WO2013131471A1 - 一种惯性测量单元的快速标定方法 - Google Patents

一种惯性测量单元的快速标定方法 Download PDF

Info

Publication number
WO2013131471A1
WO2013131471A1 PCT/CN2013/072202 CN2013072202W WO2013131471A1 WO 2013131471 A1 WO2013131471 A1 WO 2013131471A1 CN 2013072202 W CN2013072202 W CN 2013072202W WO 2013131471 A1 WO2013131471 A1 WO 2013131471A1
Authority
WO
WIPO (PCT)
Prior art keywords
measurement unit
calibration
inertial measurement
attitude angle
initial
Prior art date
Application number
PCT/CN2013/072202
Other languages
English (en)
French (fr)
Inventor
牛小骥
李由
张全
刘川川
章红平
施闯
刘经南
Original Assignee
武汉大学
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 武汉大学 filed Critical 武汉大学
Priority to US14/239,145 priority Critical patent/US20140372063A1/en
Publication of WO2013131471A1 publication Critical patent/WO2013131471A1/zh

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P21/00—Testing or calibrating of apparatus or devices covered by the preceding groups
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
    • G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices

Definitions

  • the invention relates to the technical field of MEMS, in particular to a rapid calibration method of an inertial measurement unit.
  • MEMS IMU Inertial Measurement Unit
  • MEMS Micro-Electro Mechanical Systems
  • MEMS Micro-Electro Mechanical Systems
  • the advantages make it widely used in all aspects of people's lives.
  • More and more consumer products are equipped with three-axis gyro and accelerometers, which constitute the MEMS IMU, users can choose the applications they are interested in, such as games, multimedia, personal navigation and so on.
  • the technical problem underlying the present invention is to provide a method of rapid calibration of an inertial measurement unit that can calibrate an inertial measurement unit without any external equipment or reference. Use this method to calibrate the zero offset and scale factor of the inertial sensor to improve its accuracy.
  • Step 1 After the inertial measurement system is warmed up, it is determined whether the initial horizontal attitude angle of the inertial measurement unit is known, and then directly enters Step 3, otherwise go to step 2;
  • Step 2 The inertial measurement unit is kept static for a period of time, and the initial horizontal attitude angle of the inertial measurement unit is approximated according to the accelerometer measurement information and the gyro measurement information of the static period;
  • Step 3 arbitrarily setting an initial heading attitude angle of the inertial measurement unit
  • Step 4 rotating the inertial measurement unit around its measurement center, and based on the known initial horizontal attitude angle or the initial horizontal attitude angle obtained in step 2 and the initial heading attitude angle obtained in step 3, the gyro parameters to be estimated are obtained by calibration calculation and Accelerometer parameters;
  • the position change amount and the speed change amount of the inertial measurement unit are set to zero, respectively, as pseudo position observation information and pseudo speed observation information.
  • the inertial measurement unit is held static for a period of time and in step 2 the inertial measurement unit is rotated about its measurement center, either by manual operation or by other machine operation.
  • step 4 uses the Kalman filter calibration method for calibration calculation, and the specific implementation is as follows.
  • Step 4.1 Modeling the entire calibration calculation process of the Kalman filter calibration method to obtain a calibration model; setting the calibration model based on the known initial horizontal attitude angle or the initial horizontal attitude angle obtained in step 2 and the initial heading attitude angle obtained in step 3 The initial value of the relevant parameter is initialized by the calibration algorithm;
  • Step 4.2 rotating the inertial measurement unit around its measurement center, and performing real-time data processing using the calibration model;
  • Step 4.3 determining whether the IMU parameter to be estimated has converged to the corresponding preset precision, and then proceeding to step 4.4, otherwise continuing the step 4.2;
  • Step 4.4 the calibration action is completed, directly enter step 4.5, or perform a reverse smoothing on the data and then proceed to step 4.5;
  • Step 4.5 the calibration is completed, and the gyro parameters and accelerometer parameters to be estimated are obtained.
  • This calibration method does not require any external equipment or equipment to aid calibration. There is no strict requirement for the calibration action.
  • the handheld IMU can be completed around the IMU measurement center with sufficient non-precision required rotary motion; and some motion guidance can be provided to further improve the calibration efficiency and accuracy;
  • the calibration method can accurately calibrate the zero offset and scale factor of the accelerometer and the gyro in a short time. The whole process can be completed in about 30 seconds. If the motion guidance provided in this method is used, the time can be further shortened. ;
  • This calibration method utilizes a GPS (Global Navigation Satellite System) / INS (Inertial Navigation System) integrated navigation algorithm to calibrate the mid-low precision IMU sensor bias and scale factor.
  • GPS Global Navigation Satellite System
  • INS Inertial Navigation System
  • Pseudo-observation information includes pseudo-position observations and pseudo-velocity observations.
  • the idea of both is that the range of IMU positions and line speeds is limited. Pseudo-position and pseudo-speed information can be used simultaneously as measurement information, or only one of them can be used.
  • the range of position and speed variation is reflected in the measurement error matrix of the system, which can be set according to the actual operation conditions or adaptively by the program.
  • the use of pseudo-position and pseudo-velocity observations eliminates the need for most calibration methods to keep the IMU stationary for a period of time in all directions, improving calibration efficiency and ease of calibration.
  • the present invention may also employ other motion characteristics of the IMU during the calibration process as spurious measurements.
  • a series of operational guiding ideas are given on the basis of the present invention. Users do not necessarily need to follow these guidelines in a strict manner, but operating in accordance with these guiding principles can significantly improve calibration efficiency. These guiding ideas are based on observability analysis of the estimation of individual sensor parameters under various actions. 6.
  • the algorithm can be done with an optimal or suboptimal (according to user interest) estimation method. You can use Kalman filtering, least squares (or weighted least squares) or other estimation methods.
  • This calibration method reflects the idea of mutual calibration of acceleration and gyro. That is: Accelerometer combination and gyro combination can be considered as two systems. Not only accelerometer measurement information can be used to calibrate and correct gyro parameters, but gyro measurement information can also be used to calibrate and correct accelerometer parameters.
  • Kalman filtering or recursive least squares is used as the estimation tool, the Kalman filter algorithm is continuously used to estimate the zero offset and scale factor of the accelerometer and the gyro in real time during the rotation operation, and Constant feedback correction. After the rotation is completed, the calibration has been completed, and no post-processing is required. If the data is inversely smoothed after the rotation is completed, the accuracy of the result can be further improved. If other estimation methods are used, the estimated IMU parameters can be calculated within a short time after the user completes the action.
  • the inertial measurement unit (IMU) mentioned in the present invention is not limited to a low-precision MEMS IMU, but also includes an IMU composed of other inertial sensors of different precisions (ie, a gyro and an accelerometer); in addition to the common three-axis gyro and three-axis In addition to the IMU consisting of accelerometers, it also includes IMUs with redundant configurations and IMUs with incomplete axis configurations, even single-axis inertial sensors.
  • the calibration method in the present invention is not limited to the manual calibration method, and includes the calibration of the calibration motion using other machine equipment such as a turntable.
  • 1 is a flow chart of an embodiment of the present invention.
  • the present invention maintains the IMU for a short period of time (a few seconds) of static or quasi-static for initial alignment of the inertial navigation system, controlling the IMU to rotate around its measurement center (or approximately its measurement center), selecting an estimate
  • the method is modeled according to the method, and the pseudo position or pseudo speed information proposed in the invention is used as the measurement information to perform the estimation calculation, the IMU parameter is provided, and the direct measurement values of the subsequent gyroscope and the accelerometer are compensated according to the calibration model.
  • All IMU operations mentioned in the present invention can be performed either manually or by other machine equipment such as a turntable to produce a calibration motion.
  • the invention is used to calibrate an inertial measurement unit (IMU).
  • the inertial measurement unit mentioned in the present invention is not limited to a low-precision MEMS IMU, but also includes an IMU composed of other inertial sensors of different precisions (ie, a gyro and an accelerometer); an IMU composed of a common three-axis gyro and a three-axis accelerometer In addition, it includes an IMU with redundant configuration and an IMU with an incomplete axis configuration, even a single-axis inertial sensor. It also includes a multi-sensor integrated navigation system with other types of sensors. Step 1. After the inertial measurement system is warmed up, determine whether the initial horizontal attitude angle of the inertial measurement unit is known. If yes, go directly to step 3, otherwise go to step 2.
  • the attitude angle in the art includes a horizontal attitude angle and a heading attitude angle.
  • the initial horizontal attitude angle or initial attitude angle of the known value may be either an exact value or an approximate value.
  • Step 2 The inertial measurement unit is kept static for a period of time, and the initial horizontal attitude angle of the inertial measurement unit is approximated according to the accelerometer measurement information and the gyro measurement information of the static period.
  • the invention is not required to be strictly static, so it is also possible to maintain the inertial measurement unit quasi-static for a period of time.
  • the embodiment fixes the IMU after the inertial measurement system is warmed up for a period of time (recommended for 2-3 seconds) static or quasi-static (ie, substantially stationary, allowing dynamics such as IMU vibration, shaking, etc. due to operation) , for initial alignment of the inertial navigation system.
  • the initial attitude angle of the IMU is obtained from the accelerometer and gyro information of the static or quasi-static period.
  • the horizontal attitude angle can be determined by the accelerometer output information.
  • rvll / g)
  • pitch -sign( f z )sm l (f x / g) to determine the roll angle and the pitch angle pitch, respectively.
  • / x , / and f z are the specific force outputs in the x, y and z directions, respectively
  • g is the local gravitational acceleration value
  • ⁇ ⁇ ⁇ ) is the sign function.
  • the proportional value here can take the output information of the accelerometer at a certain time point, and can also use the average value of the accelerometer information for some time periods.
  • any method that can determine the initial horizontal attitude angle of the IMU can be used. If you already know
  • Step 3 Arbitrarily set the initial heading attitude angle of the inertial measurement unit.
  • the initial heading attitude angle there is no requirement for the initial heading attitude angle, and there is no need to obtain it.
  • a value can be arbitrarily set (such as zero degree), which can be randomly generated by the program itself; if the heading attitude angle is known, the same is also It can be used directly; the initial heading attitude angle can also be calculated from the gyro output information.
  • Step 4 rotating the inertial measurement unit around its measurement center, and based on the known initial horizontal attitude angle or the initial horizontal attitude angle obtained in step 2 and the initial heading attitude angle obtained in step 3, the gyro parameters to be estimated are obtained by calibration calculation ( That is, the error coefficients, including the zero offset and scale factor) and the accelerometer parameters (ie, the error coefficients, including the zero offset and the scale factor).
  • the obtained gyro parameters and accelerometer parameters that is, the sensor parameters to be estimated, are used to compensate the accelerometer measurement information and the gyro measurement information directly obtained by the inertial measurement unit when the inertial measurement unit operates.
  • the IMU can enter the normal working state.
  • the present invention When controlling the IMU to rotate in space around its measurement center (or approximately its measurement center), the present invention does not impose strict requirements on the rotation action, and does not require an accurate rotation angle (such as a rotation of 90 degrees) or a pointing (such as a certain axis upward). , with sufficient no The required rotational motion is complete.
  • the completion of the rotation action means that the entire IMU operation part is completed. As long as the IMU can traverse various postures, the calibration accuracy can be ensured accordingly.
  • the calibration action time is to ensure that all the IMU parameters to be estimated converge to the corresponding level. It is recommended to be about half a minute. In actual operation, sufficient time operation can be performed to ensure calibration accuracy; and whether the calibration action is sufficient can be determined according to the prompt of each parameter information in the present invention. For example, during the calibration process, the information provided by the Kalman filter (such as the standard deviation of the estimated IMU parameters) is used in real time to determine the progress of the calibration. Set the calibration result threshold in combination with the accuracy requirements of the corresponding product. If the information provided by the system indicates that the accuracy requirement has been reached, the user calibration is prompted to complete the calibration action.
  • the Kalman filter such as the standard deviation of the estimated IMU parameters
  • the present invention also provides a series of operational guiding ideas based on the observability analysis of estimating various sensor parameters under various actions. Users do not necessarily need to follow these guidelines in a strict manner, but operating in accordance with these guidelines can significantly improve calibration efficiency.
  • the calibration data processing of the present invention can be performed in real time during the calibration operation, or after the calibration operation.
  • the algorithm can be done with an optimal or suboptimal (according to the specific case) estimation method. You can use Kalman filtering, least squares (or weighted least squares) or other estimation methods.
  • Kalman filtering or recursive least squares can be used as the estimation tool, and the zero offset and scale factor of the accelerometer and the gyro are continuously estimated in real time during the calibration operation. And constantly feedback corrections.
