卫星组合导航仿真：从IMU噪声注入到紧耦合EKF的完整实践

简介：一套面向组合导航方向的Matlab仿真工程包，聚焦卫星组合导航与捷联惯性导航的算法实现，适合导航专业学生、科研人员及车载定位算法开发者。工程以实验3车载惯性里程计GPS组合导航实验为主线，涵盖初始对准（粗/精对准）、捷联惯导解算、GPS与里程计数据融合以及多种坐标转换模块，有助于理解SINS/GPS组合导航的整体流程与关键公式。压缩包共16个文件，主体为15个Matlab脚本（m文件），包括主程序、姿态解算、坐标变换等子函数，另附1个mat格式实测数据文件用于跑通实验，包体总大小约61.52MB，下载后可按目录直接调用学习。目前已有249人学习下载，对于需要快速上手组合导航仿真、阅读或二次开发惯导/GPS融合代码的读者，这套资源能提供完整的实验代码与数据结构，能有效缩短算法验证与论文复现周期。

1. 卫星组合导航仿真，卡住你的往往不是滤波算法

拿到一个 integrated navigation 工程包，第一反应通常是跑通里面的组合导航仿真脚本，看看捷联惯导和卫星观测融合后轨迹漂成什么样。但真正动手你会发现，滤波器的卡尔曼增益公式谁都能默写，卡住你三天三夜的往往是 IMU 噪声像不像真的、GNSS 观测有没有和时间戳对齐、协方差矩阵有没有发疯。这套方案解决的是从零搭一套可复现的卫星组合导航仿真链路：生成轨迹、仿真陀螺和加速度计输出、模拟卫星位置观测、用捷联导航机械编排加扩展卡尔曼滤波做紧耦合或松耦合融合。适合刚接手惯导项目想先把原理跑通再上真机的工程师，也适合要给组合导航算法做回归验证的老手——仿真跑通了不代表实车能用，但仿真跑不通，实车一定翻车。

2. 惯性仿真和捷联导航机械编排：从一条轨迹到 IMU 测量值

2.1 轨迹生成是第一步，姿态真值别拍脑袋

组合导航仿真和纯滤波算法验证有个本质区别：你需要一条带真值的轨迹，包括位置、速度、姿态，以及由姿态和加速度反推出来的角速度与比力。常见做法是先设计一条分段轨迹，用多项式或样条曲线描述位置随时间的变化，然后对时间求导得到速度和加速度。姿态真值则需要从加速度和航向反推：加速度的反方向给出俯仰和横滚，航向角由轨迹走向给出。

这段轨迹生成代码控制住了仿真的“天花板”：轨迹本身不合理，后面所有环节都是空中楼阁。角速度真值可以通过相邻两个时刻的姿态矩阵差除以时间步长得到，比力真值等于加速度计感受到的比力，即导航系加速度减去重力后在载体系下的投影。

import numpy as np from scipy.spatial.transform import Rotation def generate_trajectory(total_time=100.0, dt=0.01): """生成一条水平面内带爬升的轨迹，返回位置、速度、姿态、角速度、比力真值""" t = np.arange(0, total_time, dt) n = len(t) # 位置：前段直线加速、中段转弯、末段爬升 pos = np.zeros((n, 3)) pos[:, 0] = 10.0 * t # 东向匀速 pos[:, 1] = 5.0 * np.sin(0.02 * t) # 北向正弦摆动 pos[:, 2] = 0.5 * t + 0.05 * np.sin(0.1 * t) # 天向缓慢爬升 vel = np.gradient(pos, dt, axis=0) # 速度 = 位置差分 acc_nav = np.gradient(vel, dt, axis=0) # 导航系加速度 # 横滚俯仰由导航系加速度反推，偏航来自速度方向 roll = np.zeros(n) pitch = np.arctan2(-acc_nav[:, 0], 9.81 + acc_nav[:, 2]) yaw = np.arctan2(vel[:, 1], vel[:, 0]) quat = Rotation.from_euler('XYZ', np.stack([roll, pitch, yaw], axis=1)).as_quat() # 导航系加速度转到载体系得到比力 R_nb = Rotation.from_quat(quat).as_matrix() accel_true = np.einsum('nij,nj->ni', R_nb, acc_nav + np.array([0, 0, 9.81])) # 角速度由姿态差分得到 gyro_true = np.zeros((n, 3)) for i in range(1, n - 1): dR = Rotation.from_quat(quat[i + 1]).as_matrix() @ Rotation.from_quat(quat[i]).as_matrix().T gyro_true[i] = Rotation.from_matrix(dR).as_rotvec() / dt return {'t': t, 'pos': pos, 'vel': vel, 'quat': quat, 'gyro_true': gyro_true, 'accel_true': accel_true}

