2021-11-04

惯导的思路总结

INS是利用惯性传感器（IMU）测量载体的比力及角速度信息，结合给定的初始条件，与GNSS等系统的信息融合，从而实现实时推算、位置、姿态等参数的自主式导航系统。惯导属于一种推算导航方式，即从一已知点的位置根据连续测得的运载体航向角和速度推算出下一点的位置，因而可连续测出运动主题的当前位置。
惯导系统短期内是算法的竞争，惯导中使用的核心算法主要包括：（1）惯导导航解算算法，包括MEMS惯性传感器的标定等硬件信息的处理，速度、加速度、航向及姿态的确定等；（2）组合导航的卡尔曼滤波器的耦合，对IMU及GNSS等的输出信号进行融合。（3）环境特征信息与惯导融合是必然趋势。

一、惯导导航解算算法

姿态算法：对陀螺仪输出的角速度进行积分得到姿态增量，叠加到上次的姿态上；
比力坐标转换：从IMU载体坐标系到位置、速度求解坐标系（惯性坐标系）；
速度更新：许哟啊考虑重力加速度的去除，得到惯性系下的加速度，通过积分得到速度；
位置更新：通过速度积分得到位置
在惯导中，导航方程的每一次迭代都需要利用上一次的导航结果作为初始值，因此惯导的初始化是比较重要的部分之一。

二、基于卡尔曼滤波器组合导航的定位结果融合

分为松耦合和紧耦合两种方式，惯导解算的结果用于卡尔曼滤波器的时间更新，即预测；而GNSS、点云定位结果用于卡尔曼滤波器的量测更新。卡尔曼滤波会输出位置、速度、姿态的误差用来修正惯导模块，IMU期间误差用来补偿IMU原始数据。

三、环境特征信息与惯导融合是必然趋势

目前常用的GNSS+IMU组合惯导方案在一些场景的定位精度稳定性仍不能完全满足自动驾驶的要求，例如城市楼宇群、地下车库等GNSS长时间信号微弱的场景下，依靠GNSS信号更新精确定位稳定性不足，因此必须引入新的精确定位哥你性能数据源，在组合导航中引入并融合激光雷达/视觉传感器定位等环境信息进行融合定位成为必然趋势。
环境特征信息与惯导融合可以大大提升高精度定位系统的的场景覆盖能力。

参考文献《惯性导航丨自动驾驶不可或缺的定位系统核心 www.asensing.com》