[发明专利]基于卡尔曼滤波的MEMS惯性传感器阵列融合方法

说明书

本发明公开了一种基于卡尔曼滤波的MEMS惯性传感器阵列融合方法，采用传感器阵列技术与卡尔曼滤波技术结合，对运动信息数据包中的三轴角速率值和三轴加速度值进行误差标定、温度补偿和卡尔曼滤波算法融合，减小了惯性传感器的噪声，提高了惯性传感器对运动物体的测量精度。同时为了提高惯性传感器阵列在动态条件下的性能，在卡尔曼滤波器中引入自适应渐消因子，通过减小以往估计值在现有估计值的比重来提高滤波效果。该方法精度高、适用性强，有助于解决现有低成本惯性传感器精度过低、难以满足许多实际应用的需求等问题。

技术领域

本发明属于惯性传感器领域，具体涉及一种基于卡尔曼滤波的MEMS惯性传感器阵列融合方法。

背景技术

惯性传感器，包含加速度计和陀螺仪，是分别用于检测加速度信息和角速度信息的传感器。由于惯性传感器完全自主、不受干扰、输出信息量大、输出信息实时性强的优点，在军用、航空航天领域获得广泛应用。随着微机电(MEMS，Micro Electro MechanicalSystem)技术的发展，基于MEMS技术的惯性传感器成本与功耗不断降低，性能也逐渐提升，目前在消费领域，微陀螺和微加速度计随处可见。然而，由于工艺、检测电路等条件的限制，目前微陀螺和微加速度计的精度普遍较低，制约了其在更多领域的应用，国内与国外的差距相对较大。因此，研究如何有效提高微陀螺和微加速度计的精度具有十分重要的理论意义和应用价值。

利用数据融合技术可以提升传感器应用时的性能。将来自多个传感器或多源信息进行综合处理，可以得到更为准确、可靠的结果。因此，可同时使用多个硅微机械陀螺组成阵列，对同一信号进行冗余检测并输出多个检测值，然后采用数据融合技术对这些检测值进行分析综合，得到对输入角速率的最优估计，从而提高陀螺的精度，此即为“虚拟陀螺技术”。

目前国外对虚拟陀螺技术方面的成果鲜有公布，国内的研究大多局限于理论分析和仿真验证上。如2009年，东南大学的吉训生等通过阵列信号的数据融合和滤波处理减小了陀螺仪动态信号的噪声，使其零偏不稳定性提高了2.54倍，漂移性能提高了1.52倍。2017年，昆明理工大学的陈书钊等提出了三种用于多传感器数据融合的Kalman滤波器，利用仿真的方法对搭建的陀螺阵列输出的数据进行处理，对三种模型的效果进行了检验。可见，由于实验条件的限制，目前国内在硬件平台搭建方面的经验不足，对阵列系统在真实动态环境下的研究不多，不利于工程化实现。

发明内容

本发明的目的在于提供一种基于卡尔曼滤波的MEMS惯性传感器阵列融合方法，采用传感器阵列技术与卡尔曼滤波技术结合，解决了现有低成本惯性传感器精度过低、难以满足许多实际应用的需求等问题。

实现本发明目的的技术解决方案为：一种基于卡尔曼滤波的MEMS惯性传感器阵列融合方法，所述惯性传感器阵列内置温度传感器，步骤如下：

步骤1、将惯性传感器阵列固定在运动物体上，采集运动物体的运动信息数据包，通过运动信息数据包的帧头及帧尾判断该运动信息数据包的正确性；若不正确，重复步骤1，接收下一包；若正确，进入步骤2；

步骤2、根据惯性传感器阵列的协议，将运动信息数据包从二进制转换为十进制，其中运动信息数据包括三轴角速率、三轴加速度和温度，每个角速率、加速度和温度数据均由高八位数据D₂和低八位数据D₁构成，则运动信息数据包内数据的十进制值u按照如下公式计算：

u＝(D₂*256+D₁)*r/0xFFFF

其中，r为传感器的量程，对运动信息数据包中的数据依次解析，得到三个轴的角速率值并构成的列向量三个轴的加速度值并构成的列向量温度值T，进入步骤3；

步骤3、分别对和进行误差标定：