RINS-W：仅使用IMU实现轮式车惯性导航

轮式车辆的惯性导航系统（INS）通常需要依靠额外的传感器，如GPS或里程表来校正累积的惯性误差。然而，在GPS信号不可用或不可靠的情况下，这些系统就会失效。

RINS-W 是一种仅使用单个惯性测量单元（IMU）的惯性导航方法，可以解决这一问题。该方法利用IMU传感器测量值和车轮里程表数据来估计车辆的状态，包括位置、速度和姿态。

与传统 INS 方法不同，RINS-W 不需要外部传感器来校正累积误差。相反，它使用一种称为“滑动窗口”的算法来滤除噪声并估计车辆状态。该算法通过不断更新一个固定大小的传感器测量值窗口来工作，并使用这些测量值来估计车辆的状态。

RINS-W 已在真实车辆上进行测试，结果表明该方法在长达数小时的时间内可以提供准确的导航信息，即使在 GPS 信号不可用的情况下也是如此。

该论文在 2019 年国际机器人与系统大会 (IROS) 上发表。

引言

惯性导航系统（INS）是用于确定车辆位置、速度和姿态的设备。INS 通常使用惯性测量单元（IMU）来测量加速度和角速度，然后使用这些测量值来估计车辆的状态。

然而，传统的 INS 方法存在几个缺点。首先，它们容易受到累积惯性误差的影响。随着时间的推移，这些误差会导致导航信息不准确。其次，传统的 INS 方法通常需要外部传感器，如 GPS 或里程表，来校正累积误差。这可能会限制 INS 的使用，尤其是在 GPS 信号不可用的情况下。

RINS-W 是一种仅使用单个 IMU 的惯性导航方法，可以解决这些缺点。该方法利用 IMU 传感器测量值和车轮里程表数据来估计车辆的状态，并且不需要外部传感器来校正累积误差。

方法

RINS-W 使用一种称为“滑动窗口”的算法来估计车辆状态。该算法通过不断更新一个固定大小的传感器测量值窗口来工作，并使用这些测量值来估计车辆的状态。

滑动窗口的大小由算法的“时间常数”确定。时间常数越大，窗口中包含的测量值越多，算法的估计就越平滑。然而，时间常数越大，算法对突然变化的响应也越慢。

RINS-W 使用卡尔曼滤波器来估计车辆状态。卡尔曼滤波器是一种递归算法，可以结合来自不同传感器的测量值来估计状态。卡尔曼滤波器使用系统模型和测量模型来估计车辆的状态。

系统模型了车辆状态随时间变化的方式。测量模型了传感器测量值与车辆状态之间的关系。

RINS-W 使用 IMU 传感器测量值和车轮里程表数据作为输入。IMU 传感器测量值用于估计车辆加速度和角速度。车轮里程表数据用于估计车辆速度。

卡尔曼滤波器使用这些输入来估计车辆状态。车辆状态包括位置、速度和姿态。

结果

RINS-W 已在真实车辆上进行测试，结果表明该方法在长达数小时的时间内可以提供准确的导航信息，即使在 GPS 信号不可用的情况下也是如此。

在一次测试中，RINS-W 在 GPS 信号不可用时行驶了 10 公里。RINS-W 的位置估计误差小于 5 米，速度估计误差小于 0.1 m/s。

结论

RINS-W 是一种仅使用 IMU 的惯性导航方法，可以为轮式车辆提供准确的导航信息，即使在 GPS 信号不可用的情况下也是如此。该方法利用车轮里程表数据和 IMU 传感器测量值来估计车辆状态，并且已经过真实车辆测试，结果表明该方法可以提供长达数小时的准确导航信息。