姿態(tài)檢測(cè)系統(tǒng)中的數(shù)據(jù)融合算法綜述

王 翔，白 茹，崔曉陽(yáng)，吳 濤，錢正洪

(杭州電子科技大學(xué) 磁電子中心，浙江 杭州 310018)

傳統(tǒng)的姿態(tài)檢測(cè)系統(tǒng)使用機(jī)械式的慣性傳感器來(lái)檢測(cè)載體姿態(tài)。該方法存在體積大、信號(hào)易受干擾、受使用環(huán)境制約等缺點(diǎn)，影響測(cè)量精度以及系統(tǒng)的穩(wěn)定性。自20世紀(jì)90年代以來(lái)，微機(jī)電系統(tǒng)(Micro-Electro-Mechanical System，MEMS)相關(guān)技術(shù)迅猛發(fā)展，MEMS慣性傳感器已被廣泛應(yīng)用于姿態(tài)檢測(cè)系統(tǒng)中以獲取人體的姿態(tài)信息、測(cè)量小型飛行器姿態(tài)、確定移動(dòng)設(shè)備使用者的運(yùn)動(dòng)狀態(tài)和步進(jìn)信息等[1-3]。MEMS慣性傳感器的出現(xiàn)使得姿態(tài)檢測(cè)系統(tǒng)朝著低成本、小型化和低功耗的方向發(fā)展，同時(shí)也為該系統(tǒng)在民用領(lǐng)域的推廣打下了堅(jiān)實(shí)的基礎(chǔ)。

雖然MEMS傳感器具有重量輕、價(jià)格低廉等優(yōu)勢(shì)，但由于其自身制造工藝的限制，輸出中往往伴隨著很大的噪聲干擾，導(dǎo)致測(cè)量精度降低。同時(shí)，MEMS慣性傳感器無(wú)法克服傳統(tǒng)慣性器件存在的累積誤差，長(zhǎng)期使用會(huì)影響整個(gè)系統(tǒng)的可靠性。為了消除MEMS慣性傳感器的輸出噪聲，提高系統(tǒng)的測(cè)量精度，除了建立傳感器的誤差模型進(jìn)行標(biāo)定補(bǔ)償以外，還可以采用多傳感器組合測(cè)量的方案?；贛EMS和磁阻傳感器的姿態(tài)檢測(cè)系統(tǒng)就是將磁阻傳感器作為輔助傳感器，使用合適的數(shù)據(jù)融合算法來(lái)校準(zhǔn)MEMS傳感器的輸出值，從而提高姿態(tài)解算的準(zhǔn)確性。該系統(tǒng)中，MEMS陀螺儀具有高動(dòng)態(tài)性，其數(shù)據(jù)短期內(nèi)可靠性極高，但是誤差會(huì)隨著時(shí)間不斷增大；而磁阻傳感器和MEMS加速度計(jì)的測(cè)量誤差并不會(huì)隨時(shí)間累積。由于三者在功能上的互補(bǔ)性，所以可以不斷的用加速度計(jì)和磁阻傳感器的數(shù)據(jù)去矯正陀螺儀的數(shù)據(jù)，即數(shù)據(jù)融合。利用數(shù)據(jù)融合算法來(lái)處理多個(gè)傳感器的測(cè)量值，可以消除單一傳感器在測(cè)量過(guò)程中存在的偏差，提高姿態(tài)檢測(cè)的精度和系統(tǒng)的可靠性。數(shù)據(jù)融合算法的性能直接影響到最終系統(tǒng)輸出的姿態(tài)精度，需要根據(jù)不同傳感器的特性以及系統(tǒng)的要求設(shè)計(jì)合理的多傳感器融合算法。本文系統(tǒng)的分析了已有的數(shù)據(jù)融合算法，并對(duì)數(shù)據(jù)融合算法的發(fā)展方向進(jìn)行了展望，為相關(guān)領(lǐng)域研究人員快速了解本領(lǐng)域的研究現(xiàn)狀和最新進(jìn)展提供參考。

1 梯度下降法

2012年，文獻(xiàn)[4]設(shè)計(jì)了實(shí)時(shí)姿態(tài)測(cè)量系統(tǒng)[4]，并使用梯度下降算法來(lái)融合三軸加速度計(jì)IMU3000、三軸陀螺儀BMA180和三軸磁阻傳感器HMC5883L的數(shù)據(jù)，完成了姿態(tài)角的測(cè)量。2015年，文獻(xiàn)[5]在農(nóng)用小型飛行器的姿態(tài)檢測(cè)系統(tǒng)中采用迭代步長(zhǎng)為定值0.8的梯度下降法來(lái)處理三軸MEMS加速度計(jì)ADXL345、三軸MEMS陀螺儀L3G4200G和三軸磁強(qiáng)計(jì)HMC5883L的測(cè)量值[5]，得到了飛行器的姿態(tài)信息。2016年，文獻(xiàn)[6]運(yùn)用梯度下降法融合智能手機(jī)HTC One X中加速度計(jì)、陀螺儀和磁阻傳感器的數(shù)據(jù)[6]，實(shí)現(xiàn)了三維空間中兩個(gè)平臺(tái)之間的角度測(cè)量。