  • the calibration is completed and no post-processing is required.
  • the information provided by the Kalman filter (such as the standard deviation of the estimated IMU parameters) is used in real time to determine the progress of the calibration.
  • Set the calibration result threshold in combination with the accuracy requirements of the corresponding product. If the information provided by the system indicates that the accuracy requirement has been reached, the user is prompted to complete the calibration and the calibration action can be stopped.
  • the filtering result can also be used to combine the entire calibration data for a reverse smoothing. By weighting the results of the inverse smoothing and the results of the forward filtering, a more accurate estimation of the sensor parameters can be obtained.
  • the estimated IMU parameters can be calculated in a short time after the user completes the action.
  • Other estimation methods are available, such as least squares (or weighted least squares).
  • the estimation method selected in the present invention can be modeled in advance to obtain a corresponding calibration model.
  • the state parameters include the navigation state (position, velocity, attitude angle) or some of the navigation parameters, inertial sensor parameters, and other parameters (such as auxiliary information provided by other sensors).
  • the inertial sensor parameters can include both the sensor's zero offset and scale factor; or they can only contain zero offset or scale factor. All state parameters can be in error or non-error form.
  • the inertial sensor parameters can be modeled using any stochastic process that is realistic, such as random constants, random walks, first-order Gaussian Markovs, and so on.
  • the present invention sets the position change amount and the speed change amount of the IMU to zero in the calculation program to respectively As pseudo position observation information and pseudo speed observation information.
  • the actual range of possible position and speed variations is given in the form of measured noise.
  • the measurement error matrix setting is adaptively performed by the program, and can also be set according to actual operation conditions. The use of pseudo-position and pseudo-velocity observation information eliminates the need for most calibration methods to keep the IMU stationary for a period of time in all directions, improving the calibration efficiency and the convenience of calibration operations.
  • Both the pseudo position and the pseudo speed information can be used as the measurement information at the same time, or only one of them can be used.
  • the present invention may also employ other motion characteristics of the IMU during the calibration process as spurious measurements.
  • the above pseudo-observation information can be used not only independently but also in combination with other calibration methods. If the target is a multi-sensor integrated navigation system, the information provided by other sensors can also be used as the measurement information. Since the pseudo-observation has a certain noise range, the measurement noise can be used to reflect the possible inaccuracy of the observation value. For example, the form of the measurement noise gives a possible range of position and velocity variation.
  • This calibration method reflects the idea of mutual calibration of acceleration and gyro. That is: Accelerometer combination and gyro combination can be considered as two systems. Not only accelerometer measurement information can be used to calibrate and modify gyro parameters, but gyro measurement information can also be used to calibrate and correct accelerometer parameters.
  • Step 4.1 Model the entire calibration calculation process of the Kalman filter calibration method to obtain a calibration model.
  • the calibration algorithm is initialized (the initial value of each state parameter used in the filtering process and the initial state of the matrix are set), which is related to the specific selected Kalman filtering method, and can be automatically assigned by using software technology.
  • Various Kalman filters can be used.
  • the case of augmented Kalman filter (AKF) is taken as an example, and other Kalman filtering methods are similar.
  • the state parameters used in the filtering process can be in vector form and recorded as the Kalman filter state vector x. It is recommended that the state to be evaluated in the Kalman filter be in the form of error.
  • the state parameter of the Kalman filter state vector X of the embodiment includes navigation error state parameters (including position error, velocity error and attitude angle error, and some of the states can also be discarded in actual use) and sensor error parameters (ie, to be estimated)
  • the error of the gyro and accelerometer parameters including the accelerometer and the gyro's zero offset and the error of the scale factor).
  • the initial value of the state parameter of the Kalman filter state vector X can be assigned, and the variance covariance matrix formed by the variance of each state parameter, the state noise matrix of the system, and the measurement noise matrix are initially set. .
  • the initial value of the state parameter of the Kalman filter state vector X is set to 0.
  • the variance of each navigation parameter represented by the variance of each navigation error state parameter is the degree of error of each state parameter represented by the variance covariance matrix, wherein each element can be set according to the corresponding actual situation.
  • the estimated sensor parameters are corresponding
  • the elements are recommended to refer to the sensor's performance indicators.
  • the state noise matrix is set with reference to the performance specifications of the sensor.
  • the measurement noise matrix represents the difference in the position and velocity of the IMU in practice and the pseudo-position observation information and pseudo-speed observation information (0) used in the embodiment.
  • the automatic data processing process can be pre-processed by software technology: Set a generalized measurement noise array for filtering calculation for a period of time, refer to the filtering result of this time to set the measurement noise, and then carry out the data in the whole filtering process. Filter calculation to obtain the initial value of the measurement noise matrix.
  • the specific implementation of the Kalman filtering method can be found in related literature: Qin Yongyuan et al., 1998, Kalman Filtering and Integrated Navigation Principles, Northwestern Polytechnical University Press.
  • Accelerometer and gyro output errors can be modeled as:
  • ⁇ and ⁇ are the specific force and angular velocity error vectors, respectively; and in turn are the accelerometer and the gyro's zero offset; And the scale factor error of the accelerometer and the gyro respectively; and b ib are the true specific force and the angular velocity respectively.
  • ⁇ and ⁇ are pseudo noise terms for accelerometers and gyros.
  • the initial value of the position is assigned to the initial value according to the current coordinate, and the initial value of the velocity is assigned to 0; the initial value of the horizontal attitude angle adopts the known initial horizontal attitude angle or the initial horizontal attitude angle obtained in step 2, and the heading attitude angle adopts the initial step obtained in step 3.
  • Heading attitude angle; gyro and accelerometer zero offset initial value is recommended to be set to 0; gyro and accelerometer scale factor is recommended to be set to 1.
  • the horizontal attitude angle and the heading attitude angle are collectively referred to as the attitude angle. If the initial attitude angle is known, the horizontal attitude angle and the heading attitude angle are assigned as initial values. That is to say, in real-time data processing, the first epoch uses the initial attitude angle, and the state equation of the Kalman filter obtained by the previous epoch is
  • ⁇ , ⁇ and ⁇ are the carrier position (latitude, longitude, elevation) error, velocity error and attitude angle rotation vector error in the c-system (calculated coordinate system); and in turn accelerometer and gyro Zero bias; And the scale factor error of the accelerometer and the gyro respectively;
  • Si c , ⁇ ⁇ , ⁇ b a , Ss a , ⁇ 3 ⁇ 4 g are time differentials of the respective quantities;
  • ⁇ (10) is the modeling of the sensor parameters to be estimated.
  • First-order Gauss Markov process modeling is used here. Modeling can also be performed using stochastic processes such as random constants and random walks. :
  • the measurement information of the Kalman filter can be selected from pseudo position constraint or pseudo speed constraint.
  • the position error can also be removed from the Kalman filter state vector, and the equation (4) and the F v i ⁇ term in equation (5) can be removed from the equation of state.
  • the state equation can be simplified in consideration of the object of use and the operation of the present invention (the IMU position is approximately constant, the velocity is approximately zero, and for the medium-low precision IMU).
  • Equation (6) can be simplified to:
  • the filter state error variance matrix (Q) is set with reference to the sensor performance parameter of the built-in IMU of the calibration object, and the initial state vector (X) and the initial state variance matrix (P) are compared with the parameter to be estimated (the accelerometer and the gyro Scale factor) related items. Refer to the actual calibration action to set the measurement error variance matrix (R), and the X and P initial values related to the navigation error parameters (position, velocity, attitude angle error). The range of possible variations in IMU position or speed is reflected in the measurement error variance matrix R.
  • the sensor parameter to be estimated can be used as the parameter to be estimated;
  • the pseudo position and pseudo speed information can be used as the measurement information or the constraint condition, and the possible position and speed variation range in the actual operation are given in the covariance matrix.
  • Step 4.2 Rotate the inertial measurement unit around its measurement center and use the calibration model for real-time data processing.
  • the Kalman filter continuously performs state prediction and measurement update, and estimates the zero offset and scale factor of the accelerometer and the gyro in real time, and continuously feedbacks and corrects. That is, for each filter, a set of error status parameters is estimated. The set of parameter values is then used to correct the current position, velocity, attitude angle, and sensor parameter values. These values are then used as coefficients to participate in the next filter calculation.
  • Step 4.3 According to the indicator information provided in the Kalman filter, determine whether the parameter convergence has converged to the corresponding preset accuracy, and then proceed to step 4.4, otherwise continue to perform step 4.2. If step 4.4 uses reverse smoothing after the calibration action is completed, it is judged whether it has converge to the corresponding degree of preset accuracy of A, otherwise the preset precision is B, and A is greater than B. The requirements for the degree of convergence of the target can be appropriately relaxed.
  • the necessary operating time is C.
  • D the necessary operating time
  • C the necessary operating time
  • Step 4.4 the calibration action is completed, go directly to step 4.5, or perform a reverse smoothing on the data and proceed to step 4.5.
  • Performing reverse smoothing after the filter calculation is completed can further improve the parameter estimation accuracy or shorten the calibration time.
  • you want to use reverse smoothing you need to save the state parameter of the system at each moment and its variance covariance matrix.
  • the data saved during the filtering process is utilized in the inverse smoothing algorithm to estimate the state quantity of the new system by the maximum likelihood method. By weighting the results of forward filtering and inverse smoothing, the continuity and smoothness of the results can be kept as much as possible.
  • ⁇ ⁇ fact ⁇ [ ( ⁇ , +1
  • , ) _1 (18) k N - l, N - 2 .., Q , N is the total number of measurement updates.
  • ⁇ is the discrete Kalman filter system
  • the state transition matrix; is the state vector;
  • P is the variance covariance matrix of the state parameter.
  • the subscript indicates that the measurement vector zz 2 , . . . , Z, is used to determine the state vector or variance covariance at the first moment according to its mathematical model. The best estimate of the matrix.
  • Step 4.5 calibration is completed, and the gyro parameters and accelerometer parameters to be estimated are obtained.
  • Observability describes the ability of the system to estimate each state to be estimated.
  • a series of operational guiding ideas can also be given. If you follow these guidelines, you can significantly improve the calibration efficiency.
  • the two IMUs selected are Ij: NovAtel SPAN-FSAS (yvww.novatel.com/assets/Documents/Papers/FSAS.pdf) and Xsens MTi-G (mm; se/M.com 3 ⁇ 4w/geweraZ/mri- g).
  • SPAN-FSAS is built into the high-end tactical IMU, and the MTi-G is based on a typical MEMS inertial sensor.
  • the relevant performance parameters of the two are shown in Table 1.
  • Table 1 is the two IMU related performance parameter tables used in the calibration experiment of the present invention.
  • Table 2 shows the SPAN-FSAS statistical results table for Mode 1 (with directed operations).
  • the first column of the table indicates the sensor error parameters to be estimated; the second column indicates the added error value; the third and fourth columns represent the internal accuracy and the external accuracy of the calibration results, respectively.
  • Table 4 is a table of calibration MTi-G statistics for mode 2 (arbitrary operation). Columns 1, 3, and 4 indicate the parameters to be estimated, their internal and external compliance, respectively. Column 2 here represents the initial value of the error to be estimated.
  • the external compliance accuracy (RMS, accuracy) of the MTi-G calibrated in mode 2 is approximately: accelerometer bias 1400mGal; accelerometer scale factor error llOOppm; gyro bias 140deg/h
  • the gyro scale factor error is 1200ppm.
  • the resulting error also includes the effects of temperature changes.
  • This application example also demonstrates that the present invention can be used to calibrate medium and low precision IMUs.
  • the sensor to be estimated is estimated to be within the sensor.
  • the invention relates to a method for quickly calibrating an error coefficient of an inertial measurement unit.
  • the method can traverse the motion in all directions by the user's hand-held rotating IMU without using any external equipment, and can accurately calibrate the gyro bias, the scale factor, the accelerometer zero in a short time (about 30s).
  • the bias and scale factors have a total of twelve error coefficients.
  • Table 5 shows the calibration results table for the two modes of operation.
  • the first column is the sensor error parameter to be estimated; the second column is the accuracy achieved by the experiment in mode 1 (with instructions); the third column is the accuracy achieved by the experiment in mode 2 (random operation).
  • Table 5 shows that the present invention can accurately calibrate medium and low precision IMUs. Because the invention has the characteristics of no hardware cost, high efficiency and simple operation, it is especially suitable for on-site rapid calibration of medium and low precision IMU, effectively solving the environmental sensitivity (especially temperature sensitivity) problem of MEMS IMU parameters, and promoting The promotion and application of MEMS inertial devices. Sensor error guided by random operation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Navigation (AREA)
  • Gyroscopes (AREA)

