CN112815937A - 一种冗余惯性测量单元数据融合最优权重估计方法 - Google Patents

Abstract

本发明涉及一种冗余惯性测量单元数据融合最优权重估计方法。将惯性测量单元先后六个面朝上放置于大理石平台上，采集各个位置陀螺仪和加速度计数据。利用加权最小二乘法对陀螺仪和加速度计数据进行数据融合将其转换为惯性测量单元坐标系下等效三轴的测量信息，并根据大理石平台天向角速率和加速度恒定的特点，构建关于加权最小二乘权重的非线性方程组。设计约束型果蝇优化算法估计非线性方程组的最小二范数，得到陀螺仪和加速度计加权最小二乘的最优权重。该发明可对冗余惯性测量单元数据融合最优权重进行估计，利用此权重进行数据融合可有效提高冗余惯性测量单元测量精度。本发明属于惯性导航技术领域，可应用于冗余惯性测量单元数据融合。

Description

一种冗余惯性测量单元数据融合最优权重估计方法

技术领域

本发明涉及一种冗余惯性测量单元数据融合最优权重估计方法，适用于冗余惯性测量单元数据融合的场合。

技术背景

惯性导航是各类运载体实现自主导航的核心技术，因此惯性导航系统的导航精度和可靠性直接影响了运载体的导航性能。在惯性导航技术发展初期，人们就意识到对惯性传感器进行冗余配置的重要性。然而，早期惯性导航冗余的目的主要是提高系统的可靠性。随着冗余惯性测量单元(Redundant Inertial Measurement Unit,RIMU)研究的不断深入以及数据处理技术的发展，越来越多的研究人员试图利用惯性器件的冗余信息进行数据融合以提升其导航精度。

RIMU数据融合在工程上一般采用最简单的最小二乘法，其算法简单且稳定可靠。然而，最小二乘法不分优劣地使用了所有传感器地测量值，因此其测量精度并不高。为了进一步提高RIMU的测量精度，研究人员普遍采用加权最小二乘法进行冗余传感器的数据融合，因此，加权最小二乘法权重的选择成为了新的研究方向。最常用的加权最小二乘法是马尔可夫估计(也称最优加权最小二乘)，马尔可夫估计采用量程噪声方差阵的逆矩阵作为权重矩阵，对于理想的高斯白噪声而言，该权重确实是最优的权重，然而实际噪声往往不是理想的高斯白噪声。此外，对于权重选择的研究，有基于零偏稳定性配置权重的，也有基于有限时间噪声方差配置权重的，但研究对象都为测量噪声。实际上，惯性传感器对测量精度的影响不仅仅是测量噪声，还包括零偏重复性、标度因数重复性等多种因素。

因此，如何在考虑多种影响因素的情况下配置合理的加权最小二乘权重成为进一步提高RIMU测量精度的新途径。

发明内容

本发明解决的技术问题是：针对RIMU在利用加权最小二乘法进行数据融合时如何配置最优权重的问题，提出了一种RIMU数据融合最优权重估计方法。本发明方法通过采集不同位置RIMU数据，并根据静止位置天向角速率和加速度恒定的特点，构建关于加权最小二乘权重的非线性方程组；设计约束型果蝇优化算法估计非线性方程组的最小二范数，以此获得RIMU数据融合的最优权重。该发明不单独考虑某个因素对测量精度的影响，而是基于不同位置激活影响测量精度的各种因素，然后根据实际测量数据估计最优权重。估计出的权重充分考虑了各种影响因素，可有效提高RIMU数据融合的测量精度。

本发明的技术解决方案：

将RIMU先后六个面朝上放置于大理石平台上，采集各个位置陀螺仪和加速度计数据，利用加权最小二乘法对陀螺仪和加速度计数据进行数据融合将其转换为RIMU坐标系下等效三轴的测量信息，并根据大理石平台天向角速率和加速度恒定的特点，构建关于加权最小二乘权重的非线性方程组。具体包括以下步骤：

(1)分别将RIMUx轴朝上、x轴朝下、y轴朝上、y轴朝下、z轴朝上和z轴朝下依次放置于大理石平台上，定义为位置1～6，在每个位置每1秒采集1组陀螺仪和加速度计数据，持续采集1分钟，分别对陀螺仪和加速度计构建各位置单组数据的非线性方程如下：

