基于的matlab导航科学计算库
- GPS IMU 经典ESKF融合
- VRU/AHRS姿态融合算法
- 捷联惯导速度位置姿态解算例子
- UWB IMU融合
运行环境： matlab2020a 必须安装 sensor fusion toolbox 和 navigation tool box
需要将\lib及其子目录加入matlab预设目录， 或者运行一下根目录下的init.m
| 目录 | 说明 |
|---|---|
| \example\vru_ahrs_test | AHRS/IMU测试 |
| \example\allan_test | allan方差 |
| \example\calibration_test | 加速度计和陀螺校准测试 |
| \example\gps_kalman_test | 纯GPS定位，采用卡尔曼滤波定位 |
| \example\ins_test | 捷联惯导解算 |
| \example\gps_imu_test | 15维ESKF GPS+IMU组合导航 |
| \example\uwb_imu_fusion_test | 15维UWB+IMU EKF 紧组合 |
| \example\uwb_test | 纯UWB多边定位测试 |
| \example\basic | 一些基础函数测试和入门例程(入门推荐先看) |
| \example\其他未列出目录 | 试验性质的测试代码，建议不看 |
| \study | 自己学习用脚本，包含线性代数/和一些参考书籍书后matlab答案及验证 |
| \lib | 存放库文件 或者经过验证过的 公共函数，可靠性较高 |
其中UWB+IMU 融合和 GPS+IMU融合就是经典的15维误差卡尔曼滤波(EKSF)，没有什么论文参考，就是一直用的经典的框架。见参考部分.
有问题欢迎提 git issue 或者加QQ群讨论:
138899875
更多内容请访问：
参考
- 捷联惯导算法与组合导航原理_严恭敏
- 严老师网站: http://www.psins.org.cn/sy
- 多传感器融合-深蓝学院
- https://kth.instructure.com/files/677996/download?download_frd=1
- https://www.coursera.org/learn/state-estimation-localization-self-driving-cars
- GNSS与惯性及多传感器组合导航系统原理-第二版
- GPS原理与接收机设计 谢刚
-
goGPS_MATLAB-0.5.0 goGPS_MATLAB-0.5.0\CREDITS.nfo goGPS_MATLAB-0.5.0\data goGPS_MATLAB-0.5.0\data\antenna goGPS_MATLAB-0.5.0\data\antenna\ATX goGPS_MATLAB-0.5.0\data\antenna\ATX\I08.ATX goGPS_MATLAB-0
-
ros nav:http://wiki.ros.org/navigation 创客智造：http://www.ncnynl.com/archives/201708/1880.html 设置laser tf：http://www.guyuehome.com/355 西工大：http://blog.exbot.net/archives/1129 知乎：https://www.zhihu.com/que
-
【实例简介】 基于Matlab读取标准RINEX格式的GPS星历数据，采用Matlab直接读取Rinex文件 张妮,等基于 Matlab读取标准 RINEX格式的GPS星历数据 navdata(i). day str2num(line(10: 12)); Le Edit yie seb finds Help navdata(i). hour=str2num (line(13: 15)); navd
-
本书全面而详细地阐述了计算机科学的理论基础，从抽象概念的机械化到各种数据模型的建立，用算法、数据抽象等核心思想贯穿各个主题，很好地兼顾了学科广度和主题深度，帮助读者培养计算机领域的大局观，学习真正的计算机科学。
-
Python 在科学计算上的应用非常广泛，包括数学、统计学、图形学……等等， 也是科学计算领域的首选编程语言之一。 这一部分的文章主要是介绍 Python 在科学计算领域常用的库，以及科学计算在日常中可能的实际用例。 常用库介绍 IPython 和 Jupyter Notebook NumPy NumPy 是 Python 科学计算生态系统的基础，提供了多维数组操作、线性代数运算、傅立叶变换等 多
-
Numpy 是 Python 科学工具栈的基础。它的目的很简单：在一个内存块上实现针对多个条目（items）的高效操作。了解它的工作细节有助于有效的使用它的灵活性，使用有用的快捷方式，基于它构建新的工作。
-
一位电气工程师最近告诫我不要将GPU用于科学计算（例如，在精度非常重要的情况下），因为它没有像CPU那样的硬件保障。这是真的吗？如果是的话，这个问题在典型的硬件中有多普遍/多严重？
-
scipy 包含许多专注于科学计算中的常见问题的工具箱。它的子模块对应于不同的应用，比如插值、积分、优化、图像处理、统计和特殊功能等。 scipy 可以与其他标准科学计算包相对比，比如GSL (C和C++的GNU科学计算包), 或者Matlab的工具箱。scipy是Python中科学程序的核心程序包；这意味着有效的操作 numpy 数组，因此，numpy和scipy可以一起工作。 在实现一个程序前
-
Jupyter Notebooks 你可以按[shift] + [Enter]或按菜单中的“播放”按钮来运行单元格。 在function(后面按[shift] + [tab]，可以获得函数或对象的帮助。 你还可以通过执行function?获得帮助。 NumPy 数组 操作numpy数组是 Python 机器学习（或者，实际上是任何类型的科学计算）的重要部分。 对大多数人来说，这可能是一个简短的回顾
-
问题内容： 如果这个问题太笼统，我先向您道歉。我来自MATLAB世界，对Python的经验很少。 在花了一些时间阅读了一些基于Python的科学计算环境和发行版之后，我感到我仍然不完全了解解决方案的前景或一些著名软件包之间的精确关系，包括： 科学 间谍库 pythonxy 热情的Python发行版 智者 进一步来说： 以上任何软件包都提供类似的功能吗？它们是否互补？ 其中任何一个的安装是否包括或要
-
1.3.什么是计算机科学 计算机科学往往难以定义。这可能是由于在名称中不幸使用了“计算机”一词。正如你可能知道的，计算机科学不仅仅是计算机的研究。虽然计算机作为一个工具在学科中发挥重要的支持作用，但它们只是工具。 计算机科学是对问题，解决问题以及解决问题过程中产生的解决方案的研究。给定一个问题，计算机科学家的目标是开发一个算法，一系列的指令列表，用于解决可能出现的问题的任何实例。算法遵循它有限的过