当前位置：首页 > news >正文

GNSS-INS-SIM终极指南：如何快速生成高精度运动轨迹数据

news 2026/5/31 14:04:43

GNSS-INS-SIM终极指南：如何快速生成高精度运动轨迹数据

【免费下载链接】gnss-ins-simOpen-source GNSS + inertial navigation, sensor fusion simulator. Motion trajectory generator, sensor models, and navigation项目地址: https://gitcode.com/gh_mirrors/gn/gnss-ins-sim

GNSS-INS-SIM是一款功能强大的开源GNSS+惯性导航传感器融合模拟器，专为导航算法开发者和研究人员设计。这个工具能够帮助您轻松生成高精度运动轨迹、构建逼真的传感器模型，并进行导航算法的验证和测试。无论您是惯性导航领域的新手还是有经验的开发者，本文都将为您提供一份完整的快速上手教程。

🎯 为什么选择GNSS-INS-SIM？

在导航系统开发中，获取真实世界的测试数据既昂贵又耗时。GNSS-INS-SIM解决了这一痛点，它能够：

生成逼真的传感器数据：模拟IMU、GPS、磁力计等多种传感器输出
创建复杂运动轨迹：支持多种运动模式和轨迹定义方式
验证导航算法：为您的算法提供标准化的测试环境
节省开发成本：避免昂贵的硬件测试和场地租赁

📁 项目结构与核心模块

项目采用模块化设计，主要包含以下几个关键部分：

轨迹生成器：gnss_ins_sim/pathgen/- 负责生成运动轨迹
传感器模型：gnss_ins_sim/sim/imu_model.py- 定义传感器误差特性
模拟器核心：gnss_ins_sim/sim/ins_sim.py- 主模拟引擎
数据处理：gnss_ins_sim/sim/ins_data_manager.py- 数据管理和分析
可视化工具：gnss_ins_sim/sim/sim_data_plot.py- 结果可视化

🚀 3步快速上手：创建您的第一个仿真

步骤1：环境搭建与安装

首先克隆项目到本地：

git clone https://gitcode.com/gh_mirrors/gn/gnss-ins-sim cd gnss-ins-sim

安装必要的依赖：

pip install numpy matplotlib

步骤2：创建基本仿真脚本

创建一个简单的Python脚本my_first_simulation.py：

import os import math from gnss_ins_sim.sim import imu_model from gnss_ins_sim.sim import ins_sim # 设置采样频率 fs = 100.0 # IMU采样频率 fs_gps = 10.0 # GPS采样频率 fs_mag = fs # 磁力计采样频率 # 创建IMU模型（使用中等精度预设） imu = imu_model.IMU(accuracy='mid-accuracy', axis=9, gps=True) # 设置运动定义文件路径 motion_def_path = os.path.abspath('./demo_motion_def_files/') # 创建仿真对象 sim = ins_sim.Sim( [fs, fs_gps, fs_mag], motion_def_path + "//motion_def-3d.csv", ref_frame=1, imu=imu, mode=None, env=None, algorithm=None ) # 运行仿真 sim.run(1) # 可视化结果 sim.plot(['ref_pos', 'gyro', 'accel'], opt={'ref_pos': '3d'})

步骤3：运行并查看结果

执行脚本：

python my_first_simulation.py

您将看到生成的3D运动轨迹和传感器数据图表！

图：GNSS-INS-SIM模拟器完整工作流程，展示了从传感器配置到结果输出的完整仿真链路

📊 核心功能深度解析

1. 运动轨迹定义

运动轨迹通过CSV文件定义，存储在demo_motion_def_files/目录中。系统提供了多种预设轨迹：

静态测试：motion_def-static.csv
90度转弯：motion_def-90deg_turn.csv
长距离驾驶：motion_def-long_drive.csv
三维运动：motion_def-3d.csv

CSV文件格式如下：

ini lat (deg),ini lon (deg),ini alt (m),ini vx_body (m/s),ini vy_body (m/s),ini vz_body (m/s),ini yaw (deg),ini pitch (deg),ini roll (deg) 32,120,0,0,0,0,0,0,0 command type,yaw (deg),pitch (deg),roll (deg),vx_body (m/s),vy_body (m/s),vz_body (m/s),command duration (s),GPS visibility 1,0,0,0,0,0,0,10,0 2,0,0,0,10,0,0,20,1