其中，

和

分别表示第1～6个位置第j组数据关于陀螺仪和加速度计加权最小二乘权重的非线性函数，j＝1,2,...,60，W_g和W_a分别表示陀螺仪和加速度计加权最小二乘权重矩阵，H_g和H_a分别表示陀螺仪和加速度计的配置结构矩阵，ω_r1j、ω_r2j、ω_r3j、ω_r4j、ω_r5j和ω_r6j分别表示所有陀螺仪在第1～6个位置采集的第j组数据，a_r1j、a_r2j、a_r3j、a_r4j、a_r5j和a_r6j分别表示所有加速度计在第1～6个位置采集的第j组数据，|_x、|_y和|_z分别表示取RIMU坐标系x、y和z轴数据，Ω表示地球自转角速率的大小，sin表示正弦函数，L表示当地纬度，G表示当地重力加速度大小。

(2)利用惯性测量单元各个位置采集的所有数据分别对陀螺仪和加速度计构建关于加权最小二乘权重的非线性方程组如下：

其中，F_g和F_a分别表示对陀螺仪和加速度计的关于加权最小二乘权重的非线性函数组，

和

分别表示第i个位置第j组数据构建的对陀螺仪和加速度计的非线性函数，i＝1,2,...,6。

(3)非线性方程组的二范数表示如下：

其中，|| ||₂表示二范数。

(4)将公式(3)和公式(4)中非线性方程组的最优解转换为求其二范数最小值的优化问题，如下：

其中，min表示取最小值，s.t.表示约束条件，diag表示将向量转换为对角矩阵的构建函数，w_gn表示第n个陀螺仪的权重，n＝1,2,...,N，N为陀螺仪个数，w_am表示第m个加速度计的权重，m＝1,2,...,M，M为加速度计个数。

(5)设计约束型果蝇优化算法对最小二范数进行最优估计，最终获得陀螺仪加权最小二乘的最优权重。约束型果蝇优化算法设计如下：

(a)初始化果蝇群体位置：

其中，D_{_axis}表示果蝇群体位置K维向量，d_{k_axis}表示果蝇群体位置向量中第k维的值，k＝1,2,...,K，初始化时d_{k_axis}随机给定。

(b)以群体位置为中心，果蝇个体随机向四周飞出觅食，果蝇个体位置具体表示如下：

其中，D_l表示第l个果蝇个体位置，l＝1,2,...,L，L为群体中的果蝇总数，R_k表示果蝇个体位置向量中第k维的随机数。

(c)计算果蝇个体味道浓度和味道污染度：

其中，S_l为第l个果蝇个体的味道浓度，P_l为第l个果蝇个体的味道污染度，sFunction为味道浓度判定函数，pFunction为味道污染度判定函数。

对于陀螺仪，味道浓度判定函数可表示如下：

sFunction(D_gl)＝1/||F_g(diag(D_gl))||₂ (12)

其中，D_gl为应用于陀螺仪时的果蝇个体位置。

对于加速度计，味道浓度判定函数可表示如下：

sFunction(D_al)＝1/||F_a(diag(D_al))||₂ (13)

其中，D_al为应用于加速度计时的果蝇个体位置。

对于陀螺仪，味道污染度判定函数可表示如下：

其中，ε_g为一个较小的正数，根据实际情况确定，d_gln为应用于陀螺仪时的果蝇个体位置向量第n维的值。

对于加速度计，味道污染度判定函数可表示如下：

其中，ε_a为一个较小的正数，根据实际情况确定，d_alm为应用于加速度计时的果蝇个体位置向量第m维的值。

(d)计算果蝇群体位置处的味道浓度和味道污染度，将所有果蝇个体位置和群体位置一起考虑，先按味道污染度升序排序，味道污染度相同的按味道浓度降序排序，取排序第一为最佳果蝇个体，该个体的味道污染度、味道浓度及位置保留为最优味道污染度、最优味道浓度及最优位置，所有果蝇个体向该位置聚集，该位置即更新为新的群体位置，具体表示如下：

其中，S_{_axis}为群体位置处的味道浓度，P_{_axis}为群体位置处的味道污染度，S_{_best}为最优味道浓度，P_{_best}为最优味道污染度，D_{_best}为最优位置。