这段代码里有一个参数最容易被忽略：np.gradient的边界处理。首尾两个点的导数是单侧差分，精度比中间点低，会导致仿真开头和结尾出现尖峰。如果这条轨迹最终要用来验证滤波器的稳态误差，建议丢掉前后约 1% 的数据，或者用更高阶的差分格式。

2.2 IMU 噪声注入：白噪声加零偏只是入门，Allan 方差才是真功夫

捷联导航的惯性仿真里，陀螺和加速度计的输出由三部分组成：真值、确定性误差、随机误差。确定性误差包括零偏、刻度因子、安装误差；随机误差用白噪声加随机游走近似。很多初学者只加高斯白噪声，得出的仿真结果漂亮得不像话——因为真实的 MEMS 和光纤陀螺都有明显的零偏稳定性变化，长时间积分后位置漂移会完全暴露出来。

def simulate_imu(traj, dt, gyro_bias=0.02 * np.pi / 180, # 0.02 deg/s 零偏 accel_bias=0.01, # 10 mg 零偏 gyro_arw=0.01 * np.pi / 180, # 角度随机游走 0.01 deg/sqrt(s) accel_vrw=0.05 / np.sqrt(100), # 速度随机游走 0.05 m/s/sqrt(s) gyro_bias_instability=0.005 * np.pi / 180): n = len(traj['t']) gyro_meas = np.zeros((n, 3)) accel_meas = np.zeros((n, 3)) bias_gyro = np.zeros(3) bias_accel = np.zeros(3) for i in range(n): # 零偏慢漂移用一阶马尔可夫近似 bias_gyro += -bias_gyro * dt / 100.0 + np.random.normal(0, gyro_bias_instability, 3) * np.sqrt(dt) gyro_meas[i] = traj['gyro_true'][i] + gyro_bias + bias_gyro + \ np.random.normal(0, gyro_arw, 3) / np.sqrt(dt) accel_meas[i] = traj['accel_true'][i] + accel_bias + bias_accel + \ np.random.normal(0, accel_vrw, 3) / np.sqrt(dt) return gyro_meas, accel_meas

注意噪声项除以np.sqrt(dt)，这是个高频采样下最容易翻车的地方。惯性器件的角度随机游走单位是 deg/sqrt(s)，功率谱密度恒定，采样率越高单次采样的噪声幅值越小，但积分后的统计特性保持不变。如果漏了这一步，把 100Hz 和 200Hz 的仿真结果对比时，你会看到截然不同的漂移速度，但说不清是算法问题还是噪声标定问题。

2.3 姿态更新不能用欧拉角，四元数只是起点

捷联导航机械编排中姿态更新是最核心的一步。工程实现上几乎不会直接用欧拉角做积分，因为万向节锁和三角函数计算量都不可接受。四元数更新是大多数仿真和产品代码的选择，但要写成等效旋转矢量形式，而不是简单的四元数乘法加归一化。

def attitude_update_quat(q, gyro_meas, dt): """简化版四元数姿态更新，等效旋转矢量用零阶近似""" omega = np.array([ [ 0, -gyro_meas[0], -gyro_meas[1], -gyro_meas[2]], [ gyro_meas[0], 0, gyro_meas[2], -gyro_meas[1]], [ gyro_meas[1], -gyro_meas[2], 0, gyro_meas[0]], [ gyro_meas[2], gyro_meas[1], -gyro_meas[0], 0 ]]) dq = (np.eye(4) + 0.5 * omega * dt + 0.25 * (omega @ omega) * dt * dt) @ q return dq / np.linalg.norm(dq)

这个实现的注释说得很清楚：零阶近似。真实工程里，高动态场景必须用多子样算法补偿不可交换误差，即陀螺在积分区间内旋转方向变化带来的附加旋转。最常用的是双子样或三子样等效旋转矢量法。如果仿真轨迹里包含快速转弯或高机动，零阶近似的姿态误差会以不可预测的方式增长，且和滤波器的观测噪声混在一起，调节参数时会让人误以为是滤波器没调好。