Abstract

一种惯性测量单元的快速标定方法，该方法包括以下步骤：步骤1，在惯性测量单元开机预热后，判断是否已知惯性测量单元的初始水平姿态角，如未知则进入步骤2，如已知则进入步骤3；步骤2，将惯性测量单元保持一段时间的静态，根据惯性测量单元的测量信息近似计算出初始水平姿态角；步骤3，任意设定惯性测量单元的初始航向姿态角；步骤4，将惯性测量单元绕其测量中心旋转，并基于已获得的初始水平姿态角和初始航向姿态角，通过标定结算得到待测的惯性测量单元的各个参数；该方法可以在不使用任何外部设备的条件下，仅通过用户手持转动惯性测量单元遍历各方向的运动，即可在短时间内较精确地标定出陀螺零偏、比例因子、加速度计零偏和比例因子共十二个误差系数。

Description

一种惯性测量单元的快速标定方法
技术领域
本发明涉及微机电系统技术领域， 尤其是一种惯性测量单元的快速标定方法。
背景技术
近年来随着微机电系统 MEMS (Micro-Electro Mechanical Systems) 技术的发展而产生的 MEMS IMU (惯性测量单元） 具有成本低 （大批量时）、 尺寸小、 重量轻、 功耗低、 可靠性高 等优点，使其广泛应用于人们生活的各方各面。越来越多的消费类产品中装入了三轴陀螺和加 速度计， 从而构成了 MEMS IMU， 用户可以选择他们感兴趣的应用， 如游戏、 多媒体、 个人 导航等。
但是， MEMS传感器性能（尤其是零偏和比例因子） 随着使用环境 （尤其是温度）变化大 仍是一个明显问题。这个问题可以通过标定来解决， 即通过标定来确定传感器的误差参数， 并 在 IMU使用过程中进行补偿。
传统的标定方法大多依赖专业的标定设备， 或耗时较长， 难以满足针对消费类产品不依赖 外部设备、 快速、 简单易行的要求。
发明内容
本发明的技术解决问题是： 提供一种对惯性测量单元的快速标定的方法， 该方法可以在 没有任何外部设备、 基准的情况下对惯性测量单元进行标定。 使用该方法对惯性传感器的零 偏和比例因子进行标定， 提高其使用精度。
本发明的技术解决方案为一种惯性测量单元的快速标定方法， 包括以下步骤： 步骤 1， 在惯性测量系统开机预热后， 判断是否已知惯性测量单元的初始水平姿态角， 是则直接进入步骤 3， 否则进入步骤 2;
步骤 2， 将惯性测量单元保持一段时间的静态， 根据静态时段的加速度计测量信息和陀 螺测量信息， 近似计算惯性测量单元的初始水平姿态角；
步骤 3， 任意设定惯性测量单元的初始航向姿态角；
步骤 4， 将惯性测量单元绕其测量中心旋转， 并基于已知的初始水平姿态角或步骤 2所 得初始水平姿态角及步骤 3所得初始航向姿态角， 通过标定解算得到待估的陀螺参数和加速 度计参数； 计算时将惯性测量单元的位置变化量以及速度变化量均设定为零， 分别作为伪位 置观测信息和伪速度观测信息。 而且， 步骤 1中将惯性测量单元保持一段时间的静态和步骤 2中将惯性测量单元绕其测 量中心旋转， 采用手工操作实现或者其它机器设备操作实现。
而且， 步骤 4采用卡尔曼滤波标定方法进行标定计算， 具体实现方式如下，
步骤 4.1， 对卡尔曼滤波标定方法的整个标定计算过程进行建模， 得到标定模型； 基于已知的 初始水平姿态角或步骤 2所得初始水平姿态角及步骤 3所得初始航向姿态角设置标定模型中相 关参数的初值， 进行标定算法初始化；
步骤 4.2， 将惯性测量单元绕其测量中心旋转， 同时采用标定模型进行实时数据处理； 步骤 4.3， 判断待估 IMU参数是否已收敛至相应的预设精度， 是则进入步骤 4.4， 否则继续执行 步骤 4.2;
步骤 4.4， 标定动作完成， 直接进入步骤 4.5， 或者对数据进行一次反向平滑后进入步骤 4.5; 步骤 4.5， 标定完成， 获得待估的陀螺参数和加速度计参数。
本发明具有如下技术效果：
1. 本标定方法不需要任何外部设备或装置来辅助标定。 对标定动作也没有严格要求， 手持 IMU绕 IMU测量中心采用充足的无精度要求的旋转运动即可完成；另提供一些动作指导， 可以进一步提高标定效率和精度；
2. 该标定方法可以在短时间内较精确地同时标定出加速度计和陀螺的零偏和比例因子，整个 过程可以在 30秒左右完成； 若按照本方法中提供的动作指导， 可进一步縮短时间；
3. 本标定方法利用了 GPS (全球导航卫星系统） /INS (惯性导航系统）组合导航算法来对中 低精度的 IMU传感器零偏和比例因子进行标定。使用伪观测信息取代 GPS测量信息来完 成对参数的估计。
4. 伪观测信息的提出是本标定方法的关键。伪观测信息包括伪位置观测和伪速度观测。二者 的思想是认为 IMU的位置和线速度的变化范围是有限的。 可同时使用伪位置和伪速度信 息作为量测信息， 也可只取其一。 位置和速度的变化范围在系统的量测误差矩阵中体现， 既可根据实际操作情况进行设置， 也可由程序自适应地完成。伪位置和伪速度观测信息的 采用省去了大多数标定方法对 IMU在各个方向上静止一段时间的要求， 提高了标定效率 和标定操作的方便性。除了上述伪位置和伪速度观测信息外， 本发明也可采用标定过程中 IMU的其它运动特征作为伪观测量。
5. 在本发明的基础上给出了一系列操作指导思想。用户并不一定需要严格按照这些指导思想 进行操作， 但按照这些指导思想进行操作可显著提高标定效率。这些指导思想是基于各种 动作下对各个传感器参数进行估计的可观测性分析给出的。 6. 算法可以用最优或次优 （可根据用户兴趣选取） 估计方法来完成。 既可以用卡尔曼滤波， 也可以是最小二乘 （或加权最小二乘） 或是其他估计手段。
7. 本标定方法中体现出加速度和陀螺相互标定的思路。 即： 可以将加速度计组合和陀螺组合 视为两个系统， 不但加速度计测量信息可以被用于标定和修正陀螺参数， 陀螺测量信息也 可以用来标定和修正加速度计参数。
8. 若使用卡尔曼滤波或递推最小二乘作为估计工具， 则在旋转操作的过程中， 已经不断地采 用卡尔曼滤波算法实时地对加速度计和陀螺的零偏和比例因子进行估计， 并不断反馈修 正。 旋转动作完成后， 即已经完成标定， 不需要后处理； 若在旋转动作完成后对数据进行 一次反向平滑处理， 可进一步提高结果精度。若选用其他估计手段， 则可在用户做完动作 后的短时间内， 解算出被估 IMU参数。
9. 本发明中提到的惯性测量单元 （IMU) 不限于低精度的 MEMS IMU, 还包括其它不同精 度的惯性传感器 （即陀螺和加速度计） 组成的 IMU; 除了常见的三轴陀螺和三轴加速度 计构成的 IMU之外，还包括带有冗余配置的 IMU和不完整轴线配置的 IMU,甚至是单轴 惯性传感器。
10.本发明中的标定方法不限于手工标定方法， 还包括采用其它机器设备（如转台）产生标定 运动的标定。
附图说明
图 1是本发明实施例的流程图。
具体实施方式
本发明保持 IMU—小段时间（数秒钟即可）的静态或准静态以用于惯性导航系统的初始 对准， 控制 IMU绕其测量中心（或近似绕其测量中心）在空间内旋转， 选择估计方法并针对 该方法进行建模， 使用本发明中提出的伪位置或伪速度信息作为量测信息来进行估计计算， 提供 IMU参数， 按标定模型对后续陀螺仪和加速度计的直接测量值进行补偿后 IMU即可进 入正常工作状态。本发明所提到的所有 IMU操作既可以手工进行， 也可以采用其它机器设备 (如转台）产生标定运动。 本发明用于标定惯性测量单元（IMU)。 本发明中提到的惯性测量 单元不限于低精度的 MEMS IMU， 还包括其它不同精度的惯性传感器 （即陀螺和加速度计） 组成的 IMU; 除了常见的三轴陀螺和三轴加速度计构成的 IMU之外，还包括带有冗余配置的 IMU和不完整轴线配置的 IMU， 甚至是单轴惯性传感器。 同时包括含有其他类型传感器的多 传感器组合导航系统。 步骤 1， 在惯性测量系统开机预热后， 判断是否已知惯性测量单元的初始水平姿态角， 是则直接进入步骤 3， 否则进入步骤 2。
本领域的姿态角包括水平姿态角和航向姿态角， 具体实施时， 也可以直接判断是否已知 惯性测量单元的初始姿态角， 是则直接进入步骤 4， 否则进入步骤 2。
已知值的初始水平姿态角或初始姿态角采用精确值或近似值均可。
步骤 2， 将惯性测量单元保持一段时间的静态， 根据静态时段的加速度计测量信息和陀 螺测量信息， 近似计算惯性测量单元的初始水平姿态角。 本发明不要求严格保持静态， 因此 将惯性测量单元保持一段时间的准静态也是可以的。
实施例在惯性测量系统开机预热后将 IMU固定， 保持一段时间 （建议 2-3秒钟即可） 的静态或准静态 （即大体上静止， 允许由于操作造成的 IMU振动、 晃动等动态）， 用于惯性 导航系统的初始对准。根据静态或准静态时段的加速度计及陀螺信息， 求取 IMU的初始姿态 角。 由加速度计输出信息可确定水平姿态角。 这里选取公式 rvll =
Figure imgf000006_0001
/ g)， pitch = -sign( fz)sm l(fx / g)来分别确定横滚角 roll和俯仰角 pitch。 这里 /x、 /及 fz分别为 x、 y及 z轴方向的比力输出， g为本地重力加速度值， ^Χ·)为符号函数。 这里的比例值即 可取加速度计某一时间点的输出信息， 也可使用某些时段的加速度计信息的平均值。
除该步骤中所述方法外， 任何可以确定 IMU初始水平姿态角的方法均可。若是已经知道
IMU的近似水平姿态角， 则可以跳过步骤 2。
步骤 3， 任意设定惯性测量单元的初始航向姿态角。
本发明中， 对初始航向姿态角没有任何要求， 也不需要求取， 在算法中随意设定一个值 即可（如零度）， 可以由程序自行随机生成； 若已知航向姿态角， 同样也可以直接采用； 也可 由陀螺输出信息计算出初始航向姿态角。
步骤 4， 将惯性测量单元绕其测量中心旋转， 并基于已知的初始水平姿态角或步骤 2所得 初始水平姿态角及步骤 3所得初始航向姿态角， 通过标定解算得到待估的陀螺参数 （即误差 系数， 包括零偏和比例因子）和加速度计参数（即误差系数， 包括零偏和比例因子）。 所得陀 螺参数和加速度计参数， 即待估传感器参数， 用于在惯性测量单元工作时补偿惯性测量单元 直接得到的加速度计测量信息和陀螺测量信息。 在本步骤完成后， IMU即可进入正常工作状 态。
控制 IMU绕其测量中心（或近似绕其测量中心）在空间内旋转时， 本发明对旋转动作没 有严格要求， 不要求准确的旋转角度 （如旋转 90度） 或指向 （如某轴朝上）， 采用充足的无 精度要求的旋转运动即可完成。旋转动作完成即代表整套 IMU操作部分即已完成。只要能使 IMU遍历各种姿态， 即可相应地保证标定精度。
标定动作时间以保证所有待估 IMU参数收敛至相应程度为准， 建议半分钟左右即可。 实 际操作中既可以进行时间充分的操作以保证标定精度； 也可以根据本发明中各参数信息的提 示确定标定动作是否已经充分。 比如， 在标定过程中， 实时地通过卡尔曼滤波器提供的信息 (比如被估 IMU参数的标准差）来判断标定的完成进度。 结合相应产品的精度需求， 设定标 定结果门限值。 若系统提供的信息显示已达到该精度要求， 则提示用户标定已完成， 可停止 标定动作。
本发明同时基于各种动作下对各个传感器参数进行估计的可观测性分析给出了一系列 操作指导思想。 用户并不一定需要严格按照这些指导思想进行操作， 但按照这些指导思想进 行操作可显著提高标定效率。
本发明的标定数据处理既可以在标定动作进行过程中实时进行， 也可以在标定操作完成 后进行事后处理。 算法可以用最优或次优 （可根据具体情况选取） 估计方法来完成。 既可以 用卡尔曼滤波， 也可以是最小二乘 （或加权最小二乘） 或是其他估计手段。
若采用实时进行标定数据处理的方案， 则可采用卡尔曼滤波或递推最小二乘作为估计工 具， 则在标定操作的过程中， 不断地对加速度计和陀螺的零偏和比例因子进行实时估计， 并 不断反馈修正。 旋转动作完成后， 即已经完成标定， 不需要后处理。 在标定过程中， 实时地 通过卡尔曼滤波器提供的信息（比如被估 IMU参数的标准差）来判断标定的完成进度。 结合 相应产品的精度需求， 设定标定结果门限值。 若系统提供的信息显示已达到该精度要求， 则 提示用户标定已完成， 可停止标定动作。 在卡尔曼滤波计算完成后， 也可使用滤波结果， 结 合整段标定数据， 进行一次反向平滑。 将反向平滑的结果和正向滤波的结果加权平均， 可得 到更为精确的传感器参数估计结果。
若采用事后处理， 可在用户做完动作后的短时间内， 解算出被估 IMU参数。 可选用其 他估计手段， 比如最小二乘 （或加权最小二乘）。
可以预先针对本发明中所选用的估计方法进行建模， 得到相应的标定模型。 以卡尔曼滤 波器为例， 状态参数包含导航状态 （位置、 速度、 姿态角） 或其中部分导航参数、 惯性传感 器参数以及其他参数（比如其他传感器提供的辅助信息）。惯性传感器参数可同时包含传感器 的零偏、 比例因子； 也可仅包含零偏或比例因子。 所有状态参数均可采用误差形式或非误差 形式。 可使用任何符合实际情况的随机过程对待估惯性传感器参数进行建模， 如随机常数、 随机游走、 一阶高斯马尔可夫等。 标定计算时， 由于基于惯性测量单元绕其测量中心旋转时， 要求 IMU测量中心位置变 化范围有限， 本发明在解算程序中将 IMU的位置变化量以及速度变化量均设定为零， 以分别 作为伪位置观测信息和伪速度观测信息。 实际中可能的位置和速度变化范围用量测噪声的形 式给出。 量测误差矩阵设置由程序自适应地完成， 也可根据实际操作情况进行设置。 伪位置 和伪速度观测信息的采用省去了大多数标定方法对 IMU在各个方向上静止一段时间的要求， 提高了标定效率和标定操作的方便性。