(e)设置合理的果蝇总数和迭代次数，重复步骤(b)～(d)迭代计算，最后更新的群体位置即为最终的最优位置。

(6)将约束型果蝇优化算法估计出的最优位置转换为陀螺仪和加速度计加权最小二乘的最优权重矩阵：

W_{g_best}＝diag(D_{g_axis}) (17)

W_{a_best}＝diag(D_{a_axis}) (18)

其中，W_{g_best}和W_{a_best}分别为陀螺仪和加速度计加权最小二乘最优权重，D_{g_axis}和D_{a_axis}分别为应用于陀螺仪和加速度计时获得的最优位置。

本发明所述的RIMU的配置结构包含三轴正交多表结构、斜置冗余结构、正棱锥结构、正四面体结构、正十二面体结构和十八面体结构。

本发明的发明原理是：通过在大理石平台上变换不同的RIMU摆放位置充分激活各项影响测量精度的因素，并根据静止位置天向角速率和加速度恒定的特点，构建关于加权最小二乘权重的非线性方程组；设计约束型果蝇优化算法估计该非线性方程组的最小二范数，以此获得RIMU数据融合的最优权重。

本发明的方案与现有方案比，主要优点在于：估计的加权最小二乘权重充分考虑了各种影响RIMU测量精度的因素，而不是仅采用其中一种影响因素来配置权重，可进一步有效提高RIMU数据融合测量精度。

附图说明

图1具体实施方案图；

图2 RIMU在大理石平台上摆放位置1图；

图3 RIMU在大理石平台上摆放位置2图；

图4 RIMU在大理石平台上摆放位置3图；

图5 RIMU在大理石平台上摆放位置4图；

图6 RIMU在大理石平台上摆放位置5图；

图7 RIMU在大理石平台上摆放位置6图。

具体实施方案

本发明的具体实施方案如图1所示，将RIMU先后六个面朝上放置于大理石平台上，采集各个位置陀螺仪和加速度计数据，利用加权最小二乘法对陀螺仪和加速度计数据进行数据融合将其转换为RIMU坐标系下等效三轴的测量信息，并根据大理石平台天向角速率和加速度恒定的特点，构建关于加权最小二乘权重的非线性方程组。之后将构建的非线性方程组的最优解求解问题转换为求其二范数最小值的优化问题，并设计约束型果蝇优化算法进行最优估计，最终获得RIMU中陀螺仪和加速度计加权最小二乘的最优权重。具体实施步骤如下：

(1)分别将RIMUx轴朝上、x轴朝下、y轴朝上、y轴朝下、z轴朝上和z轴朝下依次放置于大理石平台上，如图2～图7所示，定义为位置1～6，在每个位置每1秒采集1组陀螺仪和加速度计数据，持续采集1分钟，分别对陀螺仪和加速度计构建各位置单组数据的非线性方程如下：

其中，

和

分别表示第1～6个位置第j组数据关于陀螺仪和加速度计加权最小二乘权重的非线性函数，j＝1,2,...,60，W_g和W_a分别表示陀螺仪和加速度计加权最小二乘权重矩阵，H_g和H_a分别表示陀螺仪和加速度计的配置结构矩阵，ω_r1j、ω_r2j、ω_r3j、ω_r4j、ω_r5j和ω_r6j分别表示所有陀螺仪在第1～6个位置采集的第j组数据，a_r1j、a_r2j、a_r3j、a_r4j、a_r5j和a_r6j分别表示所有加速度计在第1～6个位置采集的第j组数据，|_x、|_y和|_z分别表示取RIMU坐标系x、y和z轴数据，Ω表示地球自转角速率的大小，sin表示正弦函数，L表示当地纬度，G表示当地重力加速度大小。

(2)以陀螺仪为例，利用RIMU各个位置采集的所有数据构建关于加权最小二乘权重的非线性方程组如下：

其中，F_g表示关于加权最小二乘权重的非线性函数组，

表示第i个位置第j组数据构建的非线性函数，i＝1,2,...,6。

(3)非线性方程组的二范数表示如下：

其中，|| ||₂表示二范数。

(4)将公式(21)中非线性方程组的最优解转换为求其二范数最小值的优化问题，如下：

其中，min表示取最小值，s.t.表示约束条件，diag表示对角矩阵，w_gn表示第n个陀螺仪的权重，n＝1,2,...,N，N为陀螺仪个数。

(5)设计约束型果蝇优化算法，首先初始化果蝇群体位置：

其中，D_{_axis}表示果蝇群体位置K维向量，d_{k_axis}表示果蝇群体位置向量中第k维的值，k＝1,2,...,K，初始化时d_{k_axis}随机取值；应用于陀螺仪时，取K＝N。

