简介：这份PPT是地磁导航原理与算法研究的专题讲解，适合导航制导、地球物理或自动化相关专业的学生与工程师作为入门与进阶参考。内容以地磁场理论为起点，先介绍地磁场分布、地核场/地壳场/干扰磁场等组成，再说明国际地磁参考场和局部地磁场模型的构建，包括球谐分析、多项式拟合、球冠谐分析、矩谐分析等常用建模方法；随后系统梳理地磁匹配原理与平均绝对差、均方差、相关系数、Hausdorff距离等匹配算法，以及卡尔曼、扩展卡尔曼、无迹卡尔曼和自适应滤波在地磁导航中的应用，并兼顾倾斜补偿式数字罗盘的设计与误差补偿方案。整份资源仅1个PPT文件，大小约957KB，图文结构紧凑，适合自学汇报或课堂讲授使用。目前已有151人学习下载，可作为系统了解地磁导航技术脉络与算法体系的简洁资料。

1. 地磁导航是怎么做到“不看卫星也能定位”的

第一次听到“地磁导航”这个词，多数搞计算机仿真或嵌入式出身的人第一反应是：地磁场那么弱，连手机指南针都经常飘，拿它导航不是玄学吗？事实恰恰相反，地磁场虽然弱，却非常稳定，而且它是天然的“全球大地图”。在隧道、地下车库、水下、室内这些GNSS信号进不来的拒止环境里，地磁导航反而成了少数几个能用的定位手段之一。这份《地磁导航原理与算法研究PPT》把我踩过的坑和预期中的关键点——从地磁场模型、测量误差，到序列匹配、滤波融合的完整链路——一次讲清楚了，而且带仿真结果，可以直接把思路落成自己的代码。无论你偏硬件还是偏计算机算法仿真，拿它当底图再合适不过。

2. 看懂地磁场模型与传感器误差：原理先行，少走弯路

2.1 地磁场从哪来：IGRF模型与八个地磁要素

地磁导航的前提是“地球的磁场是已知的”。现实中我们用IGRF（国际地磁参考场）模型去描述它，模型每五年更新一次，当前的IGRF-13覆盖1900年到2025年。这个模型给出的不是单一数值，而是一组地磁要素：北向分量X、东向分量Y、垂直分量Z、水平强度H、磁偏角D、磁倾角I以及总强度F。

这七个要素里，导航最常用的是总强度F和水平强度H，因为这两个标量受载体姿态影响相对小，做匹配时曲线特征最明显。而磁偏角D和磁倾角I通常用于坐标解算，比如把磁航向换算成真航向时需要用到磁偏角。

PPT里讲得比较到位的一点是：地磁导航的定位精度不取决于磁场值的绝对准确度，而取决于测量值和参考图的相对一致性。也就是说，只要载体经过的磁场特征和地磁图对应得上，就算磁场值整体偏一个常数，匹配结果依然正确。这个结论直接简化了误差处理流程，不需要做绝对校准。

我在实际项目中整理过一个要素优先级表，按导航用途排序：

2.2 磁力计选型与三类误差拆解

能把磁场测准，地磁导航就成功了一半。PPT里把传感器误差分成三个层次，这个分层我后来在其他项目中也照搬了。

第一层是噪声误差，主要来源于传感器本身的电子噪声。磁通门磁力计噪声典型值在0.1 nT到1 nT之间，而质子旋进磁力计精度高但采样率低，动态场景基本用不了。所以载体导航首选磁通门，噪声小且采样率能到几百Hz。

第二层是载体磁场干扰，也叫固定磁场。载体本身的铁磁材料、电机、永磁体都会叠加一个恒定磁场。这个干扰的特点是随姿态旋转而改变方向，但不是随机噪声，可以通过椭球拟合校准掉。我在做某跨平台系统时，校准前后数据差异最大到了400 nT，而地磁图本身的特征差异可能只有几十nT，不校准根本没法匹配。

第三层是动态干扰，包括电流产生的磁场和涡流磁场。这类干扰随用电状态变化，是黑匣子，校准不掉。常见的处理办法是硬件上远离大电流线路，软件上在航向机动时暂停匹配更新。

2.3 地磁图构建与插值：误差从厘米级放大到米级的地方

地磁导航的参考数据是地磁图，不是实时采集一遍就能用。原始测量值要经过日变校正、位置归算、通化处理后才能变成地磁图。这个环节有个特别容易翻车的细节：地磁图的网格分辨率直接决定匹配定位精度。

我用过三种建图方式，结论如下。第一种是走航式测量，沿路径加密采样，网格能到10米，适合局部区域。第二种是航测，飞行器挂磁力计，覆盖面积大但地面分辨率只能到50到100米。第三种是直接拿IGRF模型插值生成，精度只够做仿真，真实场景中磁异常信息完全不够。