速度更新也同理：比力积分前要做哥里奥利力和重力补偿。常见写法是v_nav += (accel_meas - 2 * omega_en * v_nav + g) * dt，其中omega_en是地球自转和导航系相对地球的角速度。在纯运动学仿真时很多工程包把这项设为零，因为轨迹短、纬度变化小，但实际上忽略后会在 10 分钟以上仿真里产生肉眼可见的东向速度误差。

3. 卫星观测仿真与 integrated navigation 松耦合 / 紧耦合的选择

3.1 GNSS 位置观测直接加高斯噪声，前提是不要忽略时间戳

卫星组合导航里最省事的观测模拟是在真值位置上加高斯噪声。松耦合架构下，GNSS 接收机输出的是经过内部滤波的经纬高和速度，作为组合导航滤波器的量测更新。此时观测模型的量测矩阵就是位置和速度的选择矩阵，卡尔曼滤波公式简洁，状态可观测性也好。

def simulate_gnss(traj, obs_interval=1.0, pos_noise=1.5, vel_noise=0.1): """按间隔采样生成GNSS位置和速度观测""" t = traj['t'] dt = t[1] - t[0] step = int(obs_interval / dt) idx = range(0, len(t), step) z_pos = traj['pos'][idx] + np.random.normal(0, pos_noise, (len(idx), 3)) z_vel = traj['vel'][idx] + np.random.normal(0, vel_noise, (len(idx), 3)) z_time = t[idx] return z_time, z_pos, z_vel

这段代码模拟的是理想情况下的位置域观测。但实际上 GNSS 输出的经纬度和高程方差差异很大：水平位置精度在 1 米左右，高程误差经常到 2-3 米。滤波器里如果位置观测噪声矩阵用同一个值，东向和天向的可信度被等同对待，会导致高程通道的漂移被强行压住，反而把水平误差带歪。常见做法是设R_pos = diag([1.5**2, 1.5**2, 3.0**2])，水平和高程分开标定。

3.2 时间对齐：高频率惯导预测、低频率卫星修正的节奏错位

组合导航的难点不在滤波方程，而在时间管理。IMU 通常以 100Hz 到 400Hz 运行，GNSS 只有 1Hz 到 20Hz。两次卫星观测之间，滤波器要跑几十个惯导外推周期，这一个流程就是 integrated navigation 仿真的骨架：惯导预测、卫星修正、重参数化、再预测。

正确的做法是维护一个缓存队列：每当 IMU 新数据到来，执行状态预测并存储状态向量的副本；当 GNSS 观测到达时，找到离它最近的惯导状态作为线性化参考点，做量测更新，然后继续惯导预测。以下是简化版的融合循环框架：

def run_fusion(traj, gyro_meas, accel_meas, z_time, z_pos, z_vel, dt_imu, Q, R): n = len(traj['t']) x = np.zeros(15) # 位置3 + 速度3 + 姿态误差3 + 陀螺零偏3 + 加计零偏3 P = np.eye(15) * 1e-4 pos_est = np.zeros((n, 3)) vel_est = np.zeros((n, 3)) quat_est = np.zeros((n, 4)) quat_est[0] = traj['quat'][0] k_gnss = 0 for i in range(1, n): # 惯导预测：姿态更新、速度更新、位置更新 quat_est[i] = attitude_update_quat(quat_est[i-1], gyro_meas[i], dt_imu) # ... 速度位置积分 ... # GNSS 观测到来时执行量测更新 if k_gnss < len(z_time) and abs((i * dt_imu) - z_time[k_gnss]) < dt_imu / 2: z = np.concatenate([z_pos[k_gnss], z_vel[k_gnss]]) H = np.zeros((6, 15)) H[0:3, 0:3] = np.eye(3) # 位置观测 H[3:6, 3:6] = np.eye(3) # 速度观测 K = P @ H.T @ np.linalg.inv(H @ P @ H.T + R) x += K @ (z - H @ x) P = (np.eye(15) - K @ H) @ P k_gnss += 1 return pos_est, vel_est, quat_est

注意这段代码为了展示结构做了大量简化，状态x里的姿态误差如何映射到四元数、位置误差如何在导航系更新，都需要在第 4 章的状态转移矩阵里补齐。这里想强调的是时间对齐判断条件：abs((i * dt_imu) - z_time[k_gnss]) < dt_imu / 2，不要用i % step == 0这种取模方式，因为一旦 GNSS 数据有延迟或丢帧，取模就会永久错位。最稳妥的办法是给每帧 IMU 和每帧 GNSS 都打上时间戳，按时间顺序从队列里取数。

