一种用于车辆运动的高动态姿态解决方案和计算系统，该系统将三轴陀螺仪与三轴加速度计和速度计结合在一起，用于测量和计算车辆导航信息。针对运动状态下的姿态算法，提出了一种基于四元数的扩展卡尔曼滤波算法。

图1 算法结构

通过欧拉角和四元数的变换方法，将陀螺仪姿态四元数用作扩展卡尔曼滤波算法的状态量。经速度计补偿了加速度计后，将计算出的姿态四元数用作观测测量。噪声协方差矩阵的测量用于对其进行校正。建立卡尔曼方程，通过获得高精度姿态四元数来求解姿态角。

实验结果表明，该算法有效地解决了精度低，误差大，容易受到运动加速度影响的缺点，提高了高动态车辆惯性导航系统的精度。

图2 直线运动时车辆的姿态角

通过线性运动实验获得，在线性运动测试中，多传感器EKF算法优于标准EKF算法和陀螺仪四元数方法。结果表明，本文算法对线性加速度抑制处理有较大的改进。它可以抵消振动对姿态的影响。

从具有S型运动的实验中获得。由于S型机芯是复合机芯，因此可以看作是激烈的驾驶测试。在这种状态下，多传感器EKF算法也优于标准EKF算法和陀螺四元数方法。该算法有效地消除了高动态运动过程中运动加速度对姿态估计的影响。

图3 S型运动的车辆的姿态角

通过对实验数据的分析，可以得出陀螺四元数算法由于各种噪声而漂移严重，精度差的结论。尽管传统的EKF算法可以抑制随机漂移，但无法消除运动加速度对姿态估计的影响。可以看出，该算法有效地补偿了陀螺仪的漂移，消除了车辆的运动加速度。

图4 实验平台

这是一种基于扩展卡尔曼滤波的高动态车辆多传感器姿态估计算法。该算法结合了三轴陀螺仪，三轴加速度计和速度计，用于车辆导航，姿态信息的测量和计算。它为车辆姿态提供了高精度解决方案，并为车辆的自主惯性导航系统提供了必要的信息。

标签： 多传感器惯性导航系统