简介一份面向传感器融合学习与开发的MATLAB实现资料包围绕多源数据融合的完整流程展开适用于自动驾驶、无人机导航、物联网及工业自动化等典型场景。内容覆盖数据预处理滤波、校准与标准化以消除噪声和偏差、传感器数学建模、多传感器管理以及卡尔曼滤波、粒子滤波、扩展/无迹卡尔曼滤波和贝叶斯估计等核心算法并配有可直接运行的MATLAB脚本、传感器模型定义、模拟数据集与可视化结果帮助读者从理论到实践掌握融合系统的构建、参数调整和效果评估。资源共40个文件以34个m脚本为主包含代码实现与测试用例另有jpg、tif、bmp图像数据用于算法验证压缩包仅443KB目录按章节组织便于按需查阅和二次开发也适合课程设计、毕业设计或工程预研直接参考。已有3457人学习下载适合希望系统掌握传感器融合原理、快速上手MATLAB实现或拓展算法设计思路的研究者与工程师。1. 融合这个问题动手前先把“融什么”想明白1.1 同质融合与异质融合程序上的差别很大我拿到这套名为“传感器信息融合——MATLAB程序实现”的程序包时第一反应不是急着跑代码而是先翻了翻里面的数据文件。搞过几年工程的人都知道传感器信息融合不是一句“多个数据加起来算一算”就能糊弄过去的第一步是把融合的对象和层次搞清楚。所谓同质融合指的是多个传感器测量同一个物理量比如两个电阻式温度探头测同一个点、两台编码器测同一个转角。这种情况在MATLAB程序里最常见实现思路也直观既然都是同一个物理量的观测值那就能用加权、最优估计这类办法把它们合并成一个值。异质融合则完全不是一回事比如惯性测量单元给的是加速度和角速度摄像头给的是图像像素激光雷达给的是点云它们测量的根本不是同一个量但放在一起能互补出单一传感器得不到的信息。这套MATLAB程序如果只做同质融合核心代码量不会太大但如果涉及异质融合那就要面对单位不同、坐标系不同、数据率不同等一系列让人头疼的问题。1.2 融合层级数据级、特征级、决策级在动手改代码之前我建议你先判断自己要做的融合属于哪个层级。数据级融合是直接用原始观测值做运算精度最高但对时间同步和干扰处理最敏感特征级融合是先各自提取特征再合并能压缩数据量适合摄像头和雷达这种异构组合决策级融合则是每个传感器先自己做判断最后投票或按置信度合成容错性强但对硬件个头的独立性要求高。从网上流传的这类MATLAB工程包来看大部分都是以数据级融合为主因为数据级融合最容易用脚本表达也最能直观看到结果。你能在程序里看到加权平均、卡尔曼滤波、最小二乘估计这几种常见算法配合的是温度、角度、位置这类低维数据。对那些想拿来做毕业设计、课程作业或者是入门智能驾驶传感器融合的人来说数据级融合确实是性价比最高的切入点。2. 解压之后先别乱跑工程目录和依赖环境要理清楚2.1 一套直观的融合工程目录是什么样这类压缩包解压之后结构通常很随意有的叫“main.m”有的把数据全堆在根目录。我个人拿到手的第一件事是把它整理成下面这种结构方便排查问题sensor_fusion_demo/ ├── data/ │ ├── sensorA_temperature.mat │ ├── sensorB_temperature.mat │ └── imu_sample.csv ├── src/ │ ├── main_fusion.m │ ├── kf_update.m │ ├── weighted_fusion.m │ └── align_timestamp.m ├── results/ │ └── fusion_plot.fig └── README.mddata目录放原始采集数据src目录放算法脚本results目录放输出图README里写清楚每个脚本的用途和依赖。这个习惯一开始可能觉得麻烦但等你需要把“传感器信息融合”里的某个算法单独拎出来复用到别的项目时就会发现省了特别多事。2.2 MATLAB工具箱依赖和版本兼容运行这类程序之前我一般会先执行一下ver命令看看本机装了哪些工具箱。最常用的应该是 Signal Processing Toolbox滤波、插值需要它和 Statistics Toolbox计算均值、方差、中位数需要它。