3.3 紧耦合的核心：伪距域观测和星历无关的替代方案

紧耦合比松耦合多一个维度：直接用伪距和伪距率作为观测量，而不是 GNSS 解算后的位置速度。紧耦合的好处是颗数不足 4 颗时依然可以给滤波器提供约束。但做仿真时你需要先模拟多颗卫星的星历位置，然后在载体真值位置上计算几何距离，叠加上电离层、对流层和接收机钟差。

完整的紧耦合仿真需要卫星星历的简化模型。一个比较省事的办法是：假设卫星位置由开普勒轨道参数生成，并用一份固定的星座配置。这个方案的工程量和可复现性不如直接用 Position, Velocity, Timing 层面的量测替换——如果你手里没有现成的星历数据源，从松耦合切到紧耦合的成本会远远高于收益。多数导航从业者做算法验证时，先跑松耦合确认滤波主循环和协方差管理没有问题，再决定要不要上紧耦合。

4. 15 维状态 EKF 组合导航系统：状态如何转移、噪声矩阵如何配

4.1 姿态误差用乘性模型，别把欧拉角直接塞进状态向量

捷联惯导组合导航的经典状态向量是 15 维：位置误差 3 维、速度误差 3 维、姿态误差 3 维（平台失准角）、陀螺零偏 3 维、加计零偏 3 维。这里的姿态误差要用乘性四元数误差模型，即真实姿态 = 估计姿态乘以一个小角度旋转，而不是三个欧拉角误差直接相加。用欧拉角误差建模，在大失准角或高动态场景下，线性化近似会快速失效。

状态方程的核心是建立这些误差量之间的耦合关系：位置误差的变化率是速度误差，速度误差的变化率是姿态误差引起的比力误差加上重力误差，姿态误差的变化率近似等于陀螺零偏。连续时间状态转移矩阵的分块结构如下：

def build_state_transition(F, x, f_nav, dt): """ 构造离散化的15x15状态转移矩阵 x: 当前状态向量, f_nav: 导航系比力 """ # F姿态-速度耦合：速度误差 = -[f_nav]x * 姿态误差 f_skew = np.array([ [0, -f_nav[2], f_nav[1]], [f_nav[2], 0, -f_nav[0]], [-f_nav[1], f_nav[0], 0] ]) # 位置误差 -> 速度误差（位置误差率 = 速度误差） F[0:3, 3:6] = np.eye(3) * dt # 速度误差 -> 姿态误差（姿态误差率 = -Cbn * 陀螺零偏） F[3:6, 6:9] = -f_skew * dt F[3:6, 9:12] = -f_skew * np.eye(3) * dt # 零偏经比力耦合到速度 F[6:9, 6:9] = -np.eye(3) * dt # 姿态误差自耦合 return np.eye(15) + F * dt

姿态误差这一行的物理含义值得多说一句：姿态误差会通过比力投影到速度误差上，而陀螺零偏会直接累积成姿态误差。三个通道相互纠缠，滤波器要靠 GNSS 的位置速度观测间接把这些误差估计出来。如果轨迹长时间匀速直线飞行，水平位置和速度观测对航向误差的可观测性很弱，这就是组合导航里常说的“飞直线航向不可观”问题。

4.2 调参的玄学：Q 矩阵代表你对 IMU 的信任，R 矩阵代表你对卫星的信任

噪声矩阵 Q 和 R 的取值直接决定滤波器的收敛速度和稳态精度。很多人只调 R，Q 用单位阵，结果滤波器发散，误以为是代码错了。Q 矩阵的物理意义是 IMU 误差的时间累积速率，它由器件指标推算而来，不是自由参数。

