传感器融合

返回词汇表

传感器融合是指将来自多个异构传感器的测量数据进行整合，从而以比任何单个传感器所能提供的更高精度、可靠性和鲁棒性来估算系统状态的过程。在惯性导航中，传感器融合会整合来自惯性测量单元（IMU）、GNSS 、磁力计、里程计、数字垂直激光测距仪（DVL）、摄像头、激光雷达（LiDAR）及其他辅助传感器的数据，以持续估算位置、速度和姿态。

每种传感器都具有独特的优势和局限性。MEMS陀螺仪和加速度计可提供高采样率的运动测量数据，且短期稳定性极佳，但通过推算导航会随时间积累偏移和漂移。相反，GNSS 无长期漂移的绝对位置和速度，但会受到信号阻塞、多径效应、干扰以及更新速率受限等问题的影响。传感器融合利用这些互补特性，生成一种在动态和恶劣条件下仍能保持精度的解决方案。

现代传感器融合算法主要依赖贝叶斯估计技术。扩展卡尔曼滤波器（EKF）是非线性导航系统的行业标准。EKF利用IMU 传播惯性解，并通过外部观测数据持续校正累积误差。这种方法可确保导航在长时间内保持准确和稳定。其他方法则采用因子图优化、粒子滤波或平滑算法。算法的选择取决于应用需求、计算资源和系统复杂度。

高性能INS 惯性数据与外部传感器测量数据INS 集成。它们能在GNSS 与GNSS状态之间无缝切换。导航滤波器可实时估计平台状态，同时还能估计传感器偏置、标度因子及其他随机误差源。这些校正措施显著提高了长期精度、稳定性和系统完整性。

传感器融合技术广泛应用于航空航天、国防、海事、测绘、机器人和汽车等领域。通过整合互补的传感器测量数据，该技术可提高精度和鲁棒性，并在严苛环境下增强态势感知能力。因此，当单个传感器无法单独满足性能要求时，系统仍能保持可靠的定位能力。