如果程序里用到了kalman这类封装好的函数那可能还依赖 System Identification Toolbox不过大部分教学性质的代码都是自己手写卡尔曼循环反而不依赖额外工具箱。版本上容易踩坑的地方是rmmissing、fillmissing、medfilt1这些函数它们是在 MATLAB R2016b、R2017a 之后才陆续出现的。如果你还在用老版本跑程序时会直接报“未定义函数或变量”。我的建议是统一用interp1、nanmean、nanvar这类兼容性好、我自己能控制逻辑的基础函数少依赖高版本才有的语法糖。3. 先跑通最朴素的加权平均融合理解权重为什么这么定3.1 权重不是拍脑袋给的是拿方差算的很多初学者拿到两个温度传感器数据后最喜欢直接写(xA xB) / 2然后给我看一条光滑的曲线问是不是就融合完了。实际上一看方差就露馅了如果A传感器的噪声方差是0.3B传感器是1.2平均值的结果反而比单独用A还要差。正确的做法是用方差倒数来定权重。噪声方差小的传感器说明它更可信权重就应该更大。两个传感器融合的最优权重可以用下面这个公式表达权重 wA (1 / varA) / (1 / varA 1 / varB)权重 wB (1 / varB) / (1 / varA 1 / varB)融合结果 wA * 观测A wB * 观测B如果varA0.3、varB1.2算下来wA大概0.8wB大概0.2。也就是说精度高的A传感器承担了大部分决定权而不是被噪声大的B传感器牵着走。3.2 加权平均融合的这个MATLAB脚本可以直接抄% 加权平均融合示例 % 数据来源两个温度传感器分别存在 sensorA.mat 和 sensorB.mat load sensorA.mat; load sensorB.mat; xA sensorA.Temp(:); xB sensorB.Temp(:); % 第一步记录各自噪声方差 varA var(xA, omitnan); varB var(xB, omitnan); % 第二步按方差倒数计算权重 wA (1 / varA) / (1 / varA 1 / varB); wB (1 / varB) / (1 / varA 1 / varB); % 第三步加权合成 fusion wA * xA wB * xB; % 第四步画图对比 t (0:length(xA)-1) / 10; % 假设采样率10Hz plot(t, xA, b.); hold on; plot(t, xB, g.); plot(t, fusion, r-, LineWidth, 2); legend(传感器A, 传感器B, 融合结果); xlabel(时间/s); ylabel(温度/°C); grid on;跑完之后你会看到融合曲线基本偏向低噪声传感器但又不完全扔掉高噪声传感器里可能包含的有效信息。这就是加权平均的核心思想按质量分配话语权。3.3 加权平均的局限它没有“记忆能力”加权平均最大的问题是没有状态递推每一时刻的输出只依赖当前时刻的多个观测值不依赖上一时刻的结果。如果传感器在某个瞬间被强电磁干扰打出一个特别离谱的尖峰融合结果会立刻跟着跳起来。这就是为什么工程上往往要用卡尔曼滤波这种带记忆的算法来压制跳动。4. 进阶路线卡尔曼滤波融合把状态递推在MATLAB里落实4.1 先建模型状态方程、观测方程和噪声协方差卡尔曼滤波听起来玄乎本质上是马尔可夫链和最小方差估计的组合。对一维温度融合来说状态就是真实温度模型可以写成状态方程x(k) x(k-1) ww是过程噪声观测方程z1(k) x(k) v1z2(k) x(k) v2其中v1、v2是传感器观测噪声方差分别为R1、R2过程噪声协方差Q表示“两个时刻之间真实值到底可能变多少”。Q太小滤波器会过度信任上一次估计导致响应迟钝Q太大滤波器又会被当前观测带着跑失去平滑意义。这个值基本靠经验调没有捷径。