插值算法方面，克立金插值比双线性插值效果好很多，因为地磁场在空间上是连续且有相关性的。克立金插值能利用变差函数描述磁场随距离的变化规律，避免双线性插值带来的“马赛克效应”。这里插值产生的高频伪迹是匹配误差的主要来源之一，PPT里给的结论是：插值网格最好在测量间距的1/2到1/4之间，过密反而放大测量噪声。

3. 核心算法逐段拆解：序列匹配、滤波融合与参数选型

3.1 序列匹配：为什么单点匹配总是“看着像，其实错”

地磁导航最直观的匹配方式是拿当前的磁场测量值去地磁图里找最接近的网格点，这就是最近邻匹配。但这套直接做实机会死得很惨，因为单点的地磁测量误差和地磁图误差叠加后，往往有多个网格点的磁场值与测量值同样接近，选哪个全靠运气。

PPT里的解决方案是序列匹配，就是拿一段连续测量的磁场剖面去和地磁图里同样长度的一段剖面做相关度对比。我把它移植到某跨平台系统里跑通后，匹配成功率提升了接近三成。

序列匹配的核心公式是归一化互相关。对实测序列和参考序列，计算相关系数取最大值的点作为匹配位置。写成伪代码：

def 序列匹配(实测剖面, 地磁图, 候选起点集合): 最佳起点 = None 最大相关 = -1.0 for 起点 in 候选起点集合: 参考剖面 = 地磁图[起点 : 起点 + len(实测剖面)] 相关值 = 归一化互相关(实测剖面, 参考剖面) if 相关值 > 最大相关: 最大相关 = 相关值 最佳起点 = 起点 return 最佳起点, 最大相关 def 归一化互相关(a, b): a零均值 = a - mean(a) b零均值 = b - mean(b) 分子 = sum(a零均值 * b零均值) 分母 = sqrt(sum(a零均值**2) * sum(b零均值**2)) return 分子 / 分母

这段代码里有几个参数直接决定成败。

序列长度是关键中的关键。序列太短，地磁特征没显现，和单点匹配没区别；序列太长，计算量变大，而且载体可能已经转弯或改变高度，参考剖面和实测剖面形状对不上。我常用的经验值是：序列长度要覆盖至少两个完整的地磁场“波峰波谷”，大约是网格分辨率的5到10倍。

候选起点集合不能取全图，否则计算量爆炸。一般先用总强度F做粗匹配，把候选区域缩小到一个椭圆范围内，再在这个范围内做精细匹配。椭圆的尺寸根据上一帧的位置不确定度设定，PPT里给的典型值是半径500米。

3.2 地磁/惯性组合导航：EKF状态设计与量测方程

序列匹配只能给出“离散的修正点”，两次匹配之间载体怎么走，还得靠惯性导航或者航位推算来填充。这种组合导航的架构就是：惯导短时推算，地磁定时修正。

EKF（扩展卡尔曼滤波）的状态向量我这样设置：

状态向量 = [x位置, y位置, 航向, 速度, 陀螺零偏, 加速度计零偏]

惯导做状态预测，地磁匹配结果做量测更新。量测方程不是直接拿位置做观测，而是把匹配得到的“位置修正量”作为观测量。这么做的好处是躲开地磁匹配的非线性，因为匹配过程本身不是线性方程，但输出的位置修正在小范围内近似线性。

滤波更新频率也有讲究。惯导部分跑200Hz，地磁匹配部分只跑1Hz到5Hz。EKF的协方差矩阵在匹配修正后会明显收缩，如果收缩不明显，说明匹配结果和惯导推算矛盾太大，这时候我会选择丢弃这帧修正值，而不是硬灌进滤波器。

PPT里给出了一组我验证过的EKF初始参数：

这组参数在仿真里定位误差能收敛到15米以内，但直接搬到真实场景会漂，因为真实地磁图的误差不只是白噪声，还存在空间相关误差。处理办法是把量测噪声调大两到三倍，宁可信不过，也不要被错误匹配拖着跑偏。

3.3 粒子滤波作对比：什么时候EKF不够用

EKF在磁场变化平缓的区域会出问题，因为这时候地磁匹配的多解性很强，误差分布不再是高斯分布，用一个高斯近似就失真了。PPT里对比了粒子滤波在这种场景下的表现：粒子数取500，每个粒子按惯导推算的状态进行传播，然后根据地磁匹配的似然度重新赋权。

粒子滤波代码框架：

粒子初始化: 以初始位置为中心，按高斯分布撒500个粒子，权重相等 for 每帧惯导数据: 每个粒子按惯导增量更新位置和航向 加入过程噪声扰动 for 每帧地磁修正: 对每个粒子，取出粒子位置的参考磁场值 计算与实测值的似然度: exp(-0.5 * (实测-参考)**2 / 量测方差) 更新粒子权重，归一化 有效粒子数过低时进行重采样 位置估计 = 加权平均(粒子位置)