(6)以群体位置为中心，果蝇个体随机向四周飞出觅食，果蝇个体位置具体表示如下：

其中，D_l表示第l个果蝇个体位置，l＝1,2,...,L，L为群体中的果蝇总数，R_k表示果蝇个体位置向量中第k维的随机数。

(7)计算果蝇个体味道浓度和味道污染度：

其中，S_l为第l个果蝇个体的味道浓度，P_l为第l个果蝇个体的味道污染度，sFunction为味道浓度判定函数，pFunction为味道污染度判定函数。

对于陀螺仪，味道浓度判定函数可表示如下：

sFunction(D_gl)＝1/||F_g(diag(D_gl))||₂ (27)

其中，D_gl为应用于陀螺仪时的果蝇个体位置。

味道污染度判定函数可表示如下：

其中，在本案例中ε_g取0.01，其他案例可视具体情况确定，d_gln为应用于陀螺仪时的果蝇个体位置向量第n维的值。

(8)计算果蝇群体位置处的味道浓度和味道污染度，将所有果蝇个体位置和群体位置一起考虑，先按味道污染度升序排序，味道污染度相同的按味道浓度降序排序，取排序第一为最佳果蝇个体，该个体的味道污染度、味道浓度及位置保留为最优味道污染度、最优味道浓度及最优位置，所有果蝇个体向该位置聚集，该位置即更新为新的群体位置，具体表示如下：

其中，S_{_axis}为群体位置处的味道浓度，P_{_axis}为群体位置处的味道污染度，S_{_best}为最优味道浓度，P_{_best}为最优味道污染度，D_{_best}为最优位置。

(9)本案例中，设置果蝇总数为100和迭代次数为100，其他案例可视情况设置果蝇总数和迭代次数。对优化算法迭代计算，最后更新的群体位置即为最终的最优位置，将最优位置转换为陀螺仪加权最小二乘的最优权重矩阵：

W_{g_best}＝diag(D_{g_axis}) (30)

其中，W_{g_best}为陀螺仪加权最小二乘最优权重，D_{g_axis}为应用于陀螺仪时获得的最优位置；

同理，按陀螺仪加权最小二乘最优权重估计的步骤，可估计出加速度计加权最小二乘的最优权重矩阵。

为了验证本发明方法的有效性和优越性，以正四面体冗余配置RIMU陀螺仪为例，分别采用本发明方法、最小二乘法和马尔可夫估计法对RIMU进行数据融合仿真，比较这三种方法的数据融合测量精度。由于仿真的局限性，无法对所有影响测量精度的因素进行模拟，在此仅对零偏重复性和零偏稳定性进行仿真。仿真条件按三种情况进行设置，分别如下：

(1)零偏重复性一致，零偏稳定性升序变化；

(2)零偏重复性升序变化，零偏稳定性一致；

(3)零偏重复性降序变化，零偏稳定性升序变化。

具体仿真参数如表1所示。

表1仿真用RIMU陀螺仪参数

每种仿真中，先按本发明方法估计RIMU数据融合最优权重，然后将RIMU静止放置，采用1000次蒙特卡洛仿真法分别使用本发明方法、最小二乘法和马尔可夫估计法的权重对RIMU数据进行加权最小二乘数据融合。其中，最小二乘法的权重矩阵为单位阵，马尔可夫估计法的权重矩阵为噪声方差阵的逆矩阵。蒙特卡洛仿真结果如表2所示。

表2 1000次蒙特卡洛仿真结果

从蒙特卡洛仿真结果可以看出，仿真(1)中零偏重复性一致，因此影响权重取值的只有零偏稳定性，而零偏稳定性的仿真采用理想高斯白噪声，理论上马尔可夫估计法的权重为最优权重，从结果看本发明方法所获得的测量精度与马尔可夫估计法相当，因此可验证本发明方法的有效性。在仿真(2)中零偏稳定性一致，因此马尔可夫估计法的权重为单位矩阵，与最小二乘法一致，其测量精度也一致，两者均没有考虑零偏重复性对权重的影响，而本发明方法充分考虑各种影响因素，包含零偏重复性，因此其测量精度均明显由于前两者。在仿真(3)中零偏稳定性升序变化，而零偏重复性降序变化，两者正好抵消，因此最小二乘法表现出最好的测量精度，而马尔可夫估计由于仅考虑零偏稳定性，其测量精度较差，本发明方法获得了与最小二乘法相当的效果。

