姿态控制

该程序利用扩展卡尔曼滤波算法，实现了对飞机姿态的有效控制。程序主体使用MATLAB语言编写，清晰易懂，方便用户学习和修改。

纳米卫星姿态确定与控制系统 本项目提供用于纳米卫星姿态确定与控制系统的MATLAB代码，重点关注姿态解算算法的实现。代码包含多种姿态解算方法，并可根据实际需求进行修改和扩展。 主要功能 基于不同传感器的姿态解算算法，例如陀螺仪、磁力计、太阳敏感器等。 传感器数据融合算法，提高姿态估计精度。 姿态解算算法的仿真和性能评估。 代码结构 代码采用模块化设计，便于理解和使用。主要模块包括： 传感器模型: 模拟不同传感器的输出数据。 姿态解算算法: 实现各种姿态解算方法。 数据融合算法: 融合多个传感器的测量数据。 仿真环境: 用于测试和验证算法性能。 使用方法 下载代码并解压。 根据需要修改

误差四元数的姿态控制器，放到导弹上你觉得有点遥远，其实里面用的东西你我都能上手。MATLAB模拟整个姿态调转过程，代码清晰，变量命名也挺规范，想学四元数控制的，这包资源还蛮值得一看。 误差四元数的姿态解算，你可以理解成“导弹飞哪了”和“应该飞哪”之间的差值。用这个做反馈控制，更新控制指令，MATLAB那边直接跑个 Simulink 或者自己写个循环也行，调试起来比较方便。 资源里面的程序不只是理论推导，给了完整代码，用的函数也比较主流，像quatmultiply和quatconj都有用到，适合直接上手或者拿去做二次开发。 其实误差四元数这套方法，在做飞控或者无人机仿真的时候也能派上用场。尤其你

小卫星项目里，姿态传播这一块总被不少人忽略，但其实它挺关键的。Smart Nanosatellite Attitude Propagator（SNAP）就是一个还不错的小工具，能帮你模拟轨道和姿态的变化情况。模块设计得比较清晰，轨道传播用的是简化的二体引力模型，轻量好上手。再加上重力梯度、磁滞阻尼、空气动力等被动稳定手段，适合做初步方案，不用一上来就动手撸复杂控制器。像那种用永磁体做磁稳定的设计、或者想知道在低轨环境下气动力到底有没有效果，这个模型都能给你点启发。而且作者也有论文支持，想深挖的可以顺着文献看下去。你要是正好在搞姿态控制，或者对被动稳定感兴趣，不妨下载跑一跑。嗯，记得在引用时带上

Matlab研究室上传的所有视频均配有完整代码，可直接运行，适合初学者。具体内容包括： 代码结构：代码压缩包中包含主函数 main.m 和多个调用函数；无需手动生成结果图，程序自动完成。 代码运行版本：建议使用Matlab 2019b。若遇到运行问题，根据提示修正，或私信作者获取帮助。 运行步骤： 步骤一：将所有文件放入Matlab的当前文件夹中 步骤二：双击打开main.m文件 步骤三：点击“运行”，等待程序完成，即可获得仿真结果 仿真咨询：如需其他服务，可联系作者或扫码添加QQ名片： 获取完整代码 协助期刊复现 定制Matlab

介绍了使用Matlab编写的姿态变换函数集合，可以实现不同姿态之间的相互转换。导航系N为北东地坐标系，通过旋转顺序Z、Y、X得到载体系B，使用欧拉角、四元数和方向余弦阵描述，包括了dcm2eul、eul2dcm、eul2qua和qua2dcm函数。

功能：介绍了一种惯性导航系统姿态动态初始化的方法。输入包括前一时刻的GPS导航数据BLH1、载体位置mimudat1和MIMU测量数据gpsdat2，以及当前时刻的GPS导航数据BLH2、载体位置mimudat2和MIMU测量数据。输出包括中间时刻体坐标系b相对于移动站北东地坐标系n的姿态角attitude和旋转四元数Q_n_b。

航天器姿态角、角速度和控制力矩的变化仿真，看起来挺有挑战性的对吧？但这份视频配套的 Matlab 源码适合入门者。代码不仅简单明了，而且已完全亲测可用，放心运行！只要跟着视频步骤操作，把所有文件放到 Matlab 的当前文件夹，双击打开main.m文件，点击运行就能看到仿真效果了。运行过程也没啥难度，即使是小白也能轻松上手，遇到问题还能私信博主得到及时。除了基础代码，这里还了许多相关的资源，像是航天器轨道动力学、姿态控制等，能你在这个领域更加深入。如果你做航天器控制仿真，尤其是姿态角和角速度的相关模拟，这个源码挺不错的，操作简单，代码风格也蛮清晰的。你可以在Matlab 2019b版本下运行，

该MATLAB代码先保存并运行了LSTM姿态机，这是CVPR'18中的一项研究。回购包括该论文的源代码，作者包括罗岳、王周霞等。代码已在64位Linux（Ubuntu 14.04 LTS）上测试，并要求安装MATLAB（R2015a）和至少2.4.8版本的OpenCV。使用了CUDA8.0 + cuDNNv5在GTX TitanX上测试通过。

SimplePointPose 是一个用于人体姿态估计和跟踪的简洁高效的基准代码库，基于 PyTorch 实现，并在 COCO 关键点数据集上取得了出色成果。 主要特点： 提供一个简单有效的基线方法，有助于激发和评估该领域的新想法。 在具有挑战性的基准测试中取得优异结果，例如，在 COCO 关键点数据集上，最佳模型达到 74.3 mAP。 提供所有模型供研究使用。 MPII 验证集结果： | 指标 | 头部 | 肩膀 | 手肘 | 手腕 | 臀部 | 膝盖 | 脚踝 | 平均 || :----------------------: | :--: | :