4.2 一个可直接运行的一维卡尔曼融合主循环% 一维卡尔曼滤波依次用两个传感器做量测更新 x 25; % 初始状态估计 P 1; % 初始估计误差协方差 Q 0.01; % 过程噪声需根据实际温度变化速度调整 R1 0.5; % 传感器A观测噪声方差 R2 1.0; % 传感器B观测噪声方差 N length(xA); xEst zeros(N, 1); for k 1:N % 预测步状态不变协方差加上过程噪声 xPred x; PPred P Q; % 更新步先用传感器A z1 xA(k); if ~isnan(z1) K1 PPred / (PPred R1); x xPred K1 * (z1 - xPred); P (1 - K1) * PPred; else x xPred; P PPred; end % 更新步再用传感器B z2 xB(k); if ~isnan(z2) K2 P / (P R2); x x K2 * (z2 - x); P (1 - K2) * P; end xEst(k) x; end这个代码把两个传感器的量测更新写成了串联形式。就算某个时刻有一个传感器缺数isnan的判断也能保证另一个传感器继续工作。这对真实采集场景非常关键因为数据丢包几乎是不可避免的。4.3 调参心得Q和R的配合决定了滤波器的性格我实际调试这类代码时R的值会先按传感器离线标定的方差来定然后在仿真里再微调。Q的初始值我通常取R的1/50到1/100再根据曲线响应去修正。一个很容易看到的现像是Q设得太大卡尔曼滤波结果会紧贴传感器A的曲线噪声明显变小但偶尔还是有毛刺Q设得太小滤波结果会变成一条延时严重的平滑曲线真实转折点都被吞掉了。对比加权平均结果你会看到卡尔曼滤波的优势不在于“更接近真值”的静态指标而在于它在噪声抑制和动态响应之间找到了更好的平衡点。5. 工程落地最容易翻车的地方时间戳、坐标系和野值5.1 时间戳不对齐所有融合算法都会失真这是我最常提醒别人的一点。两个传感器的采样触发时刻几乎不可能完全一致尤其用串口和CAN总线同时收数时时间戳偏差轻则几十毫秒重则几百毫秒。如果不做对齐直接把第i个A传感器数据和第i个B传感器数据拿来融合等于在拿两个不同时刻的观测值凑一对。MATLAB里最简单的处理方式是线性插值重采样% 以A传感器的时间轴为基准对B传感器数据插值 tA (0:length(xA)-1) / 10; % A的采样时刻 tB (0:length(xB)-1) / 8; % B的采样时刻假设8Hz xB_aligned interp1(tB, xB, tA, linear, extrap);如果是匀速运动或者温度慢变场景线性插值就足够了。如果数据是高频振动那就得考虑三次样条插值但也要注意插值本身会引入额外平滑不要插值过头。5.2 坐标系不统一融合出来的姿态根本没法用做加速度计和陀螺仪融合时坐标系问题会让人怀疑人生。同一个传感器安装在设备上的朝向不同三轴分量的正负号都会变。我见过有人在融合最终姿态时发现估算结果一直在缓慢漂移排查到最后才意识到是加速度计和陀螺仪的Z轴定义方向不一致。这类问题在MATLAB里要提前做一次旋转矩阵校正。比如把机体坐标系的加速度转到导航坐标系% 二维旋转示例将机体坐标转换到导航坐标 theta deg2rad(45); % 安装偏角 Rb2n [cos(theta), -sin(theta); sin(theta), cos(theta)]; acc_nav Rb2n * acc_body;如果在程序中看到了类似的坐标转换代码千万不要觉得多余。相反要是没有看到这类代码却在融合姿态我建议你还是老老实实把坐标变换补上。5.3 野值处理别让一个错误数据毁掉整条曲线传感器在真实环境里偶尔会输出一些偏离物理规律的野值比如温度突跳到100度然后又回落到正常值。加权平均会被野值瞬间拉偏卡尔曼滤波虽然会有一定抑制但也会让状态估计出现一个小台阶。比较稳妥的预处理方式是用滑动窗口中位数加标准差来做识别window 51; medA medfilt1(xA, window); sigmaA movstd(xA, window); % 超出中位数3倍标准差的位置标记为NaN xA( abs(xA - medA) 3 * sigmaA ) NaN;处理之后再进入融合算法能在很大程度上避免“一根老鼠屎坏一锅汤”的问题。我在实际项目中还会额外记录野值出现的时刻方便后面分析究竟是传感器故障还是外部干扰这一步对长期运行的系统很有价值。6. 