整体来说，最小二乘法适合所有传感器测量精度一致的情况，而马尔可夫估计适合RIMU测量精度仅受零偏稳定性影响的情况，这两种情况在实际使用中均较难实现。而本发明方法综合考虑了各种影响RIMU测量精度的因素，仅需要对具体的RIMU进行标定即可获得其最优权重，更适合RIMU数据融合的实际应用。

因此，本发明方法可对RIMU数据融合中加权最小二乘的权重进行最优估计，很好地解决了实际应用中加权最小二乘法权重配置不佳的问题，明显改善了RIMU测量精度，为RIMU高精度长航时导航提供了技术基础。

本发明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (8)

1.一种冗余惯性测量单元数据融合最优权重估计方法，其特征在于将惯性测量单元先后六个面朝上放置于大理石平台上，采集各个位置陀螺仪和加速度计数据，利用加权最小二乘法对陀螺仪和加速度计数据进行数据融合将其转换为惯性测量单元坐标系下等效三轴的测量信息，并根据大理石平台天向角速率和加速度恒定的特点，构建关于加权最小二乘权重的非线性方程组，具体包括以下步骤：

(1)分别将惯性测量单元x轴朝上、x轴朝下、y轴朝上、y轴朝下、z轴朝上和z轴朝下依次放置于大理石平台上，定义为位置1～6，在每个位置每1秒采集1组陀螺仪和加速度计数据，持续采集1分钟，分别对陀螺仪和加速度计构建各位置单组数据的非线性方程如下：

其中，

和

分别表示第1～6个位置第j组数据关于陀螺仪和加速度计加权最小二乘权重的非线性函数，j＝1,2,...,60，W_g和W_a分别表示陀螺仪和加速度计加权最小二乘权重矩阵，H_g和H_a分别表示陀螺仪和加速度计的配置结构矩阵，ω_r1j、ω_r2j、ω_r3j、ω_r4j、ω_r5j和ω_r6j分别表示所有陀螺仪在第1～6个位置采集的第j组数据，a_r1j、a_r2j、a_r3j、a_r4j、a_r5j和a_r6j分别表示所有加速度计在第1～6个位置采集的第j组数据，|_x、|_y和|_z分别表示取惯性测量单元坐标系x、y和z轴数据，Ω表示地球自转角速率的大小，sin表示正弦函数，L表示当地纬度，G表示当地重力加速度大小；

(2)利用惯性测量单元各个位置采集的所有数据分别对陀螺仪和加速度计构建关于加权最小二乘权重的非线性方程组如下：

其中，F_g和F_a分别表示对陀螺仪和加速度计的关于加权最小二乘权重的非线性函数组，

和

分别表示第i个位置第j组数据构建的对陀螺仪和加速度计的非线性函数，i＝1,2,...,6；

(3)对公式(3)和公式(4)求最优解，其值即为陀螺仪和加速度计加权最小二乘的最优权重。

2.根据权利要求1所述的一种冗余惯性测量单元数据融合最优权重估计方法，其特征还在于将公式(3)和公式(4)的最优解求解问题转换为求其二范数最小值的优化问题，并设计约束型果蝇优化算法进行最优估计，最终获得陀螺仪和加速度计加权最小二乘的最优权重，具体包括以下步骤：

(1)公式(3)和公式(4)的二范数表示如下：

其中，|| ||₂表示二范数；

(2)将公式(3)和公式(4)中非线性方程组的最优解转换为求其二范数最小值的优化问题，如下：

其中，min表示取最小值，s.t.表示约束条件，diag表示将向量转换为对角矩阵的构建函数，w_gn表示第n个陀螺仪的权重，n＝1,2,...,N，N为陀螺仪个数，w_am表示第m个加速度计的权重，m＝1,2,...,M，M为加速度计个数；