2. 传感器模型配置

GNSS-INS-SIM支持灵活的传感器误差模型配置：

# 自定义IMU误差模型 imu_err = { 'gyro_b': np.array([0.0, 0.0, 0.0]), # 陀螺仪零偏 'gyro_arw': np.array([0.25, 0.25, 0.25]), # 角度随机游走 'gyro_b_stability': np.array([3.5, 3.5, 3.5]), # 零偏稳定性 'accel_vrw': np.array([0.03119, 0.03009, 0.04779]), # 速度随机游走 'mag_std': np.array([0.2, 0.2, 0.2]) # 磁力计噪声 } # 创建自定义IMU对象 imu = imu_model.IMU(accuracy=imu_err, axis=9, gps=True)

3. 算法集成与测试

您可以轻松集成自己的导航算法：

from demo_algorithms import free_integration # 创建算法对象 algo = free_integration.FreeIntegration(ini_pos_vel_att) # 在仿真中使用算法 sim = ins_sim.Sim( [fs, fs_gps, fs_mag], motion_def_path + "//motion_def-90deg_turn.csv", ref_frame=0, imu=imu, algorithm=algo # 添加您的算法 )

图：复杂运动轨迹可视化示例，展示了系统在真实地形中的运动路径

🔧 高级功能与实用技巧

1. Allan方差分析

GNSS-INS-SIM内置了Allan方差分析工具，帮助您评估传感器噪声特性：

from gnss_ins_sim.allan import allan # 创建Allan分析对象 allan_obj = allan.Allan() allan_obj.run('data/imu_data.csv') allan_obj.plot()

图：Allan方差分析结果，用于识别和量化传感器噪声类型

2. 多算法对比测试

您可以在一次仿真中运行多个算法进行对比：

from demo_algorithms import free_integration, inclinometer_mahony # 创建多个算法对象 algo1 = free_integration.FreeIntegration(ini_params1) algo2 = inclinometer_mahony.InclinometerMahony(ini_params2) # 运行对比仿真 sim.run(100) # 运行100次蒙特卡洛仿真 sim.plot(['pos', 'vel', 'att'], opt={'pos': '3d'})

3. 数据导出与可视化

系统支持多种数据导出格式：

# 保存仿真数据到文件 sim.results('./simulation_results/') # 生成KML文件用于Google Earth可视化 sim.results('./results/', gen_kml=True) # 自定义绘图选项 sim.plot(['ref_pos', 'pos', 'vel', 'att'], opt={'ref_pos': '3d', 'pos': '2d'})

🎨 最佳实践与性能优化

1. 采样率设置技巧

IMU采样率：通常设置为100-200Hz，根据应用需求调整
GPS采样率：1-10Hz，模拟真实GPS更新频率
磁力计采样率：通常与IMU同步

2. 运动轨迹设计建议

从简单轨迹开始测试，逐步增加复杂度
在关键路径点增加采样密度
使用平滑过渡避免速度突变
考虑实际应用场景的运动约束

3. 传感器误差模型校准

使用实际传感器数据进行Allan分析
根据分析结果调整误差参数
考虑温度漂移等环境因素

📈 实际应用案例

案例1：无人机导航算法验证

# 定义无人机运动轨迹 motion_profile = [ [32, 120, 100, 0, 0, 0, 0, 0, 0], # 起飞点 [5, 0, 45, 0, 15, 0, 0, 60, 1], # 爬升和巡航 [3, 90, 0, 0, 0, 0, 0, 30, 1], # 90度转弯 [1, 0, 0, 0, 0, 0, 0, 10, 1], # 悬停 ] # 运行无人机导航仿真 sim.run()

案例2：车载INS/GPS组合导航

# 设置车载导航参数 imu = imu_model.IMU( accuracy='mid-accuracy', axis=6, gps=True, gps_opt={'std': np.array([1.0, 1.0, 2.0])} # GPS误差参数 ) # 添加振动环境模型 env = { 'acc': '[0.5 0.5 0.3]-random', # 加速度计振动 'gyro': '[2 2 1]d-5Hz-sinusoidal' # 陀螺仪振动 }