粒子滤波的优势是能处理多峰分布，就算磁场图上有两个相似区域，粒子会同时聚集在这两处，之后随着序列匹配继续推进，错误区域的粒子会因似然度下降而自然淘汰。代价是计算量高一个量级，在嵌入式平台上跑500个粒子加1Hz匹配，CPU占用还能压住，再翻倍就得考虑GPU了。

我的取舍经验是：室内或地下场景用粒子滤波，因为磁场特征复杂但载体运动范围小；室外大范围场景用EKF加序列匹配，计算开销省，实时性更容易保证。

4. 把PPT变成能跑的Demo：数据准备、仿真流程与精度评估

4.1 仿真数据怎么生成：先造一张“可信”的地磁图

复现这套算法，第一步不是找真实数据，而是生成仿真地磁图。很多人上来就想着买真实测量数据，成本高而且数据格式还得自己解析。我建议先用IGRF模型叠加人为添加的磁异常场，生成一张带特征的地磁图，先把算法链路跑通，再考虑换真实数据。

生成地磁图的思路：在大范围IGRF背景场上，叠加几个高斯形状的磁异常。这些异常模拟地下铁结构、钢筋密集区、管廊等局部磁场变化。

import numpy as np def 生成仿真地磁图(x范围, y范围, 网格间距): x = np.arange(x范围[0], x范围[1], 网格间距) y = np.arange(y范围[0], y范围[1], 网格间距) X, Y = np.meshgrid(x, y) F = 48000 # 背景场，单位nT，约等于中纬度总强度 # 叠加三个磁异常，模拟局部特征 F += 80 * np.exp(-((X-500)**2 + (Y-500)**2) / (2*150**2)) F += 120 * np.exp(-((X-900)**2 + (Y-700)**2) / (2*200**2)) F += 60 * np.exp(-((X-300)**2 + (Y-800)**2) / (2*100**2)) return X, Y, F

这段代码里三个异常的中心、幅度、宽度都是可调参数。幅度决定匹配的难度：幅度越小，匹配越容易出错。我一般先从幅度100 nT开始调，跑通了再降到40 nT，模拟真实场景中的弱异常环境。网格间距取10米，如果取1米，数据量会大得离谱，但精度提升很有限。

4.2 模拟载体轨迹与测量值生成：噪声怎么加才接近真实

有了地磁图，下一步是生成载体轨迹和对应的传感器测量值。我习惯先设定好“真实轨迹”，再从真实轨迹推算惯导输出和地磁测量值。真实轨迹通常包含直行段、转弯段、加速段，整个过程要保证地磁特征覆盖足够丰富。

惯导数据模拟要包含两类误差：常值零偏和随机游走。地磁测量值则在真实磁场值上加高斯白噪声。

真实轨迹 = 预定义路径(起点=(100,100), 终点=(900,900)) 磁场真值 = 从地磁图中取点(真实轨迹) 地磁测量值 = 磁场真值 + np.random.normal(0, 10, 磁场真值.shape) # 惯导模拟 速度 = 预定义速度剖面(真实轨迹) 位置推算 = 初始位置 for t in range(1, 总时长): 位置推算 += 速度[t] * dt + np.random.normal(0, 0.1, 2) # 位置游走 陀螺输出 = 真实角速度 + 零偏 + np.random.normal(0, 0.01)

注意这里噪声标准差两个参数非常关键：地磁噪声10 nT对应中端磁通门传感器的实测水平，位置游走0.1米对应消费级惯导的性能。PPT里验证过的结论是：当地磁噪声超过20 nT，匹配成功率会明显下降，这不是算法问题，是传感器选型问题。先算清楚信噪比再调算法，顺序很重要。

4.3 评估指标：匹配成功率、误差收敛曲线与CDF

算法跑通后，怎么判断效果好坏？三个指标必须同时看。

第一个是匹配成功率。定义是匹配位置与真实位置的欧氏距离小于设定阈值（通常取地磁图网格间距的两倍）算匹配成功。仿真里跑100次蒙特卡洛实验，统计成功比例。成功率90%以上算合格，低于80%说明地磁特征不够或者序列长度不对。

第二个是误差收敛曲线。把每一帧滤波后的位置误差画出来，横轴时间，纵轴误差。好的曲线特征是误差在惯导发散初期被地磁修正拉回来，呈现锯齿状包络下降。如果曲线一直不降反升，大概率是匹配被错误地点持续锁定，这时候要检查量测噪声是不是设小了。

第三个是误差累计分布函数。这个指标对工程判断尤其重要，因为它告诉你“百分之多少的时间误差在多少米以内”。比如CDF曲线在20米处达到95%，意味着95%的时间里定位精度在20米以内。PPT里给的仿真结果是：网格10米、异常幅度100 nT的条件下，95%定位误差为18米。