(3)设计约束型果蝇优化算法分别对公式(7)和公式(8)进行最优估计，获得陀螺仪和加速度计加权最小二乘的最优权重。

3.根据权利要求1所述的一种冗余惯性测量单元数据融合最优权重估计方法，其特征还在于权利要求2所述的约束型果蝇优化算法具体包括以下步骤：

(1)初始化果蝇群体位置：

其中，D_{_axis}表示果蝇群体位置K维向量，d_{k_axis}表示果蝇群体位置向量中第k维的值，k＝1,2,...,K，初始化时d_{k_axis}随机给定；

(2)以群体位置为中心，果蝇个体随机向四周飞出觅食，果蝇个体位置具体表示如下：

其中，D_l表示第l个果蝇个体位置，l＝1,2,...,L，L为群体中的果蝇总数，R_k表示果蝇个体位置向量中第k维的随机数；

(3)计算果蝇个体味道浓度和味道污染度：

其中，S_l为第l个果蝇个体的味道浓度，P_l为第l个果蝇个体的味道污染度，sFunction为味道浓度判定函数，pFunction为味道污染度判定函数；

(4)计算果蝇群体位置处的味道浓度和味道污染度，将所有果蝇个体位置和群体位置一起考虑，先按味道污染度升序排序，味道污染度相同的按味道浓度降序排序，取排序第一为最佳果蝇个体，该个体的味道污染度、味道浓度及位置保留为最优味道污染度、最优味道浓度及最优位置，所有果蝇个体向该位置聚集，该位置即更新为新的群体位置，具体表示如下：

其中，S_{_axis}为群体位置处的味道浓度，P_{_axis}为群体位置处的味道污染度，S_{_best}为最优味道浓度，P_{_best}为最优味道污染度，D_{_best}为最优位置；

(5)设置果蝇总数L和迭代次数，具体果蝇总数和迭代次数根据实际情况确定，重复权利要求3中的步骤(1)～(4)，迭代计算，最后更新的群体位置即为最终的最优位置。

4.根据权利要求1所述的一种冗余惯性测量单元数据融合最优权重估计方法，其特征还在于权利要求3所述的果蝇群体或个体的位置，在应用于陀螺仪时位置的维度为陀螺仪的个数，即K＝N；在应用于加速度计时位置的维度为加速度计的个数，即K＝M。

5.根据权利要求1所述的一种冗余惯性测量单元数据融合最优权重估计方法，其特征还在于权利要求3所述的味道浓度判定函数，根据公式(7)，在应用于陀螺仪时表示如下：

sFunction(D_gl)＝1/||F_g(diag(D_gl))||₂ (13)

其中，D_gl为应用于陀螺仪时的果蝇个体位置；

根据公式(8)，在应用于加速度计时表示如下：

sFunction(D_al)＝1/||F_a(diag(D_al))||₂ (14)

其中，D_al为应用于加速度计时的果蝇个体位置。

6.根据权利要求1所述的一种冗余惯性测量单元数据融合最优权重估计方法，其特征还在于权利要求3所述的味道污染度判定函数，根据公式(7)，在应用于陀螺仪时表示如下：

其中，ε_g取一个较小的正数，根据实际情况确定，d_gln为应用于陀螺仪时的果蝇个体位置向量第n维的值；

根据公式(8)，在应用于加速度计时表示如下：

其中，ε_a取一个较小的正数，根据实际情况确定，d_alm为应用于加速度计时的果蝇个体位置向量第m维的值。

7.根据权利要求1所述的一种冗余惯性测量单元数据融合最优权重估计方法，其特征还在于权利要求3的步骤(5)得到最优位置后，在应用于陀螺仪时将最优位置转换为陀螺仪加权最小二乘的最优权重矩阵：

W_{g_best}＝diag(D_{g_axis}) (17)

其中，W_{g_best}为陀螺仪加权最小二乘最优权重，D_{g_axis}为应用于陀螺仪时获得的最优位置；

在应用于加速度计时将最优位置转换为加速度计加权最小二乘的最优权重矩阵：

W_{a_best}＝diag(D_{a_axis}) (18)

其中，W_{a_best}为加速度计加权最小二乘最优权重，D_{a_axis}为应用于加速度计时获得的最优位置。

8.根据权利要求1所述的一种冗余惯性测量单元数据融合最优权重估计方法，其特征还在于所述的冗余惯性测量单元的配置结构包含三轴正交多表结构、斜置冗余结构、正棱锥结构、正四面体结构、正十二面体结构和十八面体结构。

Images