在自动行驶过程中，定位或者导航负责实时提供载体的运动信息，包括载体的：位置、速度、姿态、加速度、角速度等信息。

自动驾驶对定位系统有以下要求：

1、高精度：达到厘米级。

2、高可用性：保持它的稳定性，自动驾驶测试已经从封闭的场景转移到更开放的场景，这要求我们定位系统能处理更多更复杂的情况。

3、高可靠性：整个定位的输出是感知，规划与控制的输入，如果定位系统出现偏差将会导致很严重的后果。

4、自主完好性检测：因为我们系统的可靠性只能做到非常接近100%，但是难以达到真正的100%，这要求我们在没有办法提供准确的输出的时候，能及时的警告用户，采取措施，避免发生事故。

目前自动驾驶常用的惯性测量单元IMU按照精度可以分为两类：一种是基于光纤陀螺FOG的IMU，它的特点是精度高，但同时成本也高，一般应用于精度要求较高的地图采集车辆。第二种是基于MEMS器件的IMU，它的特点是体积小，成本低，环境适应性强，缺点是误差大，如果把它应用在自动驾驶测试车辆中，需经过比较复杂的处理。

惯性测量传感器可以测量运动载体的姿态参数（横滚角、俯仰角、角速度、加速度）。采用高可靠性的MEMS加速度计和陀螺仪，通过算法保证测量精度，通过非线性补偿、正交补偿、温度补偿和漂移补偿等多种补偿，适用于运动或振动状态下的惯性姿态测量。

为了有IMU输出的原始数据得到导航定位输出，需要进行捷联惯性导航（SINS）解算，包括这样的几个模块：

1、陀螺输出角速度信息积分得到姿态

2、采用姿态信息对加速度计输出的比力做转换，由载体坐标系到导航坐标系

3、重力计算，有害加速度，地球自转角速度等补偿

4、加速度信息积分得到速度与位置

由于积分过程的存在，造成输出误差随着工作时间发生积累。

而全球卫星定位导航是基于测定的绝对定位方案，误差不会随着工作时间以及载体运动发生变化。目前全球卫星导航的一个显著的特点是由单频单系统向多频多系统转变，比如北斗导航系统，可以在极大的程度上提高了我们导航系统的可靠性与可用性。另外一个显著的特点是精密定位，在民用领域的广泛应用，尤其是基于载波相位动态差分的RTK技术在无人机，精密农业等领域得的了普遍的应用。

目前的导航定位优化方法，还是基于传统得卡尔曼滤波器，其优化的一个指标是使状态方差达到最小。在建立Kalman Filter模型的时候，首先要选择状态变量，目前还是基于导航参数误差+车载的传感器误差，作为状态估计。然后状态方程通过一步预测和量测更新，实现在时间域的递推。

标签： 高精度惯性导航