架如下图所示：

IMU与GPS传感器ESKF融合定位（转载）IMU与GPS传感器ESKF融合定位IMU与GPS传感器ESKF融合定位

cpp文件	文件具体实现作用	备注
localization_node.cpp	主函数文件，实现初始化ros，初始化LocalizationWrapper类
localization_wrapper.h	LocalizationWrapper类定义，主要声明构造函数、析构函数以及imu回调函数、gps回调函数、打印状态、打印gps数据，把状态格式数据转换成ros话题机制
localization_wrapper.cpp	构造函数中主要是加载参数，保存数据到文件夹下，订阅imu和gps的话题然后发布融合后的轨迹；析构函数主要是释放空间；imu回调函数主要是读取imu数据，然后对数据进行处理，转变状态发布成ros话题，打印状态；gps回调函数主要是实现读取数据，然后进行处理，最后打印。
imu_gps_localizer.cpp	ProcessImuData()函数初始化imu数据，对imu数据进行预测，从ENU坐标系转换到GPS坐标系，发布融合后的状态；ProcessGpsPositionData()函数主要实现初始化数据以及位置的更新。
imu_gps_localizer.h	ImuGpsLocalizer类构造函数，声明ProcessImuData()函数，声明ProcessGpsPositionData()函数
initializer.h	初始化类，主要是构造函数，添加imu数据，添加gps数据，计算imu数据到gps数据的旋转矩阵这里参考的是openvins
imu_processor.cpp	滤波融合的预测部分Predict()函数具体实现
imu_processor.h	ImuProcessor类主要是滤波融合的预测部分Predict()函数声明
gps_processor.h	GpsProcessor类通过GPS位置更新系统的状态UpdateStateByGpsPosition()以及计算残差以及雅可比矩阵和把得到的误差更新状态
base_type.h	主要是imu数据、GPS数据以及系统状态的数据结构
utils.h	主要包括弧度和角度之间的相互转换、ENU坐标系与LLA坐标系的转换以及得到反对称矩阵

2、主要函数介绍

2.1 LocalizationWrapper构造函数

LocalizationWrapper构造函数主要实现加载参数、添加数据保存位置、订阅话题和发布话题

LocalizationWrapper::LocalizationWrapper(ros::NodeHandle& nh) {
    // Load configs.
    double acc_noise, gyro_noise, acc_bias_noise, gyro_bias_noise;
    nh.param("acc_noise",       acc_noise, 1e-2);
    nh.param("gyro_noise",      gyro_noise, 1e-4);
    nh.param("acc_bias_noise",  acc_bias_noise, 1e-6);
    nh.param("gyro_bias_noise", gyro_bias_noise, 1e-8);

    double x, y, z;
    nh.param("I_p_Gps_x", x, 0.);
    nh.param("I_p_Gps_y", y, 0.);
    nh.param("I_p_Gps_z", z, 0.);
    const Eigen::Vector3d I_p_Gps(x, y, z);

    std::string log_folder
        = "/home/sunshine/catkin_imu_gps_localization/src/imu_gps_localization";
    ros::param::get("log_folder", log_folder);

    // Log.
    file_state_.open(log_folder + "/state.csv");
    file_gps_.open(log_folder +"/gps.csv");

    // Initialization imu gps localizer.
    imu_gps_localizer_ptr_ = 
        std::make_unique<ImuGpsLocalization::ImuGpsLocalizer>(acc_noise, gyro_noise,
                                                              acc_bias_noise, gyro_bias_noise,
                                                              I_p_Gps);

    // Subscribe topics.
    imu_sub_ = nh.subscribe("/imu/data", 10,  &LocalizationWrapper::ImuCallback, this);
    //TODO 运行数据集需要修改的地方： gps的话题为/fix
    gps_position_sub_ = nh.subscribe("/fix", 10,  &LocalizationWrapper::GpsPositionCallback, this);
    
    //发布融合后的轨迹
    state_pub_ = nh.advertise<nav_msgs::Path>("fused_path", 10);
}

2.2 滤波算法进行预测

void ImuProcessor::Predict(const ImuDataPtr last_imu, const ImuDataPtr cur_imu, State* state) {
    // Time.
    const double delta_t = cur_imu->timestamp - last_imu->timestamp;
    const double delta_t2 = delta_t * delta_t;

