概述 这是一种推导并实现用于卡尔AHRS系统的扩展卡尔曼滤波器的工作。 在Jupyter笔记本中介绍了卡尔曼滤波器方程的推导。 卡尔曼过滤器在python / numpy和c ++中均已实现。 一种。 可以使用flightgear.py使用flightgear.py输出测试KF。 该脚本可以使用numpy或c ++实现来运行KF。 参考 要求 pyEfis _ FIX-Gateway _ 测试数据集 从手机收集的数据集用于开发/测试。 该数据包括加速度，陀螺仪，磁力计和GPS数据。 速度和海拔高度是根据GPS数据得出的。 知道问题/待办事项 防滑 转数 空速（从GPS导出）在测试数据集中非常跳跃。 用baro和pito

欧拉公式求长期率的matlab代码项目名称 使用MATLAB的姿态和航向参考系统尽可能简单 入门 考虑到很少有使用Matlab来实现“态度和航向参考系统”的实现，以使其对于初学者来说尽可能简单易懂。 Matlab脚本的基础是x-IO示例中的标记。 还使用了Phil Kim著作中的其他脚本。 谢谢您的作者！ 您可以帮助修复此示例，并使用新方法或新功能添加新示例！ 在这里实现的是： Madwick AHRS算法-四元数-x-IO Mahony AHRS算法-四元数-x-IO 陀螺仪数据集成-欧拉角-菲尔·金-修改后的旋转序列以比较结果 加速度计数据集成-欧拉角-菲尔·金-将g修改为1，旋转顺序并添加了偏航角/航向/ psi计算。 不使用偏航数据计算，因为它是必需的。 线性卡尔曼滤波器（KF）-四元数-Phil Kim-进行了修改。 学习使用Q和R矩阵。 扩展卡尔曼滤波器（EKF）-欧拉角-菲尔·金（Phil Kim）-学习制作Jacobian以及如何影响Q和R矩阵。 无味卡尔曼滤波器（UKF）-欧拉角-菲尔·金（Phil Kim） 扩展卡尔曼滤波器-四元数-PX4自动驾驶仪 无味的卡尔曼滤

船舶运动自适应滑模控制理论、方法和技术应用等方面主要研究成果，涵盖全驱动和欠驱动船舶的航向控制、路径跟踪、轨迹跟踪、自动靠泊等典型运动控制问题，结合自适应控制、反演控制、动态面技术、观测器设计、神经网络、最小参数法、强化学习、粒子群优化等前沿理论和方法，设计船舶运动自适应滑模状态反馈和输出反馈控制方法。

针对船舶航向控制中传统的控制方法船舶响应速度慢,鲁棒性差以及舵角变化比较频繁和抗风浪流干扰能力差问题,采用了广义预测控制的船舶航向保持和转向算法,其中控制器参数可根据智能规则自动调整。使用MATLAB和SIMULINK进行仿真,并加入传统的PID控制进行比较,在船舶航速发生改变使船舶模型发生改变时,仿真结果验证了广义预测控制船舶航向具有更好的鲁棒性,增加风浪流干扰时,结果验证了广义预测控制算法相比于PID控制具有更好的抗干扰能力。

实际飞行验证通过

基于matlab用神经网络控制船舶航向的仿真程序

无信标环境下的行人导航问题是目前导航领域的难题和研究热点，考虑到系统的便携性和实用性，行人自主导航系统多采用惯性器件进行定位解算。针对当前的行人惯性导航系统航向角发散问题，在启发式漂移消除算法（HDE）的基础上，提出一种基于主方向的航向修正算法，根据室内的行走方向大多分为8个主方向的事实，当检测到行人轨迹为直线时，将当前的航向角与主方向角的差值作为观测量进行卡尔曼滤波，对航向角进行修正，并利用腰部PDR的方案进行了单圈和两圈矩形轨迹实验。实验结果表明，该算法在航向修正方面具有一定有效性，且重复性好，定位误差为总路程的1%～2%。

一个车按照指定的速度和航向角运动，留下了运动时的轨迹信息。

针对海浪中航行的船舶在航向保持过程中,船艏向处于高频振荡引起的频繁操舵、增加能耗的问题,提出了一种 S/KS混合灵敏度 H∞鲁棒控制算法。通过设计合理的性能权函数和控制权函数,获得了较高的航向保持精度和干扰抑制性能。在不同海况下与 LQ最优控制的对比仿真表明,该控制算法对高频海浪干扰抑制具有良好的鲁棒性,操舵能耗显著降低。

qt飞行器航向角动态显示源代码