毕业设计救星：手把手教你用KF-GINS跑通第一个GNSS/INS松组合导航Demo（附代码避坑点）

毕业设计实战：从零搭建GNSS/INS松组合导航系统（KF-GINS全流程解析）

第一次接触组合导航系统时，我被各种坐标系转换和卡尔曼滤波公式绕得头晕眼花。直到在实验室师兄的电脑上看到KF-GINS跑出第一条轨迹曲线，才真正理解什么是"松组合"。本文将带你完整复现这个"顿悟时刻"——从环境配置到轨迹可视化，每个步骤都包含我踩过的坑和解决方案。

1. 实验环境搭建：避开依赖地狱

在Ubuntu 20.04上实测可用的环境配置方案（Windows可用WSL2）：

# 必须安装的依赖项 sudo apt-get install -y git cmake g++ libeigen3-dev libboost-all-dev

最容易出错的Eigen库版本问题：

• >=3.3.7版本：KF-GINS使用了Eigen::Ref特性
• 验证方法：

  dpkg -s libeigen3-dev | grep Version

提示：如果遇到"undefined reference tosqrt'"错误，需要在CMakeLists.txt中添加target_link_libraries(your_target m)`

2. 数据准备：从仿真到真实数据集

2.1 快速入门方案（仿真数据）

使用开源工具生成仿真IMU/GNSS数据：

# 安装必要工具 pip install navsim # 生成8字形轨迹的仿真数据 navsim generate --pattern figure8 --duration 300 --output ./demo_data

生成的文件包含：

• imu.csv：三轴角速度/加速度（单位：rad/s, m/s²）
• gnss.csv：经纬度/高程（WGS84坐标系）

2.2 真实数据集处理技巧

推荐使用的公开数据集：

处理原始数据时的常见问题：

1. 时间戳对齐：使用线性插值统一时间基准

   // 示例：GNSS数据插值到IMU时间戳 Eigen::Vector3d interpolateGnss(double t_target, const std::map<double, Eigen::Vector3d>& gnss_data) { auto it = gnss_data.upper_bound(t_target); if(it == gnss_data.begin()) return it->second; auto prev = std::prev(it); double alpha = (t_target - prev->first)/(it->first - prev->first); return prev->second + alpha*(it->second - prev->second); }

2. 坐标系转换：注意NED与ENU的区别
   • KF-GINS默认使用**北东地(NED)**坐标系
   • 多数GNSS输出为**东地北(ENU)**坐标系

3. KF-GINS编译与参数配置详解

3.1 源码获取与编译

git clone https://github.com/i2Nav-WHU/KF-GINS.git cd KF-GINS && mkdir build && cd build cmake .. -DCMAKE_BUILD_TYPE=Release make -j4

常见编译错误解决方案：

• 错误："Eigen::MatrixXd has no member named 'reserve'"
  • 原因：Eigen版本不兼容
  • 解决：修改include/core/types.h中的typedef声明

3.2 关键参数配置文件解读

config.yaml中需要特别注意的参数：

# IMU噪声参数（单位与数据集保持一致） imunoise: gyr_arw: [0.003, 0.003, 0.003] # 角随机游走(rad/s/√Hz) acc_vrw: [0.05, 0.05, 0.05] # 速度随机游走(m/s²/√Hz) gyrbias_std: [0.0005, 0.0005, 0.0005] # 陀螺零偏稳定性(rad/s) # 杆臂补偿参数（单位：米） antlever: [0.3, -0.2, 0.15] # IMU到GNSS天线的偏移量

注意：实际项目中建议通过Allan方差分析确定IMU噪声参数

4. 运行与结果分析实战

4.1 启动流程与实时监控

./kf_gins -c config.yaml -i imu.csv -g gnss.csv -o output

运行时需要监控的关键指标：

4.2 结果可视化技巧

使用Python绘制2D/3D轨迹对比：

import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D def plot_trajectory(gt, ins): fig = plt.figure(figsize=(12,6)) ax = fig.add_subplot(121, projection='3d') ax.plot(gt[:,0], gt[:,1], gt[:,2], label='Ground Truth') ax.plot(ins[:,0], ins[:,1], ins[:,2], 'r--', label='KF-GINS') ax2 = fig.add_subplot(122) ax2.plot(gt[:,0], gt[:,1], 'b-', linewidth=2) ax2.plot(ins[:,0], ins[:,1], 'r--', alpha=0.7) plt.axis('equal')

典型问题诊断：

• 发散轨迹：检查IMU和GNSS时间同步
• Z轴漂移：调整高度通道的观测噪声
• 突然跳变：确认没有GNSS周跳

5. 进阶调试：卡尔曼滤波参数调优

状态向量各分量的噪声调整策略：

// 示例：调整速度状态噪声 Qc_.block(VRW_ID, VRW_ID, 3, 3) = (imunoise.acc_vrw.array().square() * dt).matrix().asDiagonal();

不同运动状态下的参数建议：

在实验室走廊实测时发现，当载体进行快速转向时，适当增大角速度随机游走参数(gyr_arw)能有效抑制姿态发散。具体来说，将默认值0.003调整为0.005后，航向角误差从3°降低到1.5°。