企业官网建设流程全解析

简介：这套GPS+IMU数据融合MATLAB程序，面向自动驾驶、无人机导航及组合导航领域的研究者与工程师，解决GPS信号遮挡时定位不准、IMU漂移累积误差等问题，通过滤波算法实现两者优势互补。压缩包共67个文件，以56个M源码文件为核心，覆盖数据预处理、坐标转换、时间同步、EKF状态估计、误差建模与仿真场景等完整流程；另有6个MAT数据文件、说明文档、KML轨迹文件与许可文件，整体约50.38MB，结构清晰便于查阅。目前已有3885人学习下载。资源内含卡尔曼滤波、Allan方差分析、真实数据与合成数据等实用脚本，并附有rnx、rtknavi、microstrain等多源数据读取接口，可直接运行示例验证融合效果，也方便替换自有数据或调整滤波参数，适合用于学术研究、课程设计及工程原型验证。

1. 项目概述与核心思路

干定位这行的都知道，GPS和IMU这俩传感器单独拿出来都有硬伤。GPS精度高但更新频率低，一般也就10Hz左右，进个隧道或者高楼密集区直接丢星；IMU倒是能跑到100Hz甚至更高，短期精度好得很，但你让它纯积分跑个一分钟，漂移能让你怀疑人生。把这两个家伙融合起来，用IMU填补GPS的间隙，用GPS修正IMU的漂移，这就是惯导组合里最经典的松耦合方案。

这篇文章要讲的，就是一套基于MATLAB实现的GPS+IMU数据融合程序。先说清楚这套东西能干什么：输入一组GPS定位数据和一组IMU惯性测量数据，输出一条经过融合修正的、高频且平滑的运动轨迹，附带协方差估计结果。适合谁看？正在做组合导航课程设计的学生、刚入门惯性导航的工程师、以及想快速验证融合算法效果的技术爱好者。

我最初写这套程序的时候，目标很朴素：不想在ROS里调包，也不想上C++那套工程化流程，就想用MATLAB快速撸一版验证算法可行性。如果是做算法验证和教学演示，MATLAB确实比C++或者Python顺手太多——矩阵运算天然契合卡尔曼滤波，绘图工具又方便直接看轨迹和误差曲线。整套代码量不大，核心逻辑大概150行左右，数据处理链路清晰，改起来也容易。

整套融合方案我最终选了误差状态卡尔曼滤波（Error-State Kalman Filter, ESKF）而不是标准的扩展卡尔曼滤波（Extended Kalman Filter, EKF）。原因后面详细说，先给结论：ESKF把姿态误差、速度误差、位置误差作为状态量，相比直接滤波全状态量，线性化误差更小，数值稳定性更好，而且代码实现里可以用四元数表示姿态，避免欧拉角万向锁的问题。这套思路在开源飞控和自动驾驶方案里被反复验证过，靠谱。

2. 融合方案选型：为什么是ESKF而不是其他方案

2.1 GPS和IMU的互补特性分析

先把两个传感器的特性掰开揉碎看清楚。GPS输出的是绝对位置信息，坐标系通常是经纬高（WGS84），精度在米级（民用单点定位约2~5米，RTK可以到厘米级），误差不会随时间积累，但更新率低且容易受环境遮挡干扰。IMU输出的是三轴加速度和三轴角速度，坐标系是机体坐标系，更新率通常可以到100Hz以上，短期精度极高，姿态变化在短时间内可以说是准到离谱。

但IMU是个积分传感器。加速度积分出速度，速度再积分出位置，这里面每一拍都会带进噪声和零偏误差，积分一次误差积累一点，两次积分误差积累得快到让你害怕。就拿一个消费级别的IMU来说，零偏稳定性在20°/h左右，加速度计零偏稳定性在1mg量级，这个水平如果不做修正，纯积分跑30秒位置误差就能到几十米。

这两个传感器一对比，互补性就出来了：GPS负责把IMU的长期漂移拉回来，IMU负责把GPS两个采样点之间的轨迹补全。组合起来既能拿到高频输出，又能保证长期不飞掉。这就是数据融合在本项目里的价值所在，也是整套程序的核心出发点。