R 矩阵相对简单：位置观测噪声为 1.5 米、速度 0.1 米/秒在当前消费级 GNSS 接收机上是合理的。但注意一个细节：GNSS 位置误差在静态和动态场景下有系统性差异。城市峡谷中多径效应会让位置误差呈高斯大尾巴分布，仿真中只用高斯噪声无法模拟这种场景。如果需要评估滤波器在恶劣环境中的表现，需要在 GNSS 观测中额外注入一段缓慢变化的偏差，而不是只靠增加噪声方差。

def setup_Q(gyro_arw=0.01 * np.pi / 180, gyro_bias_inst=0.005 * np.pi / 180, accel_vrw=0.05 / np.sqrt(100), accel_bias_inst=0.005): """构造15维过程噪声协方差矩阵""" Q = np.zeros((15, 15)) Q[0:3, 0:3] = np.eye(3) * 0.01**2 # 位置噪声(很小，由速度积分而来) Q[3:6, 3:6] = np.eye(3) * accel_vrw**2 # 速度随机游走 Q[6:9, 6:9] = np.eye(3) * gyro_arw**2 # 姿态角度随机游走 Q[9:12, 9:12] = np.eye(3) * gyro_bias_inst**2 * 0.01 # 陀螺零偏好慢变 Q[12:15, 12:15] = np.eye(3) * accel_bias_inst**2 * 0.01 return Q

Q 矩阵里的位置噪声设很小是因为位置是通过速度积分间接到达的，过大的位置过程噪声会破坏滤波器对位置观测的信任。陀螺和加计零偏的慢变项要设得小，相当于给零偏施加了一个随机游走约束，防止它们被滤波器随意拉来拉去。

4.3 初始对准：静基座或动基座，协方差不能乱给

组合导航仿真的初始状态和协方差也是坑最多的环节。如果是静基座启动，加速度计的均值可以估计出初始俯仰和横滚，陀螺的均值可以粗对齐航向；如果是动基座启动，就要靠 GNSS 速度方向给航向一个粗值。协方差矩阵的初始值要反映初始对准的不确定性：航向误差开 10 度左右对应协方差开 0.03 rad^2（方差），位置误差给 10 米，速度给 1 米/秒。

这里有个反直觉的经验：初始协方差给太小，滤波器会在前几百毫秒内产生剧烈振荡；给太大，协方差收敛会慢到让人以为滤波器没工作。正确做法是先开大、观察收敛时间、再逐步收紧。如果仿真目标是验证长期稳定性，索性把初始协方差固定在一个不太敏感的值上，把精力花在 Q 和 R 上。

5. 组合导航仿真常见问题排查：惯性器件数据翻车、观测错位、协方差发散

5.1 姿态在 10 秒内发散，但位置误差看起来还能接受

现象：滤波后轨迹前 10 秒就和真值拉开明显距离，姿态误差曲线几乎单调飙升，但位置误差曲线反而像有界振荡。

原因：姿态更新里丢失了不可交换误差补偿项。仿真轨迹带高速旋转时，单子样等效旋转矢量无法捕捉角速度方向变化带来的姿态漂移，而位置观测把姿态误差“拉”回了位置，制造了有界假象。姿态误差仍然真实存在，并会持续污染速度通道。

解决：把姿态更新从单子样换成双子样，至少也要用0.25 * (omega @ omega) * dt * dt这个二阶项。检查轨迹中最大角速度是否接近采样频率的量级：如果最大角速度乘以 dt 大于 0.1 rad，说明轨迹和采样率不匹配，需要增大 IMU 频率。

5.2 滤波器的协方差快速收缩到极小，之后对 GNSS 观测“视而不见”

现象：EKF 跑通后协方差对角线在前 200 步内迅速变小到接近机器精度，之后的 GNSS 观测几乎不产生任何状态修正，轨迹照旧漂移。

原因：这是卡尔曼滤波的经典过度自信问题。Q 矩阵的零偏项设得太小，导致滤波器认为 IMU 是完美的，协方差被观测持续压缩，最终滤波增益趋近于零，滤波器退化成纯惯导积分。

解决：把 Q 矩阵里的陀螺和加计零偏项恢复到一个保守的水平，或者引入协方差下限保护。工程上有一种稳定技巧叫做“协方差钳位”：每隔一段固定时间检查 P 对角线的最小值，低于阈值就加成一个小量。这不算严格的数学推导，但仿真和实机上都很有效。

5.3 新息序列呈正弦振荡，环路看起来“呼吸”

现象：量测新息即观测值减去预测值的序列呈现周期性波动，频率和轨迹的转弯频率一致，但幅度远大于 R 矩阵对应的标准差。

原因：时间戳错位。GNSS 观测被提前或延后了多个 IMU 周期，滤波器在错误的时间里用位置观测修正了状态，导致每次修正都引入一个相位滞后。这个现象在纯仿真里极难发现，因为仿真中每个时间戳都是理论上精确的。

