传感器融合
传感器融合是将来自多个异构系统的测量结果结合起来的过程，以便以比任何单个传感器所能提供的更高的准确性、可靠性和鲁棒性来估计系统的状态。在惯性导航中，传感器融合整合来自 IMU、GNSS 接收机、磁力计、里程计、DVL、摄像机、LiDAR 和其他辅助传感器的数据，以持续估计位置、速度和姿态。
每个传感器都表现出独特的优势和局限性。MEMS 陀螺仪和加速度计提供具有极佳短期稳定性的高频运动测量，但随着时间的推移，通过推算定位会累积偏差和漂移。相反，GNSS 提供没有长期漂移的绝对位置和速度，但会受到信号阻塞、多径、干扰和有限更新率的影响。传感器融合利用这些互补特性来产生在动态和恶劣条件下保持准确的解决方案。
现代传感器融合算法主要依赖贝叶斯估计技术。扩展卡尔曼滤波（EKF）是用于非线性导航系统的行业标准。EKF 使用高频 IMU 测量传播惯性解决方案。它使用外部观测不断纠正累积的误差。这种方法随着时间的推移保持了准确且稳定的导航。其他方法则实现了因子图优化、粒子滤波器或平滑算法。算法的选择取决于应用要求、计算资源和系统复杂度。
高性能 GNSS/INS 将惯性数据与外部传感器测量紧密结合。它们在 GNSS 可用性和GNSS 拒止操作之间无缝转换。导航滤波器实时估计平台状态。它还估计传感器偏差、比例因子和其他随机误差源。这些校正显著提高了长期准确性、稳定性和系统完整性。
传感器融合支持国防、海洋、测绘、机器人和汽车应用。通过结合互补的传感器测量，它提高了准确性和鲁棒性。它还增强了在具有挑战性环境中的态势感知。因此，当单个传感器无法单独满足性能要求时，系统能够保持可靠的定位。