2.2 松耦合VS紧耦合，怎么选

组合导航有两种主流架构：松耦合和紧耦合。松耦合先把GPS接收机内部解算好的位置速度送过来，再和IMU的推算结果做融合，两个系统相对独立，实现简单，故障隔离性好。紧耦合是直接把GPS的伪距、载波相位这些原始观测值送到滤波器里，和IMU一起做联合解算，精度上限更高，但代码复杂度和计算量都上了一个台阶。

这套MATLAB程序选松耦合，核心考虑是通用性。绝大多数GPS模块直接输出NMEA或者二进制协议的位置速度信息，你不需要厂家开放原始观测量，随便拿个模块就能跑起来。紧耦合方案需要拿到伪距，这就限制了硬件选择范围，而且代码量至少翻倍，不适合做算法教学和快速验证。

在MATLAB里实现松耦合，数据流就是：GPS原始坐标（经纬度）转成平面坐标，IMU原始数据做姿态解算、坐标旋转和机械编排，然后进ESKF滤波器做误差修正，修正结果反馈给机械编排重算。这个闭环结构很清晰，每块都能单独测试，哪一步出了问题直接定位。

2.3 ESKF设计思路

ESKF的核心思想是“全量估计+误差滤波”。什么意思？IMU机械编排算出来的位置、速度、姿态当作名义状态（Nominal State），这些值由积分得到，频率高但没有修正；然后另开一个滤波器，只估计名义状态和真实状态之间的误差。GPS观测进来后，滤波器对误差做最优估计，再把误差修正回名义状态。

这样设计的好处有三点。第一，误差量通常很小，线性化精度远高于直接对全状态做EKF；第二，姿态误差可以用小角度近似，直接转成三维向量加到四元数上，省去了一大堆约束处理；第三，IMU的零偏也在误差状态里被建模和估计，相当于滤波器自己在线校准IMU，这个特性在实际调试里价值巨大。我第一次跑通这个方案后，对比了一下直接EKF，位置误差减小大概15%，姿态发散概率明显更低，这个改进值得做。

3. MATLAB中的数学模型与程序结构

3.1 坐标系定义和转换

写程序之前，坐标系先定死，后面才不会乱。这套程序里用了三个坐标系：地心地固坐标系（ECEF）、东北天坐标系（ENU）、载体坐标系（body，通常前右下）。

GPS给的是WGS84经纬度，不能直接拿来做加法，需要投影到平面坐标系。在MATLAB里我用了自带函数lla2ecef先把经纬高转成ECEF，再定义参考原点，将ECEF平移到以参考点为中心的ENU系。这个ENU坐标就是滤波器里位置状态量的单位，单位用米，好理解也好调参。

姿态表示选四元数而非欧拉角。欧拉角的万向锁问题在工程里很讨厌，而且连续旋转的插值计算也不方便。四元数无奇异点，计算也稳定。IMU直接输出的角速度是body系的，每次更新需要用姿态四元数把它转到ENU系，这就是姿态解算的本质工作。

一个细节值得提醒：IMU数据里的加速度包含重力分量。在body系下测到的加速度是三轴加速度+重力加速度的矢量和，如果直接拿这个积分，位置会狂飙。必须在每次更新时把重力g从ENU系的z轴减去，再转回body系比较，或者先转到导航系再减。我在这上面踩过坑，后面问题排查章节详细说。

3.2 系统状态方程和时间更新

ESKF的状态量我定义为15维：

• 3维位置误差（ENU系）
• 3维速度误差（ENU系）
• 3维姿态误差（局部坐标系小角度）
• 3维加速度计零偏余量
• 3维陀螺仪零偏余量

协方差矩阵P就是15x15，初始值设成对角阵，物理含义是对初始误差的不确定度。滤波器的预测步骤（时间更新）按照IMU数据到达的频率执行，假设IMU是100Hz，那每秒执行100次机械编排和时间更新。

每次IMU测量到达时，先更新名义状态：角速度减去陀螺零偏得到修正角速度，用四元数更新姿态；加速度减去加速度零偏、旋转到ENU系、再减去重力，得到净加速度，积分更新速度，再积分更新位置。

状态转移矩阵F和时间更新协方差矩阵Q的推导是这套程序里数学密度最高的部分。Q矩阵反映的是IMU噪声随时间积累的影响，简单来说，位置误差随时间三次方增长，速度误差平方增长，姿态误差线性增长，所以Q里的项是采样间隔dt和IMU噪声功率谱密度的函数。实际写代码的时候可以用eye(15).*q这样简单赋值，但想要效果好，还是建议把每项的系数矩阵化简开了写。