    // Set last state.
    State last_state = *state;
    // mid_point integration methods
    // Acc and gyro.
    const Eigen::Vector3d acc_unbias = 0.5 * (last_imu->acc + cur_imu->acc) - last_state.acc_bias;
    const Eigen::Vector3d gyro_unbias = 0.5 * (last_imu->gyro + cur_imu->gyro) - last_state.gyro_bias;

    // Normal state. 
    // Using P58. of "Quaternion kinematics for the error-state Kalman Filter".
    state->G_p_I = last_state.G_p_I + last_state.G_v_I * delta_t + 
                   0.5 * (last_state.G_R_I * acc_unbias + gravity_) * delta_t2;
    state->G_v_I = last_state.G_v_I + (last_state.G_R_I * acc_unbias + gravity_) * delta_t;
    const Eigen::Vector3d delta_angle_axis = gyro_unbias * delta_t;
    if (delta_angle_axis.norm() > 1e-12) {
        // std::cout << "norm" << delta_angle_axis.norm() << "normlized"
        //           << delta_angle_axis.normalized() << std::endl;
        state->G_R_I = last_state.G_R_I
            * Eigen::AngleAxisd(delta_angle_axis.norm(),
                                delta_angle_axis.normalized())
                  .toRotationMatrix();
    }
    // Error-state. Not needed.

    // Covariance of the error-state.   
    Eigen::Matrix<double, 15, 15> Fx = Eigen::Matrix<double, 15, 15>::Identity();
    Fx.block<3, 3>(0, 3)   = Eigen::Matrix3d::Identity() * delta_t;
    Fx.block<3, 3>(3, 6)   = - state->G_R_I * GetSkewMatrix(acc_unbias) * delta_t;
    Fx.block<3, 3>(3, 9)   = - state->G_R_I * delta_t;
    if (delta_angle_axis.norm() > 1e-12) {
        Fx.block<3, 3>(6, 6) = Eigen::AngleAxisd(delta_angle_axis.norm(), delta_angle_axis.normalized()).toRotationMatrix().transpose();
    } else {
        Fx.block<3, 3>(6, 6).setIdentity();
    }
    Fx.block<3, 3>(6, 12)  = - Eigen::Matrix3d::Identity() * delta_t;

    Eigen::Matrix<double, 15, 12> Fi = Eigen::Matrix<double, 15, 12>::Zero();
    Fi.block<12, 12>(3, 0) = Eigen::Matrix<double, 12, 12>::Identity();

    Eigen::Matrix<double, 12, 12> Qi = Eigen::Matrix<double, 12, 12>::Zero();
    Qi.block<3, 3>(0, 0) = delta_t2 * acc_noise_ * Eigen::Matrix3d::Identity();
    Qi.block<3, 3>(3, 3) = delta_t2 * gyro_noise_ * Eigen::Matrix3d::Identity();
    Qi.block<3, 3>(6, 6) = delta_t * acc_bias_noise_ * Eigen::Matrix3d::Identity();
    Qi.block<3, 3>(9, 9) = delta_t * gyro_bias_noise_ * Eigen::Matrix3d::Identity();
    //协方差预测
    state->cov = Fx * last_state.cov * Fx.transpose() + Fi * Qi * Fi.transpose();

    // Time and imu.
    state->timestamp = cur_imu->timestamp;
    state->imu_data_ptr = cur_imu;
}

2.3 通过GPS位置测量数据更新系统的状态

bool GpsProcessor::UpdateStateByGpsPosition(const Eigen::Vector3d& init_lla, const GpsPositionDataPtr gps_data_ptr, State* state) {
    Eigen::Matrix<double, 3, 15> H;
    Eigen::Vector3d residual;
    ComputeJacobianAndResidual(init_lla, gps_data_ptr, *state, &H, &residual);
    const Eigen::Matrix3d& V = gps_data_ptr->cov;

    // EKF.
    const Eigen::MatrixXd& P = state->cov;
    //P：状态的协方差矩阵；V：gps数据的协方差矩阵；H：误差状态的雅可比矩阵
    const Eigen::MatrixXd K = P * H.transpose() * (H * P * H.transpose() + V).inverse();
    const Eigen::VectorXd delta_x = K * residual;

    // Add delta_x to state.
    AddDeltaToState(delta_x, state);

