雖然GNSS/INS松組合算法已經很成熟，但對初學者來說正確實現它仍是不小的挑戰。為此，我們開源一套基于擴展卡爾曼濾波的GNSS/INS組合導航算法代碼(KF-GINS)。代碼結合團隊已公開的視頻課程、講義，供初學者入門使用，也可作為基礎的GNSS/INS松組合算法研究平臺。

隨著自動駕駛和智能無人系統的發展，復雜環境下連續準確的定位定姿需求日益增加。在眾多的導航定位技術中，全球衛星導航系統(GNSS)和慣性導航系統(INS)具有天然的互補性，因此GNSS/INS組合導航被公認為最經典、使用最廣泛的組合導航系統。

GNSS/INS的數據融合算法首先通過INS機械編排實現導航狀態的推算，然后通過Kalman濾波將GNSS的定位和測速信息作為觀測量對INS推算的導航狀態量進行修正。GNSS/INS數據融合的Kalman濾波算法已經很成熟，但涉及慣性導航算法、IMU誤差建模、Kalman濾波設計實現等多方面的知識，正確實現組合導航算法對初學者來說仍是不小的挑戰。

武漢大學i2Nav團隊開源了一套基于擴展卡爾曼濾波的GNSS/INS組合導航系統(EKF-Based GNSS/INSIntegrated Navigation System, KF-GINS)算法代碼。這套代碼結合團隊已公開的視頻課程、講義[1,2]，供初學者入門使用，也可作為基礎的GNSS/INS松組合算法研究平臺。KF-GINS采用C++語言編寫，各功能函數和模塊相對獨立，復用性和可擴展性較強。KF-GINS已上傳到GitHub，可通過以下鏈接獲取:

KF-GINS主要特點包括：

擴展卡爾曼濾波(誤差狀態向量)架構的GNSS/INS松組合算法，包括IMU誤差補償、慣性導航解算、Kalman濾波、誤差反饋等環節；

采用21維系統誤差狀態，包括位置誤差、速度誤差、姿態誤差、IMU零偏誤差和IMU比例因子誤差；

姿態誤差采用Phi角模型，速度、位置誤差定義在導航坐標系下；

慣性導航解算采用基于角速度和加速度線性變化假設的雙子樣機械編排算法，補償了姿態圓錐效應、速度的旋轉效應和劃槳效應。

KF-GINS系統框架

這套代碼配套的組合導航測試數據集(包含不同精度等級IMU)可以通過如下鏈接獲取:

https://github.com/i2Nav-WHU/awesome-gins-datasets

審核編輯：劉清