结果怎么验收以及我还想继续扩展的方向6.1 用具体指标说话别只看曲线“看起来不错”融合效果好不好不能光靠眼睛。我建议至少算两个指标均方根误差RMSE和平均绝对误差MAE。rmse_fusion sqrt(mean((fusion - truth).^2)); mae_fusion mean(abs(fusion - truth));其中truth是参考真值如果是带标定数据的实验真值就是高精度参考传感器测出来的值。把融合前后的RMSE放在一张表格里结果来源RMSEMAE传感器A原始数据1.421.10传感器B原始数据2.081.65加权平均融合0.970.78卡尔曼滤波融合0.840.66从这张表能看到两个信息一是融合之后确实比任何单一传感器都好二是卡尔曼滤波在综合误差指标上通常优于简单加权平均。如果你的数据表不符合这个规律那就要回头检查时间对齐和权重参数。6.2 可视化验证时把误差带也画出来除了画融合曲线和原始曲线我还会在图上叠加上下误差带。方法是对真值曲线画残差然后用残差的标准差生成带状区间。这样一眼就能看出融合结果在哪个时间段跟踪不好往往对应着真实温度快速变化的阶段也正好印证前面说的动态响应问题。6.3 后续扩展联邦滤波、自适应卡尔曼和C代码迁移这套程序跑通之后我建议你继续往三个方向扩展。第一个方向是联邦滤波把多个传感器各自跑卡尔曼最后在主滤波器里按信息分配系数融合适合故障隔离要求高的场景。第二个方向是自适应卡尔曼用观测残差实时调整Q和R这样就不用手动调参算法也能适应不同工况。第三个方向是把MATLAB里验证过的算法用MATLAB Coder生成C代码部署到MCU或者工控机上这才是传感器信息融合从仿真走向产品的必经之路。我在实际工程里的体会是传感器信息融合永远不是“一个算法包打天下”的事情而是在数据质量、模型精度和计算资源之间来回权衡。花一天时间把时间戳对齐和野值处理做扎实效果可能比换一个高级算法还要明显。希望这套MATLAB程序实现能成为你入手的起点而不是你唯一会用的工具。本文还有配套的精品资源点击获取 MATLAB传感器信息融合实战：从加权平均到卡尔曼滤波
简介一份面向传感器融合学习与开发的MATLAB实现资料包围绕多源数据融合的完整流程展开适用于自动驾驶、无人机导航、物联网及工业自动化等典型场景。内容覆盖数据预处理滤波、校准与标准化以消除噪声和偏差、传感器数学建模、多传感器管理以及卡尔曼滤波、粒子滤波、扩展/无迹卡尔曼滤波和贝叶斯估计等核心算法并配有可直接运行的MATLAB脚本、传感器模型定义、模拟数据集与可视化结果帮助读者从理论到实践掌握融合系统的构建、参数调整和效果评估。资源共40个文件以34个m脚本为主包含代码实现与测试用例另有jpg、tif、bmp图像数据用于算法验证压缩包仅443KB目录按章节组织便于按需查阅和二次开发也适合课程设计、毕业设计或工程预研直接参考。已有3457人学习下载适合希望系统掌握传感器融合原理、快速上手MATLAB实现或拓展算法设计思路的研究者与工程师。1. 融合这个问题动手前先把“融什么”想明白1.1 同质融合与异质融合程序上的差别很大我拿到这套名为“传感器信息融合——MATLAB程序实现”的程序包时第一反应不是急着跑代码而是先翻了翻里面的数据文件。搞过几年工程的人都知道传感器信息融合不是一句“多个数据加起来算一算”就能糊弄过去的第一步是把融合的对象和层次搞清楚。所谓同质融合指的是多个传感器测量同一个物理量比如两个电阻式温度探头测同一个点、两台编码器测同一个转角。这种情况在MATLAB程序里最常见实现思路也直观既然都是同一个物理量的观测值那就能用加权、最优估计这类办法把它们合并成一个值。异质融合则完全不是一回事比如惯性测量单元给的是加速度和角速度摄像头给的是图像像素激光雷达给的是点云它们测量的根本不是同一个量但放在一起能互补出单一传感器得不到的信息。这套MATLAB程序如果只做同质融合核心代码量不会太大但如果涉及异质融合那就要面对单位不同、坐标系不同、数据率不同等一系列让人头疼的问题。1.2 融合层级数据级、特征级、决策级在动手改代码之前我建议你先判断自己要做的融合属于哪个层级。