3.3 观测更新和卡尔曼增益

观测更新这里相对简单。GPS输出的位置和速度直接作为观测向量，观测矩阵H是6x15的稀疏矩阵，把位置和速度误差对应的状态量映射出来。R矩阵是观测噪声协方差，主要根据GPS模块的定位精度去设。

卡尔曼增益K = P·Hᵀ·(H·P·Hᵀ + R)⁻¹，这个公式在MATLAB里一行代码就搞定。注意MATLAB里矩阵求逆最好用\运算符，写成K = P * H' / (H * P * H' + R)，数值稳定性好得多，别直接用inv()。

滤波更新完，把误差状态反馈回名义状态：位置直接减误差，速度直接减误差，姿态用四元数左乘误差四元数（误差角转成小角度四元数）。反馈完之后把误差状态清零，协方差矩阵做对应处理（名义状态更新后，误差均值归零，协方差保留）。整个ESKF的流程就是“预测-修正-反馈-重调”，循环往复。

3.4 MATLAB程序代码结构通览

代码我分成了四个文件，清晰分离关注点：

% main_eskf.m 主脚本：数据读取、参数配置、循环融合、画图 % load_sensor_data.m 数据读取与预处理（并行时间戳对齐） % eskf_predict.m 误差状态卡尔曼滤波预测（IMU更新） % eskf_update.m 误差状态卡尔曼滤波更新（GPS更新）

核心数据流在main_eskf.m的主循环里实现，伪代码结构如下：

% 主循环：按时间戳交替处理IMU和GPS数据 % 维护索引idx和time_now while idx_imu <= num_imu && idx_gps <= num_gps if imu_time(idx_imu) < gps_time(idx_gps) [state, P] = eskf_predict(state, P, imu_data(:,idx_imu), dt); idx_imu = idx_imu + 1; else [state, P] = eskf_update(state, P, gps_pos, gps_vel, R); idx_gps = idx_gps + 1; end end

每个文件都不长，原理搞清楚了代码自然写得出来。这种模块化设计有个好处：后面想换传感器模型或者加磁力计观测，只需要新写一个update函数，不用动主循环和预测模块。

4. 数据预处理：GPS坐标转换与时间对齐

4.1 GPS经纬度转平面坐标的MATLAB实现

GPS原始输出通常是度格式的经纬度，而滤波器的位置状态必须用米坐标。这里要提一个容易踩的坑：直接用geo2enu转换函数时，参考点的选择会影响所有后续坐标的精度。参考点选在轨迹中心附近比较合适，因为ENU系是一个局部切平面坐标系，离参考点越远误差越大。如果是远距离轨迹，还需要考虑更严格的投影方式。

MATLAB代码里，转换步骤是这样的：

% 读取原始经纬高数组 lat, lon, alt origin = [lat(1), lon(1), alt(1)]; % 取第一个点为参考原点 % 利用MATLAB自带函数快速转换 [ex, ey, ez] = geodetic2enu(lat, lon, alt, ... origin(1), origin(2), origin(3), wgs84Ellipsoid);

这个geodetic2enu函数是MATLAB Mapping Toolbox提供的，底层的计算是严谨的椭球模型。如果不想依赖工具箱，网上也有成熟的lla2enu代码，但精度可能差一点。我这里为了可移植性，封装了一个简单的转换函数，本质上是先做lla2ecef再按参考原点平移旋转。两种实现方式效果差距不大，注意统一参考点和单位就好。

4.2 IMU时间戳对齐和帧率匹配

实际采集的数据IMU时间戳和GPS时间戳往往不是完全对齐的，尤其是用两套独立硬件采集时。这个问题处理不好，融合结果就会出现奇怪的跳变。

我采用的办法是先对两组数据的时间戳做排序，然后在主循环里按时间戳大小决定当前要处理哪一条数据（就是上面伪代码那个逻辑）。这种做法相当于用最近时刻的IMU数据去填充两个GPS数据点之间的间隔，不用做插值，简单有效。

如果IMU采样率和GPS采样率严格成整数倍关系，可以直接按比例映射；如果不满足，就保持时间戳排序的思路，实现更通用。两个传感器的绝对时间基准也要统一，量纲用秒，起始时间归零，不然会出现偏移导致的姿态估计错误。

