1. 项目概述：IMU与GNSS融合的车辆航向初始化仿真
在车辆导航定位领域，航向角的精确初始化是确保后续定位精度的关键前提。这个MATLAB仿真项目展示了如何利用手机级IMU（惯性测量单元）和GNSS（全球导航卫星系统）的原始测量数据，通过卡尔曼滤波算法实现车辆航向角的准确初始化。不同于高精度工业级设备，手机传感器的低成本特性带来了更大的噪声挑战，这也正是本项目的实践价值所在。
我曾参与过多个车载组合导航项目，发现航向初始化误差是导致后续定位漂移的主要因素之一。特别是在城市峡谷等GNSS信号不稳定的场景中，单纯依赖磁力计或GNSS航向都会产生显著偏差。这个仿真通过对比初始化前后的航向角、运动轨迹和误差指标，直观展示了多传感器融合的实际效果。
关键提示：手机IMU的陀螺仪零偏稳定性通常在10-100°/h范围，而工业级IMU可达0.1-1°/h。这种量级的差异需要在算法设计中特别考虑。
2. 核心算法解析：松组合卡尔曼滤波设计
2.1 系统状态方程构建
本方案采用经典的松组合（Loosely Coupled）架构，状态向量包含位置、速度、姿态角以及IMU误差项：
code复制X = [φ, λ, h, vE, vN, vU, roll, pitch, yaw, bx, by, bz, sx, sy, sz]'
其中φ/λ/h表示经纬度高程，vE/vN/vU是东北天坐标系下的速度，roll/pitch/yaw为欧拉角，bx/by/bz是陀螺零偏，sx/sy/sz为加速度计比例因子。状态转移矩阵F的设计考虑了地球自转和科里奥利力效应，对于车载应用通常可以简化为：
matlab复制F = eye(15);
F(1:3,4:6) = dt * R_enu2ecef; % 位置与速度关系
F(4:6,7:9) = dt * SkewMatrix(f_ib_b); % 比力方程
F(10:12,10:12) = exp(-dt/tau_b); % 陀螺零偏一阶马尔可夫过程
2.2 观测模型设计
GNSS接收机提供的位置和速度作为量测更新源：
code复制Z = [φ_gnss, λ_gnss, h_gnss, vE_gnss, vN_gnss, vU_gnss]'
观测矩阵H将状态空间映射到测量空间