数据级融合是直接用原始观测值做运算精度最高但对时间同步和干扰处理最敏感特征级融合是先各自提取特征再合并能压缩数据量适合摄像头和雷达这种异构组合决策级融合则是每个传感器先自己做判断最后投票或按置信度合成容错性强但对硬件个头的独立性要求高。从网上流传的这类MATLAB工程包来看大部分都是以数据级融合为主因为数据级融合最容易用脚本表达也最能直观看到结果。你能在程序里看到加权平均、卡尔曼滤波、最小二乘估计这几种常见算法配合的是温度、角度、位置这类低维数据。对那些想拿来做毕业设计、课程作业或者是入门智能驾驶传感器融合的人来说数据级融合确实是性价比最高的切入点。2. 解压之后先别乱跑工程目录和依赖环境要理清楚2.1 一套直观的融合工程目录是什么样这类压缩包解压之后结构通常很随意有的叫“main.m”有的把数据全堆在根目录。我个人拿到手的第一件事是把它整理成下面这种结构方便排查问题sensor_fusion_demo/ ├── data/ │ ├── sensorA_temperature.mat │ ├── sensorB_temperature.mat │ └── imu_sample.csv ├── src/ │ ├── main_fusion.m │ ├── kf_update.m │ ├── weighted_fusion.m │ └── align_timestamp.m ├── results/ │ └── fusion_plot.fig └── README.mddata目录放原始采集数据src目录放算法脚本results目录放输出图README里写清楚每个脚本的用途和依赖。这个习惯一开始可能觉得麻烦但等你需要把“传感器信息融合”里的某个算法单独拎出来复用到别的项目时就会发现省了特别多事。2.2 MATLAB工具箱依赖和版本兼容运行这类程序之前我一般会先执行一下ver命令看看本机装了哪些工具箱。最常用的应该是 Signal Processing Toolbox滤波、插值需要它和 Statistics Toolbox计算均值、方差、中位数需要它。如果程序里用到了kalman这类封装好的函数那可能还依赖 System Identification Toolbox不过大部分教学性质的代码都是自己手写卡尔曼循环反而不依赖额外工具箱。版本上容易踩坑的地方是rmmissing、fillmissing、medfilt1这些函数它们是在 MATLAB R2016b、R2017a 之后才陆续出现的。如果你还在用老版本跑程序时会直接报“未定义函数或变量”。我的建议是统一用interp1、nanmean、nanvar这类兼容性好、我自己能控制逻辑的基础函数少依赖高版本才有的语法糖。3. 先跑通最朴素的加权平均融合理解权重为什么这么定3.1 权重不是拍脑袋给的是拿方差算的很多初学者拿到两个温度传感器数据后最喜欢直接写(xA xB) / 2然后给我看一条光滑的曲线问是不是就融合完了。实际上一看方差就露馅了如果A传感器的噪声方差是0.3B传感器是1.2平均值的结果反而比单独用A还要差。正确的做法是用方差倒数来定权重。噪声方差小的传感器说明它更可信权重就应该更大。两个传感器融合的最优权重可以用下面这个公式表达权重 wA (1 / varA) / (1 / varA 1 / varB)权重 wB (1 / varB) / (1 / varA 1 / varB)融合结果 wA * 观测A wB * 观测B如果varA0.3、varB1.2算下来wA大概0.8wB大概0.2。也就是说精度高的A传感器承担了大部分决定权而不是被噪声大的B传感器牵着走。