摘要 - 由于微機(jī)電系統(tǒng)（MEMS）的發(fā)展，有可能制造出小尺寸和廉價(jià)的加速度計(jì)和陀螺儀，這些加速度計(jì)和陀螺儀被用于執(zhí)行GPS / INS集成的許多應(yīng)用中，例如識別軌道缺陷，導(dǎo)航，地理參考，農(nóng)業(yè)等。盡管這些MEMS設(shè)備具有低成本，但它們呈現(xiàn)出不同的誤差，這些誤差在短時(shí)間內(nèi)降低了導(dǎo)航系統(tǒng)的精度。因此，為了提高系統(tǒng)性能，須對這些誤差進(jìn)行適當(dāng)?shù)慕！Ｔ谶@項(xiàng)工作中，Allan Variance和Power Spectral Density技術(shù)用于識別影響慣性傳感器數(shù)據(jù)的隨機(jī)過程。一旦識別出隨機(jī)分量，就使用一階Gauss-Markov和隨機(jī)游走過程對它們進(jìn)行建模。評估了兩個(gè)模型，將擴(kuò)展卡爾曼濾波器（EKF）的狀態(tài)增加到6和9.隨后，實(shí)現(xiàn)了結(jié)合自回歸濾波器和小波去噪的慣性傳感器的另一種分析和建模，并且在這種情況下，松散的EKF耦合GPS / INS集成策略增加了6,12和18個(gè)狀態(tài)。最后，結(jié)果顯示了這些傳感器誤差模型與GPS中斷條件下的實(shí)際數(shù)據(jù)之間的比較。

在這項(xiàng)工作中，我們使用松散耦合的積分和反饋，通過閉環(huán)糾正INS錯(cuò)誤。該方法將慣性解與具有位置和速度的殘余誤差的GPS數(shù)據(jù)組合作為擴(kuò)展卡爾曼濾波器（EKF）的輸入。INS誤差動(dòng)力學(xué)方程建立在EKF中，最初有9種狀態(tài)用于位置，速度和姿態(tài)誤差。

EKF適用于每個(gè)誤差模型，以評估從先前分析獲得的六個(gè)隨機(jī)誤差模型。首先，實(shí)現(xiàn)了從AV和PSD中提取的兩個(gè)模型，因此擴(kuò)展卡爾曼濾波器的矢量誤差狀態(tài)增加了6和9個(gè)狀態(tài)。隨后，評估了三個(gè)自回歸模型，增加了具有6,12和18個(gè)狀態(tài)的EKF。應(yīng)當(dāng)注意，如果AR模型的階數(shù)增加1，則擴(kuò)展卡爾曼濾波器（EKF）的狀態(tài)向量中的變量將增加6，因?yàn)樵撃Ｐ蛯⒂糜诹鶄€(gè)慣性傳感器中的每一個(gè)。表IV總結(jié)了3DM-GX3傳感器的隨機(jī)模型以及松耦合GPS / INS集成所需的狀態(tài)數(shù)。

用于松散耦合積分的EKF具有針對兩個(gè)模型的15個(gè)狀態(tài)，一個(gè)是利用AV  PSD獲得的模型，其中加速度計(jì)和陀螺儀的偏置不穩(wěn)定性（B）用一階高斯 - 馬爾可夫過程建模。具有15個(gè)狀態(tài)的第二模型是一階AR模型。

為了評估慣性傳感器誤差模型的性能，車輛配備了3DM-G3X MEMS級IMU和帶有u-blox LEA-5X接收器的Sat-Surf平臺[23]。該數(shù)據(jù)集是在城市收集的。

盡管三階AR模型呈現(xiàn)最小誤差，但必須提到的是，可以改進(jìn)這些結(jié)果來計(jì)算確定性誤差并實(shí)現(xiàn)INS對準(zhǔn)。此外，為了保證INS / GPS精確集成，有必要分析慣性傳感器的溫度影響，因?yàn)榛贛EMS的IMU行為取決于溫度。關(guān)于二階AR模型，它使EKF不穩(wěn)定，因此它已從結(jié)果中刪除。還有必要考慮這些模型在具有GPS信號阻塞的不同情況下的行為。

以上文章為部分原文譯文，原文請見https://www.researchgate.net/publication/228326908_Analysis_and_Modelling_of_MEMS_Inertial_Measurement_Unit

版權(quán)所有：

Alex G. Quinchia and

Carles Ferrer?

Universitat Aut`onoma de Barcelona

?Institut de Microelectr `onica de Barcelona

(CNM, CSIC)

Barcelona, Spain

Gianluca Falco

Emanuela Falletti and

Fabio Dovis

Politecnico di Torino and Istituto

Superiore Mario Boella

Turin, Italy