4.3 静态初始化和初始姿态确定

初始姿态的解算精度对后续融合精度影响很大。我用的是静态初始化：在运动开始前保持设备静止1~2秒，取这段时间的加速度平均值作为重力向量，反推出初始姿态的四元数。MATLAB里这一步很好实现：

% 利用静态段加速度均值确定初始姿态 % g_body = 静止时加速度测量均值 % g_nav = [0; 0; 9.80665] % 用Rodrigues公式或四元数插值求旋转 gravity_vec = mean(accel(1:100), 2); % 前100采样点 pitch = atan2(-gravity_vec(1), sqrt(gravity_vec(2)^2 + gravity_vec(3)^2)); roll = atan2(gravity_vec(2), gravity_vec(3)); % 四元数构建，yaw默认给0，后续GPS轨迹会修正 q_init = eul2quat([0, roll, pitch], 'ZYX');

为什么yaw初始给0？因为静止状态下加速度计测不出yaw角，只能靠磁力计或者GPS来定初始航向。在初始阶段GPS路径的运行方向可以帮助快速收敛yaw误差。在代码实现中，我是让滤波器自己跑几十秒完成航向收敛，前提是载体有实际位移。如果一直静止，航向不可观，这是系统本身的特性，不是代码bug。

5. 实操中的关键步骤和核心问题

5.1 参数初始化：协方差矩阵的经验取值

整套滤波器能不能收敛，很大程度上取决于初值怎么给。初值给得太小，滤波器会过度相信初值，导致收敛慢甚至不收敛；给得太大，前期轨迹波动大。

我的默认配置如下：

• 初始位置协方差：对角线取0.1 m²（已知起点位置）
• 初始速度协方差：对角线取0.5 (m/s)²
• 初始姿态协方差：取(0.1 rad)² ≈ 0.01 rad²
• 加速度计零偏初值：0，方差取 (0.02 m/s²)²
• 陀螺仪零偏初值：0，方差取 (0.01 °/s)² 换算到弧度

这些数值来源不是拍脑袋。位置初始值来自GPS第一个点，误差在几米内，取0.1偏保守；姿态初始值来自静态初始化，10°以内的误差对应0.17rad，再乘系数，给0.1rad的sigma合理；IMU零偏参数对照芯片手册典型值，再适当放大给余量。调试的时候可以打印每一时刻的P对角线，如果发现某些状态量方差长时间不收敛，多半是激励不够或者参数失配。

5.2 观测噪声R矩阵的标定思路

R矩阵表示对GPS观测的信任程度，如果设得太小，滤波器会盲目跟随GPS噪声，轨迹上出现一条条“锯齿”；设得太大，又起不了修正作用，轨迹跟着IMU漂走。

实际标定R有一个简单粗暴但有效的方法：拿到GPS模块输出的定位结果，在静态场景下采几分钟数据，计算位置序列的标准差，这个值就作为位置观测噪声的sigma。速度误差可以从位置差分计算。然后R矩阵对角线就是sigma的平方。

这里还有一个小技巧：GPS的数据质量不是恒定的，多径、遮挡都会让定位误差变大。如果模块能输出定位质量标识（如GGA语句中的精度因子PDOP、状态字），可以根据质量动态调整R。我这版程序里预留了R_adapt的接口，但默认还是用固定R。如果后面数据里有明显的坏点，可以在预处理阶段直接剔除，而不是靠滤波器硬扛。

5.3 姿态解算和加速度分量补偿的精读

IMU里的加速度计测量的是比力（Specific Force），即惯性加速度减去重力加速度的负值。在解算时，加速度要从body系转到导航系，减去重力，再积分。很多初学者忽略这个重力补偿，导致位置误差以秒级速度快速发散。

具体实现步骤：

1. 用当前姿态四元数把body系加速度转换到ENU系
2. ENU系中的加速度减去重力向量 [0; 0; -g]
3. 用补偿后的加速度积分速度，再积分位置

MATLAB里四元数旋转向量，推荐用rotatepoint函数或者手写四元数旋转公式。这两个函数都试过，结果一致。注意四元数要归一化，每步积分之后加一个归一化操作，否则数值误差累积会让姿态慢慢退化。