既可同时使用伪位置和伪速度信息作为量测信息， 也可只取其一。 除了上述伪位置和伪 速度观测信息外， 本发明也可采用标定过程中 IMU的其它运动特征作为伪观测量。上述伪观 测信息不仅可以独立使用， 也可与其他标定方法结合起来使用。 若是所标定对象为多传感器 组合导航系统， 也可使用其他传感器提供的信息作为量测信息。 由于伪观测是有一定的噪声 范围的， 使用时可采用量测噪声来体现观测值可能的不准确程度， 比如量测噪声的形式给出 可能的位置和速度变化范围。
本标定方法中体现出加速度和陀螺相互标定的思路。 即： 可以将加速度计组合和陀螺组 合视为两个系统， 不但加速度计测量信息可以被用于标定和修正陀螺参数， 陀螺测量信息也 可以用来标定和修正加速度计参数。
详细步骤说明如下。 主要结合卡尔曼滤波方法进行说明， 最小二乘则一定程度上类似。 步骤 4.1，对卡尔曼滤波标定方法的整个标定计算过程进行建模，得到标定模型。建模后， 进行标定算法初始化（设置滤波过程中用到的各状态参数的初值和矩阵的初始状态）， 与具体 选择的卡尔曼滤波方法有关， 可由采用软件技术实现自动赋值。 可以选用各种卡尔曼滤波， 这里以采用增广卡尔曼滤波 （augmented Kalman filter, AKF) 的情况为例， 其他卡尔曼滤波 方法类似。
滤波过程中用到的各状态参数， 可采用向量形式， 记为卡尔曼滤波状态向量 x。 建议卡 尔曼滤波里的待估状态选用误差形式。 实施例的卡尔曼滤波状态向量 X的状态参数中包含导 航误差状态参数 （包括位置误差、 速度误差及姿态角误差， 实际使用中也可舍掉其中某些状 态） 以及传感器误差参数 （即待估陀螺和加速度计参数的误差， 包括加速度计及陀螺的零偏 及比例因子的误差）。
一般的， 进行卡尔曼滤波前， 可给卡尔曼滤波状态向量 X的状态参数赋初值， 对各状态参 数的方差构成的方差协方差阵、 系统的状态噪声矩阵和量测噪声矩阵进行初始设置。 卡尔曼 滤波状态向量 X的状态参数初值建议全设成 0。各导航误差状态参数的方差构成的方差协方差 阵代表的各状态参数的误差程度， 其中各元素可按相应的实际情况设。 待估传感器参数相应 的元素建议参照传感器的性能指标来设。 状态噪声矩阵参照传感器的性能指标来设。 量测噪 声矩阵代表了实际中 IMU的位置、速度变化和实施例采用的伪位置观测信息和伪速度观测信 息（0)可能有多大差异。 可以通过软件技术事先的自动数据处理过程： 设置一个一般化的量 测噪声阵进行一段时间的滤波计算， 参照这段时间的滤波结果来设定量测噪声， 再对整个滤 波过程中的数据进行滤波计算， 得到量测噪声矩阵的初值。 卡尔曼滤波方法的具体实现可参 见相关文献： 秦永元等， 1998年， 卡尔曼滤波与组合导航原理， 西北工业大学出版社。
整个标定过程所需要的模型如下：
加速度计和陀螺输出误差可分别建模为：
Figure imgf000009_0001
式中^ 和 δ 分别为比力和角速度误差向量； 和 依次为加速度计和陀螺的零 偏； 。 和 分别为加速度计和陀螺的比例因子误差； 和 b ib 分别为真实比力和角速 度。 \^和\^为加速度计和陀螺的伪噪声项。 符号 ^(ν)表示由向量 v = [vx vy vz了中元 素组成的对角阵：
Figure imgf000009_0002
建议位置初值根据当前的坐标赋初值， 速度初值赋为 0; 水平姿态角的初值采用已知的初 始水平姿态角或步骤 2所得初始水平姿态角， 航向姿态角采用步骤 3所得初始航向姿态角； 陀螺和加速度计零偏初值建议设成 0; 陀螺和加速度计比例因子建议设成 1。本领域将水平姿 态角和航向姿态角统称姿态角， 若是已知初始姿态角， 据此赋值给水平姿态角和航向姿态角 作为初值。 也就是说， 实时数据处理时， 第一历元用初始姿态角， 后面都用前一历元求得的 卡尔曼滤波的状态方程为
Figure imgf000009_0003
Ψ -(ω^ + ω^) χ ψ - Cbd&' «5。= -丄 ba+wfc。 （7) b = _~ -b +w, (8)
(9)
= -Ss +w (10)
(4)〜(6)式为对导航误差参数的建模。 这里仅选用各状态和物理量投影在 c系 （计算坐标 系） 的情况进行分析， 实际也可投影到任何坐标系， 且分析类似。
其中 ^^，^^和^)/分别为载体位置 (纬度、 经度、 高程)误差、 速度误差以及姿态角旋转 矢量误差在 c系（计算坐标系）中的投影； 和 依次为加速度计和陀螺的零偏； 。和 分别为加速度计和陀螺的比例因子误差； Sic、 δΥ、 ψ ba, Ssa, <¾g依次为各量的 时间微分；
为 c系中比力向量； （^和 ω 分别为地球自转角速度和 c系相对 e系的旋转角速度在 c系中投影； W saR r 分别代表各传感器误差的相关时间； Wfca， wbg, wM 及 为 驱动白噪声； 和 Cfc"分别为 b系 （载体坐标系） 到 p系 （平台坐标系） 和 b系到 n系 （导 航坐标系） 的方向余弦矩阵； 符号 X 表示两向量的叉乘。
(5)式中 Fvr可表示为：
Fvr =[-g/(RM +h) -g/(RN+h) 2g/(R + h)] (11) 其中 ^«和 依次为地球子午圈和卯酉圈曲率半径； R = ^； g和 h 分别为本地 重力值和高程。
(7)〜(10)式为对待估传感器参数的建模。 这里均选用一阶高斯马尔可夫过程建模。 若采用 随机常数、 随机游走等随机过程来建模亦可。：
卡尔曼滤波的量测信息可以选用伪位置约束或伪速度约束， 对应的量测模型可依次写为： zr =rc -rc = Src +nr (12)
Figure imgf000010_0001
其中 f c = constant 且 Ϋε = 0。 这里 τΓ 和 分别为卡尔曼滤波位置和速度量测向量； 和 ^为卡尔曼滤波状态方程预 测的位置和速度； 和 为伪位置和伪速度观测向量； Λ·ε和^^为状态向量中的位置误差 和速度误差； 和 ην 为量测噪声。 若选用伪位置和伪速度信息共同约束， 则 (12)和 (13)均用做量测方程。 若仅用伪位置或伪 速度信息， 则仅选用 (12)或 (13)作为量测方程。
特别地， 仅选用伪速度信息时， 也可以从卡尔曼滤波器状态向量中去掉位置误差， 并从 状态方程中去掉 (4)式， 以及 (5)式中的 Fv i ^项。 此外， 考虑到本发明的使用对象及操作情况 （IMU位置近似不变， 速度近似为零、 且针 对中低精度 IMU) , 也可对状态方程进行一些简化。
(5) (6)式可简化为：
δΥ = -(2ω + ( :c) χ ^ve + f e χ ψ + Cb pSfb (14)
Ψ = ~(ωί + «L) x Ψ - Cb nd&b ib (15) 设置卡尔曼滤波相关参数。 参照标定对象内置 IMU的传感器性能参数来设定滤波状态误 差方差阵 （Q )， 以及初始状态向量 （X ) 及初始状态方差阵 （P ) 中与待估参数 （加速度计 和陀螺的零偏和比例因子） 有关项。 参照实际标定动作情况， 来设定量测误差方差阵 （R )， 以及 X和 P初值中与导航误差参数 （位置、 速度、 姿态角误差） 有关项。 IMU位置或速度可 能的变化范围在量测误差方差阵 R中体现。
若使用最小二乘作为估计方式， 则相应地对平差过程建模。 可将待估传感器参数作为待 估参数； 伪位置、 伪速度信息可用作量测信息或限制条件， 实际操作中可能的位置和速度变 化范围在协方差矩阵中给出。
步骤 4.2， 将惯性测量单元绕其测量中心旋转， 同时采用标定模型进行实时数据处理。 本 发明在旋转过程中， 即由卡尔曼滤波器不断进行状态预测以及量测更新， 实时地对加速度计 和陀螺的零偏和比例因子进行估计， 并不断反馈修正。 就是说， 每一次滤波， 会估计一组误 差状态参数。 然后对应地用这组参数值修正当前位置、 速度、 姿态角和传感器参数的值。 这 些值再作为系数参与下一次滤波计算。
若使用最小二乘作为估计手段， 则在该步骤中不进行数据处理， 储存各时刻的传感器输 出即可。
步骤 4.3， 根据卡尔曼滤波中提供的指标信息， 判断参数收敛是否已收敛至相应的预设精 度， 是则进入步骤 4.4， 否则继续执行步骤 4.2。 若步骤 4.4在标定动作完成后使用反向平滑， 则判断是否已收敛至相应程度的预设精度为 A， 否则预设精度为 B， A大于 B。 即可适当放宽 对目标收敛程度的要求。
若使用最小二乘作为估计手段， 则在标定操作过程中无法获取指标信息， 则需要旋转足 够的时间， 来保证标定精度。 使用最小二乘， 则必要的操作时间为 C， 使用卡尔曼滤波， 必 要的操作时间为 D， C小于 D。 即是用最小二乘只需要较少的操作时间， 即可保证与卡尔曼滤 波相同的精度。
步骤 4.4，标定动作完成，直接进入步骤 4.5，或者对数据进行一次反向平滑后进入步骤 4.5。 在滤波计算完成后进行反向平滑， 可进一步提高参数估计精度或縮短标定时间。 若需使 用反向平滑， 需将各时刻系统的状态参数量及其方差协方差阵保存下来。 滤波过程中保存的 数据在反向平滑算法中被利用， 通过最大似然方法估计新系统的状态量。 通过对正向滤波和 反向平滑的结果加权可尽量保持结果的连续型和平滑性。
以固定时间间隔平滑 （Fixed Interval Smoothin ) 算法为例， 完整的 RTS平滑方程如下：
Figure imgf000012_0001
其中 Λ为平滑增益矩阵：
Α, = Ρ„Φ[ (Ρ,+1|, )_1 (18) k = N - l, N - 2 .., Q , N为总的量测更新次数。 Φ为离散卡尔曼滤波系统的状态转移矩阵； 为状态向量； P为状态参数的方差协方差矩阵。 下标 表示利用量测向量 z z2， . . . , Z, , 根据其数学模型求定第 时刻的状态向量或方差协方差矩阵的最佳估值。 步骤 4.5， 标定完成， 获得待估的陀螺参数和加速度计参数。
基于以上步骤， 可以对系统的可观测性进行一些分析。 可观测性描述了系统对各待估状 态的估计能力。 通过分析系统的可观测性， 也可以给出一系列操作指导思想。 若按照这些指 导思想进行操作可显著提高标定效率。
具体分析如下：
考虑到本发明中针对中低精度的 IMU,且整个过程中 IMU测量中心的位置变化及线速度 范围非常有限， 则在进行可观测性分析时， 可以对状态方程进行一些简化。 是否做近似不会 影响可观测性分析结果。 这里将可观测性分析放在 n系中进行， 若在其他坐标系中分析则类 似。
取伪速度约束的情况为例分析。 简化后的状态方程为：
SV = f " X ψ" + δΐ" (19)
Υ=-δ& (20) ba=0 (21) b,= 0 (22) δΚ= 0 (23) ^sg= 0 (24) 其中 t"、 ψ" ba Ssa, <¾g依次为速度误差、 姿态角旋转矢量误差、 加速度计零 偏、 陀螺零偏、 加速度计比例因子误差、 陀螺比例因子误差在在 n系中投影的时间微分； ψ" 为姿态角旋转矢量误差； Γ为 n系中比力向量。 δΓ和 δω 分别为比力向量和角速度向量误差在 η系中的投影： δϊπ =b" + diag (fn)Ssn a + w" (25) δ^Ι =b"g + diag(an nh)d^n g + w"g (26) K和 b"g依次为加速度计和陀螺的零偏在 n系中的投影； 和 δ 分别为加速度计和陀 螺的比例因子误差在 η系中的投影； Γ和 分别为比力和 b系相对 η系的角速度在 η系中 的投影。 和 为 η系中加速度计和陀螺的伪噪声项。 符号 'ί^(ν)表示由向量 V中元素组 成的对角阵。
由于 IMU没有明显的位移， 这里忽略了 η系相对 i系 （惯性坐标系） 的角速度 i 。 将 （24) 和 （25)分别代入 （19) 和 （20) ， 可得：
SV =f" χψ" +b" + diag(fn)Ssn a (27)
Ψ = _(b; + diag((on nh)Ssn g) (28) 此时的量测向量为： Z = Zv, 其中 Zv为上述速度量测向量。 假定 x„(=[( :f (Ψ:)τ (K T (^IY (b:„)T ( )Ί)是系统的一组不可观状态。以下对任 一状态 Α使用下标"， 即 表示状态 A中的不可观部分。对量测向量依次求各阶时间微分得： z = SYU" = 0 (29) έ = Γ X ψ= + bn au + diag(TW = 0 (30) z = f " x (bn gu + diag (onb )Ssn gu ) = 0 (31) · = Γ x diag(mn nh)Ssn gu) = 0 (32)
(4)
z = 0 (33)
(*)
z =0,k = 4,5,...,n-\ (34)
(29)式没有非零解， 因此速度误差 ^v" 总是可观测的。