3.2 加权平均融合的这个MATLAB脚本可以直接抄% 加权平均融合示例 % 数据来源两个温度传感器分别存在 sensorA.mat 和 sensorB.mat load sensorA.mat; load sensorB.mat; xA sensorA.Temp(:); xB sensorB.Temp(:); % 第一步记录各自噪声方差 varA var(xA, omitnan); varB var(xB, omitnan); % 第二步按方差倒数计算权重 wA (1 / varA) / (1 / varA 1 / varB); wB (1 / varB) / (1 / varA 1 / varB); % 第三步加权合成 fusion wA * xA wB * xB; % 第四步画图对比 t (0:length(xA)-1) / 10; % 假设采样率10Hz plot(t, xA, b.); hold on; plot(t, xB, g.); plot(t, fusion, r-, LineWidth, 2); legend(传感器A, 传感器B, 融合结果); xlabel(时间/s); ylabel(温度/°C); grid on;跑完之后你会看到融合曲线基本偏向低噪声传感器但又不完全扔掉高噪声传感器里可能包含的有效信息。这就是加权平均的核心思想按质量分配话语权。3.3 加权平均的局限它没有“记忆能力”加权平均最大的问题是没有状态递推每一时刻的输出只依赖当前时刻的多个观测值不依赖上一时刻的结果。如果传感器在某个瞬间被强电磁干扰打出一个特别离谱的尖峰融合结果会立刻跟着跳起来。这就是为什么工程上往往要用卡尔曼滤波这种带记忆的算法来压制跳动。4. 进阶路线卡尔曼滤波融合把状态递推在MATLAB里落实4.1 先建模型状态方程、观测方程和噪声协方差卡尔曼滤波听起来玄乎本质上是马尔可夫链和最小方差估计的组合。对一维温度融合来说状态就是真实温度模型可以写成状态方程x(k) x(k-1) ww是过程噪声观测方程z1(k) x(k) v1z2(k) x(k) v2其中v1、v2是传感器观测噪声方差分别为R1、R2过程噪声协方差Q表示“两个时刻之间真实值到底可能变多少”。Q太小滤波器会过度信任上一次估计导致响应迟钝Q太大滤波器又会被当前观测带着跑失去平滑意义。这个值基本靠经验调没有捷径。4.2 一个可直接运行的一维卡尔曼融合主循环% 一维卡尔曼滤波依次用两个传感器做量测更新 x 25; % 初始状态估计 P 1; % 初始估计误差协方差 Q 0.01; % 过程噪声需根据实际温度变化速度调整 R1 0.5; % 传感器A观测噪声方差 R2 1.0; % 传感器B观测噪声方差 N length(xA); xEst zeros(N, 1); for k 1:N % 预测步状态不变协方差加上过程噪声 xPred x; PPred P Q; % 更新步先用传感器A z1 xA(k); if ~isnan(z1) K1 PPred / (PPred R1); x xPred K1 * (z1 - xPred); P (1 - K1) * PPred; else x xPred; P PPred; end % 更新步再用传感器B z2 xB(k); if ~isnan(z2) K2 P / (P R2); x x K2 * (z2 - x); P (1 - K2) * P; end xEst(k) x; end这个代码把两个传感器的量测更新写成了串联形式。就算某个时刻有一个传感器缺数isnan的判断也能保证另一个传感器继续工作。这对真实采集场景非常关键因为数据丢包几乎是不可避免的。4.3 调参心得Q和R的配合决定了滤波器的性格我实际调试这类代码时R的值会先按传感器离线标定的方差来定然后在仿真里再微调。Q的初始值我通常取R的1/50到1/100再根据曲线响应去修正。一个很容易看到的现像是Q设得太大卡尔曼滤波结果会紧贴传感器A的曲线噪声明显变小但偶尔还是有毛刺Q设得太小滤波结果会变成一条延时严重的平滑曲线真实转折点都被吞掉了。对比加权平均结果你会看到卡尔曼滤波的优势不在于“更接近真值”的静态指标而在于它在噪声抑制和动态响应之间找到了更好的平衡点。5. 工程落地最容易翻车的地方时间戳、坐标系和野值5.1 时间戳不对齐所有融合算法都会失真这是我最常提醒别人的一点。两个传感器的采样触发时刻几乎不可能完全一致尤其用串口和CAN总线同时收数时时间戳偏差轻则几十毫秒重则几百毫秒。如果不做对齐直接把第i个A传感器数据和第i个B传感器数据拿来融合等于在拿两个不同时刻的观测值凑一对。