5. 地磁导航常见翻车现场：五条踩坑记录与排查思路

5.1 现象：仿真跑得挺好，一上真实设备定位就漂

原因分析：真实场景的磁场干扰远大于仿真设定的10 nT，而且存在空间相关误差，不是白噪声。仿真没考虑载体干扰校准残余、地磁图本身误差、日变改正残留等系统性因素。

解决办法：先做椭球校准，把载体硬磁和软磁干扰除掉；然后检查测量值和地磁图的系统性偏差，如果整体偏高或偏低，可以做一次线性回归校正，把偏差系数求出来，在量测方程里补偿掉。

5.2 现象：匹配结果在个别区域频繁跳到对称位置

原因分析：地磁图在某个局部区域存在镜像特征，比如两个相邻的磁异常形状相同、幅度相近。单靠当前序列长度区分不了这两个区域，序列长度不足或候选区域没限制住。

解决办法：加长序列长度，让剖面覆盖到两个异常之外的区域，打破对称性；同时把序列匹配改成“双序列”——回程时再匹配一次，两次匹配的交集区域才是最终候选区。这个方法我做水下机器人项目时用过，效果稳定很多。

5.3 现象：粒子滤波跑着跑着粒子全堆在一个错误点上

原因分析：重采样过早过频繁，丢失了低权重但可能正确的位置。粒子滤波的经典缺陷就是粒子多样性退化。

解决办法：提高过程噪声，每次预测时在粒子里加一点额外的随机扰动；另外重采样阈值不要取默认的N/2，改到N/4，减少重采样次数。还有一个保底手段，保留5%的粒子均匀撒在整个候选区域内，防止全军覆没。

5.4 现象：地磁图网格加密了，精度反而变差

原因分析：网格加密后，测量噪声被插值算法当成真实特征保留下来，产生了虚假的“高频地磁异常”。匹配算法拿着实测的低频剖面去和这些噪声特征比对，自然匹配不准。

解决办法：克立金插值时要设一个合理的变差函数块金值，把低于噪声水平的空间差异平滑掉；或者反其道而行之，用比测量噪声标准差大三倍的阈值对插值结果做低通滤波。网格间距不是越小越好，通常到传感器噪声对应的空间相关长度就停。

5.5 现象：磁力计数值在转弯时剧烈抖动，静止时没事

原因分析：载体转动时，磁力计周围铁磁性构件的磁化方向发生变化，产生一个随姿态变化的干扰场；同时转动过程中涡流增大，动态干扰叠加进来。静止时这些干扰都消失，所以测着正常。

解决办法：硬件上对磁力计做软磁校准，软件上把转弯段的匹配更新暂停；如果导航系统有其他航向源，可以用航姿参考系统的航向替代转弯段的磁航向。特别提醒，校准必须在包含完整姿态旋转的数据上做，三圈绕滚、俯仰、偏航一个都不能少。

6. 最后一个技巧：离线仿真提前验证惯性/地磁组合的可行性

这套PPT看到最后，你会发现最难的不是某个算法，而是“组合起来能不能稳定收敛”。我在多次项目中养成了一个习惯：任何地磁导航方案，先做一轮离线蒙特卡洛仿真，确认参数空间里存在一个鲁棒区域，再上真机。

核心验证工具是参数扫描。把以下几个参数作为变量：地磁噪声标准差从5 nT扫到30 nT，序列长度从50扫到300，量测噪声倍数从1扫到5。每组参数跑100次蒙特卡洛，统计匹配成功率，画一张热力图。热力图中成功率高且区域大，说明这个方案有工程余量；如果成功率只在一个狭窄区域超过90%，真机场景稍微一变就会翻车。

另外还有一个容易被忽视的验证点：地磁图的边界效应。载体离开建图区域边缘时，匹配候选区域会超出地磁图范围，越界部分通常填的是无效值，不处理会产生错误的修正。我一般会在匹配函数里对越界候选点直接判死，让候选点必须完全落在建图区域内部，这个逻辑在仿真时看不出问题，但实机测试几乎是必踩的坑。

最后分享一个血泪教训：曾经某次试验，我在仿真验证时用IGRF模型直接生成了地磁图，结果实机定位误差大得离谱。排查了两天，最后发现是IGRF模型只含大尺度磁场，完全没有人造建筑物引起的短波磁异常，仿真和实测的匹配特征根本对不上。从那以后我每次都强制走一遍“特征核对”流程：画一次实测轨迹上的磁场曲线，再画一次仿真轨迹上的磁场曲线，两条曲线的主要波峰波谷数量对上，才开始做定量仿真。希望这个流程对你有帮助，也帮你的地磁导航少走一大段弯路。

本文还有配套的精品资源，点击获取