本发明中， 由于 IMU量测中心近乎不动， 则
Figure imgf000014_0001
将所有 n系中的向量表示为其分量的形式， 即 =[ViV„ vEu 。 三个元素分别代表北 向、 东向及地向的分量。
贝 IJ 30)式可以写为接下来的 36M38) 式：
Figure imgf000014_0002
(37) baDu _gSsaDu = (38) 从 (36) 及 （37)式可以看出， 北向和东向的加速度计零偏的不可观部分 (即 b^ 和 baEJ 分别与东向和北向的姿态角误差不可观部分 (即 和 ^ν„)相关。 为地向加速度计比例 因子误差的不可观部分。
从 (40)可以看出， 地向姿态角旋转矢量误差 总是不可观的，因为这个状态没有在方程组 中出现。 DU (地向加速度计零偏不可观部分） 和^ 相关。 但是， 由于对于中低精度的 加速度计而言， 其零偏较比例因子要高数个量级 (即 baZ3远大于 g ^), 因此 b ^的会迅速收 敛至与 g5saD相当的水平。 也就是说 baD会表现为强可观。 综上， 垂直方向的加速度计误差会被估计， 进而可以估计水平姿态角误差。
相似地， （33) 式可以写为 （39)-(40)
-8(bgNu+^NSsgNu) = 0 (39) g(bgEu+ gEJ = Q (40) bgDu 和 5SgDu 没有在 ^&¾公式中出现，意味着 向陀螺的零偏 bZ¾^Btt例因子 总是 不可观的。 bgNu、 bgEu、 ^ 和 ^依次为北向陀螺零偏、 东向陀螺零偏、 北向陀螺比例因 子误差、 东向陀螺比例因子误差的不可观部分； 和《£为北向和东向旋转角速度。 若 =0， 则 bgN (北向陀螺零偏） 可观， SSgN (北向陀螺比例因子误差） 不可观； 相 似地， 若 ί¾=0， 则 £ (东向陀螺零偏） 可观， 5s gE (东向陀螺比例因子误差） 不可观。 若<¾≠0 或 <¾≠0， 则 或 g£u和 或 有关。 考虑到 b^远大于 且 bgE远大于 cESSgE, 则 b^ 或 bgE 会表现为强可观且迅速收敛至 或 cESsgE。
(34) 可写为 (43)-(44) 式：
-g(bNdsgNu = 0 (43) g gEu =0 (44) 如果 ^=0， 则 ^不可观； 若是 ^≠0， 则 可观。 相似地， 的可观测性 取决于 ώΕ 是否为零。 和 为北向和东向旋转角速度的时间微分。 综上， 绕水平轴线的角速度变化有利于相应轴线上陀螺比例因子的估计， 进而将增强相 应的陀螺零偏的估计。 与此同时， 可以看出， 绕垂直轴线的旋转时没有用处的。
根据上述可观测性分析， 可以给出一些操作指导思想：
1. 尽量使 IMU绕水平轴线旋转。 这类动作是有效的； 绕垂直轴线的旋转对标定没有帮 助， 是无效的。 同时， 可以考虑正反转以增大陀螺输出范围， 增强比例因子的估计。
2. 尽量使 IMU遍历各种姿态。 因为一个姿态下的不可观误差参数， 会在另一个姿态下 变为可观。
用户并不一定需要严格按照这些指导思想进行操作， 但按照这些指导思想进行操作可显 著提高标定效率。 为说明本发明效果起见， 以下提供使用本发明标定试验和结果：
使用两款不同精度的 IMU， 在两种操作模式下分别对本发明的精度进行了测试。 所选两 款 IMU分另 Ij为： NovAtel SPAN-FSAS (yvww.novatel.com/assets/Documents/Papers/FSAS.pdf)及 Xsens MTi-G (mm ;se/M.com ¾w/geweraZ/mri-g)。 SPAN-FSAS 内置高端战术级 IMU， MTi-G 则基于典型的 MEMS惯性传感器。 二者的相关性能参数见表 1， 表 1是本发明标定实验所用 两款 IMU相关性能参数表。
表 1
Figure imgf000016_0001
IMU
传感器 SPAN-FSAS MTi-G
级别 Tactical Grade MEMS
采样率 200Hz 100Hz
陀螺 零偏 （Ισ ) 0.75deg/h 3600deg/h
白噪声 （ARW) 0.1 deg/Vh 3.0 deg/Vh
比例因子误差 <300ppm
(1σ )
加速度计零偏 (1σ ) lOOOmGal 2000mGal
白噪声 （VRW) <0.0005m/s2/VHz0.002m/s2/VHz
比例因子误差 <1000ppm 3000ppm
(1σ ) 选用两款 IMU的目的如下：
1. 要评估本发明的标定精度， 需要知道惯性传感器误差参数的真值， 以作为参考。 理论 上， 这些真值可以通过在实验室使用高精度的标定方法， 比如六位置法来获得。 但是， 对于 中低精度的 IMU， 尤其是 MEMS IMU， 其误差随温度变化大， 因此， 不可能获得一套真值， 来作为所有时刻下标定结果的参考值。这时， 考虑引入相对高精度的 IMU, 来解决这个问题。 FSAS的误差较中低精度的 IMU而言要稳定几个数量级。 因此， 若是将 FSAS在实验室中进 行标定并补偿，则其可以被认为是一款理想的，无误差的 IMU。用本发明对该 IMU进行标定， 则可以认为最后得到的传感器误差参数值均是由于本发明算法造成。 在此基础上， 为了进一 步反映本发明标定中低精度 IMU的实际情况， 再人为地向上述理想 IMU输出内加入典型的 中低精度传感器误差， 此时得到的就是一款理想的， 已知传感器误差参数的中低精度 IMU。
具体地， 人为加入的中低精度传感器误差为： 1000deg/h的陀螺零偏； 50000mGal的加速 度计零偏； 所有传感器比例因子误差大小均为 5000ppm。 为了区分， 各轴线所加误差正负号 不同。
2. 因为使用 FSAS已经足以验证本发明的精度， 接下来， 可使用 MTi-G作为一款应用实 例， 进一步验证本发明的可行性。
所有测试均没有使用任何外部设备， 仅靠手工完成。 为了验证不同的标定操作方式 （是 按照上述指导思想， 还是由一个非专业的用户在没有任何指导的情况下进行操作）。在实验中 按照两种模式进行：
模式 1 : 有指导的操作。 基于本发明给出的上述指导思想， 每次沿一水平的 IMU轴线来 旋转， 来增强参数的可观测性。 各陀螺均有机会在近似水平时作为旋转轴， 且能经历顺时针 和逆时针旋转。 各加速度计也均有机会近似朝上或朝下。
模式 2: 随意操作。 用来反映在非专业用户的操作下， 本发明可以达到的精度。 IMU在 手中的旋转完全是随意的， 而不遵循任何指导思想。
标定结果如下：
( 1 ) 在本发明指导思想下使用本发明对 FSAS进行了 30次标定。
表 2是模式 1 (有指导的操作） 下标定 SPAN-FSAS统计结果表。 表中第 1列表示待估传 感器误差参数； 第 2列表示加入的误差值； 第 3和第 4列分别代表标定结果的内符合精度和 外符合精度。
从表 2中看出，模式 1 (有指导的操作）下标定 SPAN-FSAS，30次结果的内符合精度（STD， 重复性）约为： 加速度计零偏 200mGal; 加速度计比例因子误差 300ppm; 陀螺零偏 10deg/h; 陀螺比例因子误差 200ppm。
外符合精度（RMS，精度）约为： 加速度计零偏 400mGal;加速度计比例因子误差 400ppm; 陀螺零偏 lOdeg/h; 陀螺比例因子误差 300ppm。 外符合精度可以代表在该模式下本发明的精 度。
表 2
、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、
待估传感器加入的 内符合 外符合
误 传感 （STD) (RMS)
差参数 （单器误差
違
bax (mGal) +50000 137 396
bay (mGal) - 50000 146 312
baz (mGal) +50000 112 240
5sfax (ppm) +5000 201 289 6sfay (ppm) - 5000 234 336
Ssfaz (ppm) +5000 196 397
bgx (deg/h) +1000 6 7
bgy (deg/h) - 1000 8 10
bgz (deg/h) +1000 6 8
5sfgx (ppm) +5000 144 246
5sfgy (ppm) - 5000 109 111
6sfgz (ppm) +5000 168 、、、、、、i、!、Z.
(2) 使用本发明随意操作 FSAS进行了 30次标定。
表 3是模式 2 (随意操作） 下标定 SPAN-FSAS统计结果表。 表中第 1列表示待估传感器 误差参数； 第 2列表示加入的误差值； 第 3和第 4列分别代表标定结果的内符合精度和外符 合精度。
从表 3中看出， 外符合精度 （RMS, 精度） 约为： 加速度计零偏 900mGal; 加速度计比 例因子误差 600ppm; 陀螺零偏 35deg/h; 陀螺比例因子误差 400ppm。
、、、、、、、 表 3
、、、、、
待估传感器加入的 内符合 外符合
误 传感 （STD ) (RMS )
差参数 （单器误差
位） 值
bax (mGal) +50000 426 885
bay (mGal) - 50000 274 523
baz (mGal) +50000 273 519
Ssfax (ppm) +5000 523 555
6sfay (ppm) - 5000 406 429
Ssfaz (ppm) +5000 298 564
bgx (deg/h) +1000 14 15
bgy (deg/h) - 1000 17 23
bgz (deg/h) +1000 24 35
5sfgx (ppm) +5000 205 352
6sfgy (ppm) - 5000 59 59
Ssfgz (ppm) +5000 226 348
( 3 ) 使用本发明随意操作 MTi-G进行了 30次标定。 以作为非专业用户操作本发明的应 用实例。 表 4是模式 2 (随意操作） 下标定 MTi-G统计结果表。 第 1、 3、 4列分别表示待估参数、 其内符合和外符合精度。 第 2列这里表示待估误差的初值。
从表 4中可以看出， 模式 2 (随意操作） 下标定 MTi-G的外符合精度 （RMS， 精度） 约 为： 加速度计零偏 1400mGal; 加速度计比例因子误差 llOOppm; 陀螺零偏 140deg/h; 陀螺 比例因子误差 1200ppm。 考虑到 MTi-G使用 MEMS IMU, 故结果误差中中还包括由温度变 化造成的影响。 此应用实例也印证了本发明可以用于标定中低精度的 IMU。
表 4
、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、■
待估传感器待估传感 内符合 外符合
误 器误 （STD) (RMS)
差参数 （单差参数初
位） 值
bax (mGal) +50000 473 1364
bay (mGal) - 50000 548 759
baz (mGal) +50000 598 773
Ssfax (ppm) +5000 604 748
5sfay (ppm) - 5000 855 1040
Ssfaz (ppm) +5000 768 772
bgx (deg/h) +1000 119 140
bgy (deg/h) - 1000 52 54
bgz (deg/h) +1000 82 140
5sfgx (ppm) +5000 834 845
5sfgy (ppm) - 5000 281 447
Ssfgz (ppm) +5000 、 1122 总结
本发明涉及一种快速标定惯性测量单元误差系数的方法。 该方法可以在不使用任何外部设 备的条件下， 仅通过用户手持转动 IMU遍历各方向的运动， 即可在短时间（30s左右） 内较精 确地标定出陀螺零偏、 比例因子、 加速度计零偏和比例因子共十二个误差系数。
表 5为两种操作模式下的标定结果表。第 1列为待估传感器误差参数； 第 2列为在模式 1 (有指导的操作） 下实验达到的精度； 第 3列为在模式 2 (随意操作） 下实验达到的精度。 表 5表明， 本发明可以精确标定中低精度 IMU。 由于本发明具有无硬件成本、 高效率、 简单易行的特点， 因此特别适合于对中低精度 IMU的现场快速标定， 有效解决 MEMS IMU 参数的环境敏感性 （尤其是温度敏感性） 问题， 促进 MEMS惯性器件的推广应用。 传感器误差 有指导的 随意操作
操作 （模式 2)
(模式 1 ) 下
T 标定精度 加速度计零偏 400 mGal 900 mGal
加速度计比例
因子 400 ppm 600 ppm 陀螺零偏 i0 deg/h 35 deg/h 陀螺比例因子 400 ppm 400 ppm
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。 本发明所属技术领域的技 术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代， 但并不 会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims

权 利 要 求 书
1.一种惯性测量单元的快速标定方法， 其特征在于， 包括以下步骤：
步骤 1， 在惯性测量系统开机预热后， 判断是否已知惯性测量单元的初始水平姿态角， 是则直接进入步骤 3， 否则进入步骤 2;
步骤 2， 将惯性测量单元保持一段时间的静态， 根据静态时段的加速度计测量信息和陀 螺测量信息， 近似计算惯性测量单元的初始水平姿态角；
步骤 3， 任意设定惯性测量单元的初始航向姿态角；
步骤 4， 将惯性测量单元绕其测量中心旋转， 并基于已知的初始水平姿态角或步骤 2所 得初始水平姿态角及步骤 3所得初始航向姿态角， 通过标定解算得到待估的陀螺参数和加速 度计参数； 计算时将惯性测量单元的位置变化量以及速度变化量均设定为零， 分别作为伪位 置观测信息和伪速度观测信息。
2.根据权利要求 1所述惯性测量单元的快速标定方法， 其特征在于： 步骤 1中将惯性测量单 元保持一段时间的静态和步骤 2中将惯性测量单元绕其测量中心旋转， 采用手工操作实现或 者其它机器设备操作实现。
3.根据权利要求 1或 2所述惯性测量单元的快速标定方法， 其特征在于： 步骤 4采用卡尔曼 滤波标定方法进行标定解算， 具体实现方式如下，
步骤 4.1， 对卡尔曼滤波标定方法的整个标定计算过程进行建模， 得到标定模型； 基于已知的 初始水平姿态角或步骤 2所得初始水平姿态角及步骤 3所得初始航向姿态角设置标定模型中相 关参数的初值， 进行标定算法初始化；
步骤 4.2， 将惯性测量单元绕其测量中心旋转， 同时采用标定模型进行实时数据处理； 步骤 4.3， 判断待估 IMU参数是否已收敛至相应的预设精度， 是则进入步骤 4.4， 否则继续执行 步骤 4.2;
步骤 4.4， 标定动作完成， 直接进入步骤 4.5， 或者对数据进行一次反向平滑后进入步骤 4.5; 步骤 4.5， 标定完成， 获得待估的陀螺参数和加速度计参数。
PCT/CN2013/072202 2012-03-06 2013-03-05 一种惯性测量单元的快速标定方法 WO2013131471A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US14/239,145 US20140372063A1 (en) 2012-03-06 2013-03-05 Quick calibration method for inertial measurement unit