5.4 GPS信号跳变和异常值剔除逻辑

GPS数据偶尔会出现“跳变”的情況，典型特征是相邻两个GPS点的位移量远超车辆实际运动能力。这种异常如果直接送进滤波器，会瞬间拉偏整条轨迹。我写了一个基于速度约束的异常检测器：计算GPS相邻两个点的距离，除以时间间隔得到GPS等效速度，如果该速度超过设定阈值（比如20 m/s，一般车辆达不到这个速度），就认定这个GPS点是异常点，丢弃不送入更新。

另一个场景是GPS信号输出位置长时间不变（静态GPS模块掉进保持模式），这种情况会让滤波器产生“假收敛”，P矩阵缩小后一旦GPS恢复，误差会被强行修正导致轨迹扭曲。处理方式是设置一个GPS状态计数，连续若干帧数据完全相同就暂停使用GPS进行更新，只保留IMU推算。

6. 仿真实验设计与结果分析

6.1 用MATLAB自带工具生成仿真数据

如果你手头没有真实的GPS和IMU设备，可以直接用仿真数据验证算法。我自己当时是先用仿真数据调通代码，再拿真机数据跑，省了不少时间。MATLAB自带的imuSensor（Navigation Toolbox）和gpsSensor系统对象可以快速生成仿真数据。

生成数据的思路很简单：设计一条参考轨迹（直线、S弯、环形都行），用groundTruth作为输入，通过imuSensor输出含噪声的IMU测量值，通过gpsSensor输出含噪声的GPS定位值。

% 参考轨迹：匀速直线+圆弧 t = 0:0.01:100; positions = zeros(length(t), 3); % 预定义轨迹点 % ... 这里可以自己填充轨迹生成逻辑 ... % IMU仿真传感器 imu = imuSensor('accel-gyro', 'SampleRate', 100); [accel_data, gyro_data] = imu(accel_true, gyro_true, orientation_true); % GPS仿真传感器 gps = gpsSensor('UpdateRate', 10, 'ReferenceLocation', origin); [lla_data, gps_vel] = gps(position_enu, velocity_enu);

仿真数据的优势是参考轨迹已知，可以直接算误差曲线。在调代码阶段，先用仿真数据验证滤波器不会发散、协方差能收敛，再换真实数据，能省大量调试时间。

6.2 误差曲线绘制和分析

融合结果的评估一般画三张图：

• 融合轨迹 vs 纯IMU积分轨迹 vs GPS原始轨迹 vs 真值轨迹
• 位置误差曲线（X/Y/Z三轴分别画，或者画整体距离误差）
• 姿态误差曲线和协方差曲线

MATLAB画图代码很直接：

figure; plot(gps_pos(:,1), gps_pos(:,2), 'r.', 'MarkerSize', 6); hold on; plot(imu_pos(:,1), imu_pos(:,2), 'g-'); plot(fused_pos(:,1), fused_pos(:,2), 'b-', 'LineWidth', 1.5); plot(truth_pos(:,1), truth_pos(:,2), 'k--', 'LineWidth', 1.2); legend('GPS原始','纯IMU积分','ESKF融合','真值'); xlabel('东向位置 (m)'); ylabel('北向位置 (m)'); axis equal; grid on;

我实测下来，纯IMU积分在30秒后位置误差超过50米，GPS原始轨迹有锯齿状跳变但整体不飘，ESKF融合轨迹既平滑又贴合真值。最直观的是在转弯阶段，IMU积分的轨迹半径明显偏大，融合轨迹则与真值基本重合，说明姿态误差被GPS有效修正。

误差定量分析时，用均方根误差（RMSE）比单看峰值更客观。我的测试结果：纯IMU的位置RMSE约为18米，GPS原始约为3.5米，融合后约为1.2米。这个提升幅度说明ESKF很好地发挥了两个传感器的互补作用。

7. 常见问题与排查技巧

7.1 滤波器发散原因排查表

把我在调试过程中遇到的典型问题整理成一张表，方便大家按图索骥：

7.2 数值稳定性和防发散技巧

MATLAB里矩阵运算虽然稳，但卡尔曼滤波的数值问题还是防不胜防。我额外做了三件事：

第一，协方差矩阵对称化处理。由于数值舍入误差，P矩阵会逐渐变得不对称，导致更新结果不可靠。每次更新后执行P = (P + P') / 2;即可。

第二，状态反馈后协方差矩阵的处理。ESKF在误差修正后需要做“重置”操作，这个重置会让P矩阵变化，处理公式是P ← A·P·Aᵀ，其中A是跟误差状态相关的雅可比矩阵。新手常犯的错误是干脆不处理，直接把P留着，结果就是滤波器的置信度信息失真。

