基于零速修正辅助MIMU的行人导航算法研究

针对微惯性测量单元(MIMU)误差积累问题,根据行人行走过程中每一次迈步的落地阶段短时间内速度可保持为0的特性,在零速时刻利用系统输出对系统误差进行估计,从而提高导航精度。对比分析基于加速度、角速度、加速度方差和加速度与角速度组合的4种零速检测算法,结果表明,在步态平缓、行走距离较短的情况下,4种算法都能达到较高的精度,其中组合检测法精度最高。     

基于MEMS的室内定位误差修正方法研究

根据室内惯性定位存在误差累积的特点,建立广义似然比检测的方法进行零速度检测,利用Kalman滤波对检测到的"零速度"时刻进行零速修正(zero velocity update,ZUPT),从而有效降低系统累积误差。但行人行走过程中存在的无效振动,导致测得的加速度和角速度数据中出现明显的噪声,这对长时间定位精度产生较大的影响。文中提出在利用Kalman滤波进行误差校正之前首先采用Butterworth低通滤波滤除加速度和角速度数据中由无效振动引起的高频部分,即噪声部分,从而消除行人运动过程中的无效振动对定位精度的影响。     

多传感器行人航位推算方法和UKF融合算法

针对利用惯性测量单元进行行人航位推算（PDR）时,其定位误差会随时间累积的问题,提出了一种基于多传感器融合的室内行人航位推算方法;对于智能移动设备的低成本多传感器,设计了基于无迹卡尔曼滤波（UKF）的初始对准,设定4种阈值条件进行步伐状态检测;在行走过程中,针对步长和航向角误差累积的问题,利用基于UKF的零速度更新（ZUPT）对速度误差进行修正,零角速率更新（ZARU）和磁力计融合对航向角误差进行修正,从而有效提高了行人最终的位置精度。试验结果表明：使用该方法可以有效提高PDR位置精度,平均位置偏差占总路程的1.5%左右。     

惯性测量数据的最优实时处理方法

如何提高惯性测量的精度,是惯性测量工作者面临的主要问题。本文首先对目前惯性测量系统中采用的几种实时处理方法进行了分析和比较,提出一种改进的卡尔曼滤波算法。仿真结果表明:改进的卡尔曼滤波算法较卡尔曼滤波定位精度高。     

惯性测量中计算重力元素的新方法

本文首先介绍了用惯性技术测定重力元素的基本原理,并分析了惯性测量系统目前采用的重力元素计算方法的优缺点;并在此基础上提出了一个计算重力元素的新方法。理论分析及防真结果均表明:相对于目前所用方法而言,本文给出的方法不仅计算工作量少、内存量小,而且求得的结果精度高。