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201210056759.2A CN102865881B (zh) 2012-03-06 2012-03-06 一种惯性测量单元的快速标定方法
CN201210056759.2 2012-03-06

Publications (1)

Publication Number Publication Date
WO2013131471A1 true WO2013131471A1 (zh) 2013-09-12

Family

ID=47444897

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2013/072202 WO2013131471A1 (zh) 2012-03-06 2013-03-05 一种惯性测量单元的快速标定方法

Country Status (3)

Country Link
US (1) US20140372063A1 (zh)
CN (1) CN102865881B (zh)
WO (1) WO2013131471A1 (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107014400A (zh) * 2017-05-22 2017-08-04 南京信息工程大学 无人机惯性导航单元的自动校准装置及校准方法
CN110221302A (zh) * 2019-05-24 2019-09-10 上海高智科技发展有限公司 环境探测装置及其修正方法、系统、便携设备及存储介质
CN110325825A (zh) * 2017-03-27 2019-10-11 赫尔实验室有限公司 用于自主井眼钻探的自适应井下惯性测量单元校准方法和装置
CN110361031A (zh) * 2019-07-05 2019-10-22 东南大学 一种基于回溯理论的imu全参数误差快速标定方法
CN110954096A (zh) * 2019-12-13 2020-04-03 陕西瑞特测控技术有限公司 一种基于mems器件航向姿态测量的方法
CN112697074A (zh) * 2020-12-10 2021-04-23 易思维（天津）科技有限公司 动态待测物角度测量仪及测量方法
CN113532477A (zh) * 2021-07-15 2021-10-22 青岛迈金智能科技有限公司 一种骑行码表设备及骑行码表初始姿态自动校准方法
CN113670330A (zh) * 2020-05-14 2021-11-19 北京机械设备研究所 一种基于递推最小二乘法的mems陀螺仪快速标定方法
CN113776559A (zh) * 2021-09-14 2021-12-10 北京控制工程研究所 一种基于误差对消的安装矩阵快速标定方法
CN113865583A (zh) * 2021-07-20 2021-12-31 北京航天控制仪器研究所 一种加速度计组合动态安装偏差矩阵确定及补偿方法
CN114088118A (zh) * 2021-12-08 2022-02-25 北京理工大学 一种正反转法mems陀螺仪标定补偿方法

Families Citing this family (58)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102865881B (zh) * 2012-03-06 2014-12-31 武汉大学 一种惯性测量单元的快速标定方法
CN103323023A (zh) * 2013-04-26 2013-09-25 哈尔滨工程大学 一种船舶电磁计程仪标度因子的实时校正方法
CN103344257B (zh) * 2013-06-28 2014-06-18 武汉大学 一种惯性测量单元的快速温度标定方法
JP2016033474A (ja) * 2014-07-31 2016-03-10 セイコーエプソン株式会社 位置算出方法及び位置算出装置
CN104237565B (zh) * 2014-09-29 2016-10-05 陕西宝成航空仪表有限责任公司 微机械加速度计温度系统的测试与标定方法
US9874459B2 (en) 2015-02-24 2018-01-23 The Regents Of The University Of Michigan Actuation and sensing platform for sensor calibration and vibration isolation
US9970781B2 (en) 2015-03-03 2018-05-15 West Virginia University Apparatus for three-axis IMU calibration with a single-axis rate table
CN105203129B (zh) * 2015-10-13 2019-05-07 上海华测导航技术股份有限公司 一种惯导装置初始对准方法
CN105203133B (zh) * 2015-11-05 2018-04-10 北京航空航天大学 一种带旋转机构的惯性导航系统用测角装置快速寻零方法
CN105547326B (zh) * 2015-12-08 2018-04-06 上海交通大学 陀螺与磁传感器联合标定方法
JP6705686B2 (ja) * 2016-03-31 2020-06-03 株式会社クボタ 作業車
US10520317B2 (en) 2016-06-02 2019-12-31 Maliszewski Family 2001 Trust In-situ wheel position measurement using inertial measurement units (IMUs)
FR3057349B1 (fr) * 2016-10-11 2019-07-12 Safran Electronics & Defense Perfectionnements aux procedes d'alignement de centrale inertielle
US10362228B2 (en) 2016-10-22 2019-07-23 Gopro, Inc. Fast attitude error correction
CN109387219A (zh) * 2017-08-02 2019-02-26 珊口（上海）智能科技有限公司 误差标定系统
CN107656095A (zh) * 2017-08-15 2018-02-02 歌尔科技有限公司 加速度计的标定方法、装置及电子设备
CN107907129B (zh) * 2017-09-26 2021-11-09 广州新维感信息技术有限公司 Vr手柄姿态初始化方法、vr手柄及存储介质
US12004852B2 (en) * 2017-09-28 2024-06-11 Vital Connect, Inc. Sensor calibration considering subject-dependent variables and/or body positions
CN108303120B (zh) * 2018-02-22 2020-03-24 北京航空航天大学 一种机载分布式pos的实时传递对准的方法及装置
US10612901B2 (en) 2018-03-23 2020-04-07 Simmonds Precision Products, Inc. Real-time compensation of inertial gyroscopes
US11525941B2 (en) 2018-03-28 2022-12-13 Halliburton Energy Services, Inc. In-situ calibration of borehole gravimeters
CN109186635A (zh) * 2018-08-30 2019-01-11 上海仙知机器人科技有限公司 三轴陀螺仪的零点校准方法及系统
CN109000683B (zh) * 2018-08-30 2020-11-13 衡阳市衡山科学城科技创新研究院有限公司 一种dtg惯组静态漂移标定方法及装置
CN109556631B (zh) * 2018-11-26 2020-07-24 北方工业大学 一种基于最小二乘的ins/gnss/偏振/地磁组合导航系统对准方法
CN110006455A (zh) * 2019-04-24 2019-07-12 保定开拓精密仪器制造有限责任公司 用于冗余惯导系统中加速度计误差参数的快速标定方法
CN110031023A (zh) * 2019-05-16 2019-07-19 上海华测导航技术股份有限公司 一种工程机械姿态传感器系统误差标定方法
CN112665610B (zh) * 2019-10-15 2023-01-03 哈尔滨工程大学 一种惯性平台误差参数标定方法
US11656081B2 (en) * 2019-10-18 2023-05-23 Anello Photonics, Inc. Integrated photonics optical gyroscopes optimized for autonomous terrestrial and aerial vehicles
CN112733314B (zh) * 2019-10-28 2023-03-21 成都安则优科技有限公司 一种惯性传感器数据模拟方法
CN110672127B (zh) * 2019-11-01 2021-10-19 苏州大学 阵列式mems磁传感器实时标定方法
CN112798010B (zh) * 2019-11-13 2023-05-09 北京三快在线科技有限公司 一种视觉惯性里程计vio系统的初始化方法、装置
CN110967037B (zh) * 2019-11-21 2023-08-04 中国船舶重工集团公司第七0五研究所 一种低精度mems陀螺简易在线测漂方法
CN111141279B (zh) * 2019-12-20 2022-07-01 北京小马慧行科技有限公司 行车轨迹的处理方法及装置
WO2021160070A1 (en) * 2020-02-11 2021-08-19 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Imu static noise calibration scale adjustment for vislam applications
CN111780753B (zh) * 2020-06-10 2021-12-07 北京航天控制仪器研究所 一种姿态误差反馈修正的提高惯性制导精度的方法
CN111780752B (zh) * 2020-06-10 2022-01-04 北京航天控制仪器研究所 一种姿态误差可观测的提高惯性制导精度方法
CN111609869B (zh) * 2020-06-10 2021-10-22 广东国天时空科技有限公司 基于假设检验的正反多位置光纤陀螺方位效应判断方法
CN111982151B (zh) * 2020-07-17 2022-07-22 中科长城海洋信息系统有限公司 一种光纤捷联惯导系统的自标定方法
CN112013876A (zh) * 2020-08-28 2020-12-01 上海爱观视觉科技有限公司 Imu数据标定方法、终端设备及计算机可读存储介质
CN112197767B (zh) * 2020-10-10 2022-12-23 江西洪都航空工业集团有限责任公司 一种在线改进滤波误差的滤波器设计方法
CN112378417A (zh) * 2020-10-27 2021-02-19 苏州臻迪智能科技有限公司 一种基于惯性测量单元的陀螺仪零偏获取方法及系统
RU2758891C1 (ru) * 2020-11-27 2021-11-02 Федеральное государственное унитарное предприятие "Научно-производственный центр автоматики и приборостроения имени академика Н.А. Пилюгина" (ФГУП "НПЦАП") Способ комбинированной калибровки блока акселерометров
CN112509064B (zh) * 2020-12-22 2024-06-04 阿波罗智联(北京)科技有限公司 显示摄像机标定进度的方法、装置、设备和存储介质
CN114979456B (zh) * 2021-02-26 2023-06-30 影石创新科技股份有限公司 视频数据的防抖处理方法、装置、计算机设备和存储介质
CN113074755B (zh) * 2021-03-28 2022-04-15 东南大学 基于正向-反向回溯对准的加速度计常值漂移估计方法
CN113390437B (zh) * 2021-05-06 2023-04-07 上海奥欧智能科技有限公司 一种基于imu的计步定位的步长修正系统及方法
CN113340298B (zh) * 2021-05-24 2024-05-17 南京航空航天大学 一种惯导和双天线gnss外参标定方法
CN113298796B (zh) * 2021-06-10 2024-04-19 西北工业大学 一种基于最大后验imu的线特征slam初始化方法
CN113566849B (zh) * 2021-07-29 2024-03-05 深圳元戎启行科技有限公司 惯性测量单元的安装角度标定方法、装置和计算机设备
CN113532432B (zh) * 2021-08-09 2022-11-11 湖北航天技术研究院总体设计所 一种惯性测量的冗余系统及标定方法
CN113465632B (zh) * 2021-09-03 2024-06-18 北京亮亮视野科技有限公司 传感器的校准方法、装置、设备和介质
CN113984088B (zh) * 2021-10-11 2024-01-26 北京信息科技大学 Mems惯性传感器多位置自动标定方法、装置及系统
CN114295147A (zh) * 2021-12-17 2022-04-08 杭州海康威视数字技术股份有限公司 云台动态校准方法、装置及设备
CN114353828B (zh) * 2021-12-23 2024-01-16 湖南航天机电设备与特种材料研究所 一种激光捷联惯组标定测试装置及测试方法
CN115507791B (zh) * 2022-11-18 2023-03-17 武汉大学 地下管线的惯性吹球测量系统及方法
DE102022131845B3 (de) * 2022-12-01 2024-02-29 Deutsches Zentrum für Luft- und Raumfahrt e.V. Nutzung einer Kreuz-Sensitivität von unterschiedlichen inertialen Sensoren
CN115597571B (zh) * 2022-12-15 2023-03-28 西南应用磁学研究所(中国电子科技集团公司第九研究所) 电子罗盘传感器误差及安装误差快速标定与补偿方法
CN117609737B (zh) * 2024-01-18 2024-03-19 中国人民解放军火箭军工程大学 一种惯性导航系统健康状态预测方法、系统、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1908584A (zh) * 2006-08-23 2007-02-07 北京航空航天大学 一种捷联惯性导航系统初始姿态确定方法
CN101021546A (zh) * 2007-03-26 2007-08-22 北京航空航天大学 一种光纤陀螺惯性测量单元的现场标定方法
CN101706287A (zh) * 2009-11-20 2010-05-12 哈尔滨工程大学 一种基于数字高通滤波的旋转捷联系统现场标定方法
US20110066395A1 (en) * 2009-09-14 2011-03-17 Honeywell International Inc. Systems and methods for gyroscope calibration
US20110178707A1 (en) * 2010-01-21 2011-07-21 Invensense, Inc. Apparatus and methodology for calibration of a gyroscope and a compass included in a handheld device
CN102865881A (zh) * 2012-03-06 2013-01-09 武汉大学 一种惯性测量单元的快速标定方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6246960B1 (en) * 1998-11-06 2001-06-12 Ching-Fang Lin Enhanced integrated positioning method and system thereof for vehicle
US8019542B2 (en) * 2007-04-16 2011-09-13 Honeywell International Inc. Heading stabilization for aided inertial navigation systems
US8086405B2 (en) * 2007-06-28 2011-12-27 Sirf Technology Holdings, Inc. Compensation for mounting misalignment of a navigation device
US8024119B2 (en) * 2007-08-14 2011-09-20 Honeywell International Inc. Systems and methods for gyrocompass alignment using dynamically calibrated sensor data and an iterated extended kalman filter within a navigation system
US8164514B1 (en) * 2009-05-07 2012-04-24 Chun Yang Method and apparatus for fusing referenced and self-contained displacement measurements for positioning and navigation