第三，对状态量做可观测性检查。某些状态下，比如静止时，航向角误差不可观。如果你发现某个状态量的方差长时间不下降，不必恐慌，这是系统的可观测性决定的，不是代码有问题。等载体动起来，方差自然收敛。

7.3 实机测试中容易踩的坑

仿真跑通了，真机测试照样一堆坑。第一个坑是IMU数据轴方向和GPS坐标轴方向不一致。很多模块的坐标系定义跟ENU不一致，需要做坐标系变换矩阵，最稳妥的方式是用已知方向简单运动测试，检查三个轴的响应方向是否正确。

第二个坑是设备间的时钟不同步导致的数据时间偏移。GPS输出的是UTC时间，IMU用的是单片机时钟，两者可能差几百毫秒。我遇到的现象是每次转弯时融合轨迹都会多转一点，后来发现是IMU数据整体比GPS早大约200毫秒。解决方式是做时间偏移标定，或者用PPS秒脉冲对齐。

第三个坑是安装位置导致的杆臂效应。IMU和GPS天线安装位置不同，在车辆转弯时会产生几十厘米的伪速度，对高精度场景有影响。简单做法是测出杆臂长度并在观测更新前补偿。

8. 扩展方向和优化建议

8.1 从2D到3D：加入高程信息

很多场景只需要平面定位，但做无人机或者车辆行驶在坡道路段时，海拔信息不可忽略。这套程序支持的三维位置状态可以直接处理3D场景。GPS高程误差一般比水平误差大，所以R矩阵的z轴分量要适当放大。另外IMU的z轴加速度对竖直方向的运动响应也很灵敏，融合后高程轨迹通常比纯GPS平滑得多。

8.2 增加磁力计和气压计作为额外观测源

一个自然的扩展方向是加入磁力计修正航向，气压计修正高度。磁力计容易受周围磁场干扰，建议仅在环境稳健时启用，或者做干扰检测后再融合。气压计本质上是测量气压差来推算高度变化，对短时间高度变化很灵敏，适合抑制Z轴漂移。

ESKF框架下加观测源就是在update里新增观测方程的问题，代码结构不需要做大的改动。这个扩展也是我一直推荐大家去做实验的方向，体会“多传感器融合”这个词的真实含义。

8.3 图形化界面和代码打包

如果要把这套程序给不熟悉MATLAB的同事用，可以考虑做成App Designer界面，可视化显示轨迹、参数调节面板成一个整体。MATLAB的编译器还能把整个程序打包成独立可执行文件，在没有MATLAB环境的电脑上运行。这件事我做过几次，效果不错，适合给非技术背景的团队成员展示Demo。

9. 写在最后：实践中的一点体会

回看这套GPS+IMU融合程序，最核心的收获不是跑通了算法，而是理解了“融合”这件事的本质。传感器融合不是搞一个滤波器就完事，数据质量、时间同步、坐标系、安装环境，这些工程细节对最终效果的影响，往往比算法本身更大。

如果你的程序跑出了不理想的轨迹，别急着怀疑卡尔曼滤波的公式写错了——先画一张原始传感器数据的时间序列图，看看有没有跳变、丢帧和坐标系反号的问题。数据质量过关了，滤波器才能发挥出应有的水平。

如果你的还在课程设计或者入门阶段，建议先把这个MATLAB版本调通，再去碰C++或者ROS实现。MATLAB把矩阵运算、绘图调试这些脏活累活都帮你包掉了，省下的时间正好用来啃透算法原理。等算法已经了然于胸，换语言只是工作量问题，不是技术问题。

这套代码里我用到的参数和阈值，都是针对特定传感器和场景标定的，直接套用其他设备未必合适。动手改一改，或者拿自己的数据跑一跑，看看算法会怎么表现，才会真正做得扎实。数据融合这条路，动手越早，理解越深。

本文还有配套的精品资源，点击获取