惯性传感器在航空航天系统中主要用于姿态控制和导航。微机电系统的进步促进了微型惯性传感器的发展，该装置进入了许多新的应用领域，从无人驾驶飞机到人体运动跟踪。在捷联式 IMU 中，角速度、加速度、磁场矢量是在传感器固有的三维坐标系中测量的数据。估计传感器相对于坐标系的方向，速度或位置，需要对相应的传感数据进行捷联式积分和传感数据融合。在传感器融合的研究中，现已提出了许多非线性滤波器方法。但是，当涉及到大范围的不同的动态/静态旋转、平移运动时，由于需要根据情况调整加速度计和陀螺仪融合权重，可达到的精度受到限制。为克服这些局限性，该项研究利用人工神经网络对常规滤波算法的优化和探索。

01 常规滤波算法的不足

惯性姿态估计的现有解决方案通常基于模型和启发式参数化。研究人员会使用测量误差，三维旋转和重力加速度转换的数学模型，选择合理的协方差矩阵，融合权重或定义权重调整方式等参数。尽管在许多应用领域中使用这种解决方案已经获得了相当高的精度，但是众所周知，对于不同类型的运动和干扰，不同的参数化效果也不同。

02 姿态估计问题

对测量获取的四元数和预估的四元数之间进行误差计算

给定一个在空间中自由移动的，基于 MEMS 的 IMU 的三维加速度计和陀螺仪读数的采样序列，估算每个采样时刻 IMU 相对于参考坐标系的姿态。利用算法获取四元数估计值

专栏文章内容及配图由作者撰写发布，仅供工程师学习之用，如有侵权或者其他违规问题，请联系本站处理。 联系我们