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1908584A (zh) * 2006-08-23 2007-02-07 北京航空航天大学 一种捷联惯性导航系统初始姿态确定方法
CN101021546A (zh) * 2007-03-26 2007-08-22 北京航空航天大学 一种光纤陀螺惯性测量单元的现场标定方法
US20110066395A1 (en) * 2009-09-14 2011-03-17 Honeywell International Inc. Systems and methods for gyroscope calibration
CN101706287A (zh) * 2009-11-20 2010-05-12 哈尔滨工程大学 一种基于数字高通滤波的旋转捷联系统现场标定方法
US20110178707A1 (en) * 2010-01-21 2011-07-21 Invensense, Inc. Apparatus and methodology for calibration of a gyroscope and a compass included in a handheld device
CN102865881A (zh) * 2012-03-06 2013-01-09 武汉大学 一种惯性测量单元的快速标定方法

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110325825A (zh) * 2017-03-27 2019-10-11 赫尔实验室有限公司 用于自主井眼钻探的自适应井下惯性测量单元校准方法和装置
CN107014400B (zh) * 2017-05-22 2023-09-26 南京信息工程大学 无人机惯性导航单元的自动校准装置及校准方法
CN107014400A (zh) * 2017-05-22 2017-08-04 南京信息工程大学 无人机惯性导航单元的自动校准装置及校准方法
CN110221302A (zh) * 2019-05-24 2019-09-10 上海高智科技发展有限公司 环境探测装置及其修正方法、系统、便携设备及存储介质
CN110361031B (zh) * 2019-07-05 2022-06-10 东南大学 一种基于回溯理论的imu全参数误差快速标定方法
CN110361031A (zh) * 2019-07-05 2019-10-22 东南大学 一种基于回溯理论的imu全参数误差快速标定方法
CN110954096A (zh) * 2019-12-13 2020-04-03 陕西瑞特测控技术有限公司 一种基于mems器件航向姿态测量的方法
CN110954096B (zh) * 2019-12-13 2023-03-14 陕西瑞特测控技术有限公司 一种基于mems器件航向姿态测量的方法
CN113670330B (zh) * 2020-05-14 2024-05-31 北京机械设备研究所 一种基于递推最小二乘法的mems陀螺仪快速标定方法
CN113670330A (zh) * 2020-05-14 2021-11-19 北京机械设备研究所 一种基于递推最小二乘法的mems陀螺仪快速标定方法
CN112697074B (zh) * 2020-12-10 2022-07-15 易思维（天津）科技有限公司 动态待测物角度测量仪及测量方法
CN112697074A (zh) * 2020-12-10 2021-04-23 易思维（天津）科技有限公司 动态待测物角度测量仪及测量方法
CN113532477A (zh) * 2021-07-15 2021-10-22 青岛迈金智能科技有限公司 一种骑行码表设备及骑行码表初始姿态自动校准方法
CN113865583A (zh) * 2021-07-20 2021-12-31 北京航天控制仪器研究所 一种加速度计组合动态安装偏差矩阵确定及补偿方法
CN113865583B (zh) * 2021-07-20 2024-02-09 北京航天控制仪器研究所 一种加速度计组合动态安装偏差矩阵确定及补偿方法
CN113776559A (zh) * 2021-09-14 2021-12-10 北京控制工程研究所 一种基于误差对消的安装矩阵快速标定方法
CN113776559B (zh) * 2021-09-14 2023-07-14 北京控制工程研究所 一种基于误差对消的安装矩阵快速标定方法
CN114088118A (zh) * 2021-12-08 2022-02-25 北京理工大学 一种正反转法mems陀螺仪标定补偿方法
CN114088118B (zh) * 2021-12-08 2024-04-05 北京理工大学 一种正反转法mems陀螺仪标定补偿方法

Also Published As

Publication number Publication date
CN102865881A (zh) 2013-01-09
US20140372063A1 (en) 2014-12-18
CN102865881B (zh) 2014-12-31

Similar Documents

Publication Publication Date Title
WO2013131471A1 (zh) 一种惯性测量单元的快速标定方法
US8024119B2 (en) Systems and methods for gyrocompass alignment using dynamically calibrated sensor data and an iterated extended kalman filter within a navigation system
CN101514900B (zh) 一种单轴旋转的捷联惯导系统初始对准方法
CN103674064B (zh) 捷联惯性导航系统的初始标定方法
RU2463558C1 (ru) Способ определения курса в направлении географического севера при помощи инерциального счетчика текущих координат
Ladetto et al. Digital magnetic compass and gyroscope integration for pedestrian navigation
CN100547352C (zh) 适合于光纤陀螺捷联惯性导航系统的地速检测方法
CN105571578B (zh) 一种利用伪观测取代精密转台的原地旋转调制寻北方法
CN105371844A (zh) 一种基于惯性/天文互助的惯性导航系统初始化方法
CN106662443A (zh) 用于垂直轨迹确定的方法和系统
CN104075713B (zh) 一种惯性/天文组合导航方法
CN102278987A (zh) 位置计算方法和位置计算装置
CN103575299A (zh) 利用外观测信息的双轴旋转惯导系统对准及误差修正方法
CN103697878B (zh) 一种单陀螺单加速度计旋转调制寻北方法
WO2016198009A1 (zh) 一种检测航向的方法和装置
CN106068441A (zh) 惯性单元的校准方法
CN102879011A (zh) 一种基于星敏感器辅助的月面惯导对准方法
CN101706287A (zh) 一种基于数字高通滤波的旋转捷联系统现场标定方法
CN103900608A (zh) 一种基于四元数ckf的低精度惯导初始对准方法
CN103557864A (zh) Mems捷联惯导自适应sckf滤波的初始对准方法
CN103727940A (zh) 基于重力加速度矢量匹配的非线性初始对准方法
CN103765226A (zh) 确定惯性传感器方向偏移的方法和系统
CN110440797A (zh) 车辆姿态估计方法及系统
Avrutov Autonomous determination of initial latitude with an inertial measuring unit
Kohl et al. On the influence of sample rate, calibration, and Allan variance parameters on the accuracy of ZUPT-based pedestrian navigation with MEMS IMUs

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 13757501

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 14239145

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 13757501

Country of ref document: EP

Kind code of ref document: A1