FusionCore对比测试表现亮眼：多数序列优于robot_localization，弥补ROS传感器融合空白！
导航菜单
登录
外观设置
平台
AI代码创作：GitHub Copilot可借助AI编写更优质代码，GitHub Spark能构建并部署智能应用，GitHub Models可管理并比较提示词，MCP Registry（新）可集成外部工具。
开发者工作流：Actions可自动化任何工作流，Codespaces是即时开发环境，Issues可规划并跟踪工作，Code Review可管理代码变更。
应用程序安全：GitHub Advanced Security可发现并修复漏洞，代码安全可在构建过程中保障代码安全，密钥保护可防患于未然，防止信息泄露。
探索：可了解为何选择GitHub，查看文档、博客、更新日志和市场。还可查看所有功能。
解决方案
按公司规模划分：有企业版、中小企业团队版、初创企业版、非营利组织版。
按用例划分：有应用现代化、DevSecOps、DevOps、CI/CD，还可查看所有用例。
按行业划分：有医疗保健、金融服务、制造业、政府部门，还可查看所有行业。也可查看所有解决方案。
资源
按主题探索：可探索AI、软件开发、DevOps、安全等主题，还能查看所有主题。
按类型探索：有客户案例、活动与网络研讨会、电子书与报告、商业洞察、GitHub Skills。
支持与服务：提供文档、客户支持、社区论坛、信任中心、合作伙伴相关内容。也可查看所有资源。
开源
社区：GitHub Sponsors可资助开源开发者。
项目：有Security Lab、Maintainer Community、Accelerator、GitHub Stars、Archive Program。
仓库：可查看主题、热门趋势、集合。
企业版
企业解决方案：企业平台是由AI驱动的开发者平台。
可用附加组件：GitHub Advanced Security有企业级安全功能，Copilot for Business有企业级AI功能，高级支持提供企业级24/7支持。
还有定价相关内容。
搜索或跳转...
可搜索代码、仓库、用户、问题、拉取请求等，还有搜索语法提示。
提供反馈
会阅读每一条反馈，并重视意见。可包含电子邮件地址以便联系，有取消和提交反馈选项。
保存的搜索
使用保存的搜索可更快筛选结果。若要查看所有可用限定符，可参阅文档。有取消和创建保存的搜索选项，还有登录和注册选项。
外观设置
若在其他标签页或窗口中登录、退出或切换了账户，需重新加载以刷新会话。还有manankharwar/fusioncore相关信息，如公开状态，有通知、Fork、Star等操作选项，以及代码、问题、拉取请求等导航选项。还有分支、标签相关内容。
文件夹和文件
有相关表格展示名称、最后提交消息、最后提交日期等信息，还可查看所有文件。
仓库文件导航
有README、贡献指南、Apache 2.0许可证相关内容，还有图片展示。
FusionCore
它是ROS 2传感器融合SDK，能将IMU、轮式编码器和GPS融合为一个可靠的位置估计，具备自调整噪声协方差功能，采用Apache 2.0许可证。
解决的问题
每个移动机器人都需知道自己的位置，通常通过IMU、轮式编码器和GPS获取，但这些传感器有局限性，如IMU会漂移，轮子可能打滑，GPS信号可能跳动。所以需要一款软件融合三种传感器数据以得到可靠位置估计。目前，ROS标准传感器融合包`robot_localization`缺乏原生ECEF GPS融合、IMU偏差估计和自适应噪声协方差功能，其替代包`fuse`在2026年初时GPS支持不完善，没有ECEF处理或RTK质量筛选功能，且无明确易用替代方案，FusionCore正是为填补此空白而开发的。
基准测试结果
在NCLT数据集（密歇根大学）上，FusionCore与`robot_localization`进行对比测试，使用相同的IMU、轮式里程计和GPS数据，无需手动调整参数，对六个序列采用相同处理流程。结果如下：2012 - 01 - 08序列中，FusionCore ATE RMSE为5.6 m，RL - EKF ATE RMSE为23.4 m，RL - UKF在t = 31 s时出现NaN发散；2012 - 02 - 04序列中，FusionCore ATE RMSE为9.7 m，RL - EKF ATE RMSE为20.6 m，RL - UKF在t = 22 s时出现NaN发散；2012 - 03 - 31序列中，FusionCore ATE RMSE为4.2 m，RL - EKF ATE RMSE为10.8 m，RL - UKF在t = 18 s时出现NaN发散；2012 - 08 - 20序列中，FusionCore ATE RMSE为7.5 m，RL - EKF ATE RMSE为9.4 m，RL - UKF出现NaN发散；2012 - 11 - 04序列中，FusionCore ATE RMSE为28.7 m，RL - EKF ATE RMSE为10.9 m，RL - UKF出现NaN发散；2013 - 02 - 23序列中，FusionCore ATE RMSE为4.1 m，RL - EKF ATE RMSE为5.8 m，RL - UKF出现NaN发散。FusionCore在六个序列中的五个表现更优。在2012 - 11 - 04序列中，因GPS信号长时间严重恶化，FusionCore虽采用马氏距离异常值筛选和惯性滑行模式，但累积漂移无法完全恢复，而RL - EKF无拒绝筛选机制，能立即自我修正，RL - UKF在所有六个序列中均出现NaN发散。完整的方法、配置和复现说明可在`benchmarks/`中查看。
选择FusionCore的原因
从功能对比来看，核心滤波器方面，`robot_localization`是EKF或UKF，Fuse是因子图，FusionCore是UKF（22D四元数状态）；3D支持方面，三者都有，不过FusionCore是原生全3D支持；IMU偏差估计方面，`robot_localization`无内置状态，Fuse依赖插件，FusionCore有陀螺仪和加速度计偏差状态；GPS融合方面，`robot_localization`通过navsat_transform节点，Fuse是插件且无ECEF/RTK支持，FusionCore有原生ECEF支持且单节点实现；双天线航向方面，`robot_localization`和Fuse都没有相关内容。那么，在实际应用中，是否应该优先考虑FusionCore呢？