解决：在融合循环里加一个时间一致性检查，把每个 GNSS 观测时间戳和最近一次 IMU 预测时间戳的差值打印出来。差值的均值应该接近 GNSS 周期的 1/10 以内。出现系统偏差时，不要用取模逻辑，改用时间戳队列。

5.4 陀螺零偏始终不收敛，轨迹末端向一个方向缓慢飘移

现象：滤波器输出的陀螺零偏估计值一直停留在初值附近，没有向真值靠近的趋势；位置误差在中段很小，但在 60 秒之后线性增长。

原因：可观测性问题。轨迹在大部分时间内是匀速直线，航向角不变，陀螺零偏通过姿态误差到速度误差再到位置误差的链路不可观测。仿真到 100 秒时只有开头和结尾的转弯段能激励出零偏信息。

解决：更改轨迹设计，每隔一段时间加入一个 S 形机动。这也是真实工程里组合导航系统在车道保持和高速巡航时“跑偏”的理论根源——不是滤波器写错了，而是轨迹不给力。仿真阶段把轨迹设计成包含过弯、加减速、爬升的组合，零偏估计算法才有机会被验证。

5.5 单位混用，角度量纲让协方差矩阵变成天文数字

现象：协方差矩阵对角线突然出现 1e5 量级的数值，或者滤波结果在几步内发散到 NaN。

原因：陀螺仪数据用了度作为单位，而姿态协方差初始化用了弧度；或者反过来。单位混入状态方程后，状态转移矩阵的量纲完全错乱，卡尔曼增益的计算结果失去意义。

解决：入口处统一量纲。陀螺角速度转换为 rad/s，GNSS 位置统一用米。最稳妥的办法是全代码只用一个单位制字段，参考点经纬度和高度的换算写一个独立函数，不要在调用处手动乘以系数。每次跑完仿真，打印第一帧数据的单位量级，确认没有出现 57.29 这个让人头大的数字。

6. 验证组合导航结果：轨迹还原误差、协方差曲线和回放一致性

仿真的最后一关不是看轨迹图片贴不贴真值，而是用三个可量化指标判断这套组合导航系统能不能投入复用。

第一是轨迹还原误差的均方根值和时间分布。不要只给一个总 RMSE，要看误差的时序曲线：如果误差在前 20 秒大、后 80 秒小，说明初始对准和协方差收敛过程正常；如果误差单调增长，说明滤波器没有真正利用 GNSS 观测，问题大概率在量测更新或 R 矩阵。代码上做一个简单的统计即可：

def evaluate_error(traj, pos_est): pos_err = np.linalg.norm(traj['pos'] - pos_est, axis=1) segment = 10 # 按10秒分段统计 nseg = len(pos_err) // segment seg_rmse = [np.sqrt(np.mean(pos_err[i*segment:(i+1)*segment]**2)) for i in range(nseg)] return pos_err, seg_rmse

第二是滤波器协方差的一致性检查。真实误差应该大致落在3 * sqrt(P_diag)包络内。如果真实误差经常超出包络，说明 Q 设小了或者模型有未建模误差；如果误差远小于包络，说明 Q 被放宽得太保守，滤波器精度没有发挥出来。一次性把所有状态的真实误差和协方差包络画在一张图上，你会直观地看到哪个通道“信心不足”或“过度自信”。

第三是回放一致性。同一组 IMU 和 GNSS 数据，在不同机器或不同随机种子下跑两遍，结果差异应该远小于传感器噪声带来的误差。如果两次结果差异明显，说明代码里有未消除的随机性，比如滤波循环里用了全局随机数而没有固定种子，或者状态更新顺序在并行环境下不确定。回放一致性是仿真工程被用于算法回归测试的前提，做不到这一条，后续优化无从谈起。

我自己的习惯是仿真脚本里规定死随机种子，并把种子数作为每次实验记录的一部分。真机测试数据回放时，把 IMU 原始数据直接灌回同一套仿真代码，确认实机轨迹和回放轨迹在厘米级内一致，再谈算法改动。导航系统最怕的是算法没问题、验证方法先出了问题。仿真做扎实，后面实机联调会省掉一大半不必要的调试时间。希望这些经验和参数设置能帮你在 integrated navigation 仿真上少走一段弯路。

本文还有配套的精品资源，点击获取