    // Covarance.
    const Eigen::MatrixXd I_KH = Eigen::Matrix<double, 15, 15>::Identity() - K * H;
    state->cov = I_KH * P * I_KH.transpose() + K * V * K.transpose();
}
//计算雅克比矩阵以及残差项 P61 Quaternion kinematics for the error-state Kalman filter
void GpsProcessor::ComputeJacobianAndResidual(const Eigen::Vector3d& init_lla,  
                                              const GpsPositionDataPtr gps_data, 
                                              const State& state,
                                              Eigen::Matrix<double, 3, 15>* jacobian,
                                              Eigen::Vector3d* residual) {
    const Eigen::Vector3d& G_p_I   = state.G_p_I;
    const Eigen::Matrix3d& G_R_I   = state.G_R_I;

    // Convert wgs84 to ENU frame.
    Eigen::Vector3d G_p_Gps;
    ConvertLLAToENU(init_lla, gps_data->lla, &G_p_Gps);

    // Compute residual.
    *residual = G_p_Gps - (G_p_I + G_R_I * I_p_Gps_);

    // Compute jacobian.？？？对哪一项求导？
    jacobian->setZero();
    jacobian->block<3, 3>(0, 0)  = Eigen::Matrix3d::Identity();
    jacobian->block<3, 3>(0, 6)  = - G_R_I * GetSkewMatrix(I_p_Gps_);
}
//添加误差项到状态
void AddDeltaToState(const Eigen::Matrix<double, 15, 1>& delta_x, State* state) {
    state->G_p_I     += delta_x.block<3, 1>(0, 0);
    state->G_v_I     += delta_x.block<3, 1>(3, 0);
    state->acc_bias  += delta_x.block<3, 1>(9, 0);
    state->gyro_bias += delta_x.block<3, 1>(12, 0);

    if (delta_x.block<3, 1>(6, 0).norm() > 1e-12) {
        state->G_R_I *= Eigen::AngleAxisd(delta_x.block<3, 1>(6, 0).norm(), delta_x.block<3, 1>(6, 0).normalized()).toRotationMatrix();
    }
}

3. 结果评价

参考文献：

IMU & GPS定位 Quaternion kinematics for ESKF[part 3]

EU Long-term Dataset with Multiple Sensors for Autonomous Driving

Quaternion kinematics for the error-state Kalman filter

Woosik Lee, Intermittent GPS-aided VIO: Online Initialization and Calibration.

A General Optimization-based Framework for Global Pose Estimation with Multiple Sensors

A General Optimization-based Framework for Local Odometry Estimation with Multiple Sensors

IMU与GPS传感器ESKF融合定位（转载）IMU与GPS传感器ESKF融合定位IMU与GPS传感器ESKF融合定位

IMU与GPS传感器ESKF融合定位

IMU与GPS传感器ESKF融合定位

文章目录

1、代码整体框架说明

2、主要函数介绍

2.1 LocalizationWrapper构造函数

2.2 滤波算法进行预测

2.3 通过GPS位置测量数据更新系统的状态

3. 结果评价

参考文献：

继续阅读

无人驾驶2：卡尔曼滤波行人状态估计

二阶近似扩展卡尔曼滤波算法的锂离子电池SOC在电池性能中的估算锂离子电池广泛用于便携式电子设备、电动汽车和储能系统，

卡尔曼滤波的锂离子电池SOC在可再生能源系统中的改进锂离子电池广泛用于各种应用，例如电动汽车、便携式电子产品和可再生能源

基于中心差，分卡尔曼滤波的动力电池SOC的，估算研究

卫星导航系统-第16讲-船用惯性导航系统与卫星导航系统的组合-2

【EKF定位】基于传感器信息融合的EKF扩展卡尔曼滤波定位算法matlab仿真

卡尔曼滤波卡尔曼滤波

基于Allan方差法的MEMS性器件随机噪声分析陀螺仪是研究旋转运动的关键器件，而在地震监测的实际应用中，单靠高精度的陀

卡尔曼滤波（KF）和扩展卡尔曼滤波（EKF）

视觉slam-----第四篇卡尔曼滤波马尔科夫和卡尔曼滤波

多传感器融合用卡尔曼滤波的话也逃不开状态方程观测方程

从贝叶斯滤波到卡尔曼滤波（一）

PX4飞控导出GPS数据拟合飞行轨迹（转载）PX4飞控导出GPS数据拟合飞行轨迹

一文图解卡尔曼滤波(Kalman Filter)

拓端数据tecdat|matlab实现扩展卡尔曼滤波(EKF)进行故障检测

声学研究：信标数量不固定的声学定位组合导航方法及仿真针对水下航行器利用声学定位时可能出现无法收到足够数量信标测距信息的问