MATLAB里最简单的处理方式是线性插值重采样% 以A传感器的时间轴为基准对B传感器数据插值 tA (0:length(xA)-1) / 10; % A的采样时刻 tB (0:length(xB)-1) / 8; % B的采样时刻假设8Hz xB_aligned interp1(tB, xB, tA, linear, extrap);如果是匀速运动或者温度慢变场景线性插值就足够了。如果数据是高频振动那就得考虑三次样条插值但也要注意插值本身会引入额外平滑不要插值过头。5.2 坐标系不统一融合出来的姿态根本没法用做加速度计和陀螺仪融合时坐标系问题会让人怀疑人生。同一个传感器安装在设备上的朝向不同三轴分量的正负号都会变。我见过有人在融合最终姿态时发现估算结果一直在缓慢漂移排查到最后才意识到是加速度计和陀螺仪的Z轴定义方向不一致。这类问题在MATLAB里要提前做一次旋转矩阵校正。比如把机体坐标系的加速度转到导航坐标系% 二维旋转示例将机体坐标转换到导航坐标 theta deg2rad(45); % 安装偏角 Rb2n [cos(theta), -sin(theta); sin(theta), cos(theta)]; acc_nav Rb2n * acc_body;如果在程序中看到了类似的坐标转换代码千万不要觉得多余。相反要是没有看到这类代码却在融合姿态我建议你还是老老实实把坐标变换补上。5.3 野值处理别让一个错误数据毁掉整条曲线传感器在真实环境里偶尔会输出一些偏离物理规律的野值比如温度突跳到100度然后又回落到正常值。加权平均会被野值瞬间拉偏卡尔曼滤波虽然会有一定抑制但也会让状态估计出现一个小台阶。比较稳妥的预处理方式是用滑动窗口中位数加标准差来做识别window 51; medA medfilt1(xA, window); sigmaA movstd(xA, window); % 超出中位数3倍标准差的位置标记为NaN xA( abs(xA - medA) 3 * sigmaA ) NaN;处理之后再进入融合算法能在很大程度上避免“一根老鼠屎坏一锅汤”的问题。我在实际项目中还会额外记录野值出现的时刻方便后面分析究竟是传感器故障还是外部干扰这一步对长期运行的系统很有价值。6. 结果怎么验收以及我还想继续扩展的方向6.1 用具体指标说话别只看曲线“看起来不错”融合效果好不好不能光靠眼睛。我建议至少算两个指标均方根误差RMSE和平均绝对误差MAE。rmse_fusion sqrt(mean((fusion - truth).^2)); mae_fusion mean(abs(fusion - truth));其中truth是参考真值如果是带标定数据的实验真值就是高精度参考传感器测出来的值。把融合前后的RMSE放在一张表格里结果来源RMSEMAE传感器A原始数据1.421.10传感器B原始数据2.081.65加权平均融合0.970.78卡尔曼滤波融合0.840.66从这张表能看到两个信息一是融合之后确实比任何单一传感器都好二是卡尔曼滤波在综合误差指标上通常优于简单加权平均。如果你的数据表不符合这个规律那就要回头检查时间对齐和权重参数。6.2 可视化验证时把误差带也画出来除了画融合曲线和原始曲线我还会在图上叠加上下误差带。方法是对真值曲线画残差然后用残差的标准差生成带状区间。这样一眼就能看出融合结果在哪个时间段跟踪不好往往对应着真实温度快速变化的阶段也正好印证前面说的动态响应问题。6.3 后续扩展联邦滤波、自适应卡尔曼和C代码迁移这套程序跑通之后我建议你继续往三个方向扩展。第一个方向是联邦滤波把多个传感器各自跑卡尔曼最后在主滤波器里按信息分配系数融合适合故障隔离要求高的场景。第二个方向是自适应卡尔曼用观测残差实时调整Q和R这样就不用手动调参算法也能适应不同工况。第三个方向是把MATLAB里验证过的算法用MATLAB Coder生成C代码部署到MCU或者工控机上这才是传感器信息融合从仿真走向产品的必经之路。我在实际工程里的体会是传感器信息融合永远不是“一个算法包打天下”的事情而是在数据质量、模型精度和计算资源之间来回权衡。花一天时间把时间戳对齐和野值处理做扎实效果可能比换一个高级算法还要明显。希望这套MATLAB程序实现能成为你入手的起点而不是你唯一会用的工具。本文还有配套的精品资源点击获取