梯度下降法是一種典型的數(shù)值方法，可用于獲得局部最優(yōu)解。與其他優(yōu)化算法相比，其思想和實(shí)現(xiàn)都相對(duì)比較簡(jiǎn)單。其核心思想是將目標(biāo)函數(shù)的負(fù)梯度方向作為每次的搜索方向，通過(guò)逐次迭代的方法使得目標(biāo)函數(shù)不斷減小，直至逼近局部的最小值。將其應(yīng)用于姿態(tài)檢測(cè)系統(tǒng)中，分別計(jì)算由加速度計(jì)和磁阻傳感器數(shù)據(jù)解算得到的姿態(tài)角以及陀螺儀數(shù)據(jù)解算得到的姿態(tài)角，進(jìn)而得到兩個(gè)姿態(tài)角的差。將差值的平方作為目標(biāo)函數(shù)，通過(guò)不斷迭代使得目標(biāo)函數(shù)最終收斂于0，此時(shí)可以得到姿態(tài)估計(jì)的最優(yōu)解。運(yùn)算中收斂步長(zhǎng)的大小對(duì)該算法性能的好壞有直接的影響：步長(zhǎng)太小，則收斂速度較慢；而步長(zhǎng)太大，收斂會(huì)出現(xiàn)振蕩。2011年，文獻(xiàn)[7]針對(duì)可穿戴的慣性人體運(yùn)動(dòng)檢測(cè)系統(tǒng)中包含的三軸加速度計(jì)、三軸陀螺儀和三軸磁力計(jì)[7]，使用步長(zhǎng)可變的梯度下降法來(lái)融合三者的數(shù)據(jù)，使得目標(biāo)函數(shù)具有最佳的收斂速度和收斂效果。2014年，文獻(xiàn)[8]在基于MEMS傳感器的姿態(tài)檢測(cè)系統(tǒng)中[8]，通過(guò)共軛梯度法對(duì)姿態(tài)四元數(shù)進(jìn)行尋優(yōu)估計(jì)。在整個(gè)過(guò)程中，只需一次迭代就可以得到姿態(tài)四元數(shù)的估計(jì)值。共扼梯度法是將共扼性與最速下降方法結(jié)合起來(lái)，根據(jù)已知點(diǎn)處的梯度構(gòu)造一組共扼方向，沿著這組方向進(jìn)行查找，直到找到目標(biāo)函數(shù)的極小點(diǎn)。共軛梯度法僅需利用一階導(dǎo)數(shù)信息，具有步收斂性和較高的穩(wěn)定性。2017年，文獻(xiàn)[9]在人體運(yùn)動(dòng)捕捉系統(tǒng)中采用牛頓高斯法融合加速度計(jì)、陀螺儀和磁強(qiáng)計(jì)的測(cè)量值[9]。牛頓高斯迭代算法是一種非線性最小二乘最優(yōu)化方法，利用目標(biāo)函數(shù)的泰勒展開式把非線性函數(shù)的最小二乘化問題轉(zhuǎn)化為線性函數(shù)的最小二乘化問題。該算法考慮了目標(biāo)函數(shù)的一、二階偏導(dǎo)數(shù)以及梯度變化趨勢(shì)，通過(guò)確定更合適的搜索方向以減小收斂時(shí)間。但是牛頓高斯迭代算法計(jì)算量比較大，而梯度下降法只需考慮目標(biāo)函數(shù)在迭代點(diǎn)處的局部性質(zhì)，實(shí)現(xiàn)簡(jiǎn)單，計(jì)算量小，對(duì)硬件的要求低，適用于民用領(lǐng)域的姿態(tài)檢測(cè)系統(tǒng)。

2 互補(bǔ)濾波算法

2011年，文獻(xiàn)[10]設(shè)計(jì)了增益可調(diào)的互補(bǔ)濾波器來(lái)融合航姿參考系統(tǒng)中的加速度、角速度和磁場(chǎng)強(qiáng)度[10]。2014年，文獻(xiàn)[11]在獲取蛇形機(jī)器人姿態(tài)的系統(tǒng)中使用互補(bǔ)濾波算法來(lái)融合MEMS慣性傳感器單元MPU6050和磁阻傳感器HMC5883L的測(cè)量值[11]。文獻(xiàn)[12]在MEMS/GPS/地磁組合導(dǎo)航系統(tǒng)中設(shè)計(jì)了互補(bǔ)濾波器來(lái)融合加速度計(jì)、陀螺儀和磁力計(jì)的輸出值[12]。

互補(bǔ)濾波算法的主要思想是從頻域上來(lái)分辨不同傳感器在測(cè)量過(guò)程中包含的噪聲和有效測(cè)量信號(hào)。該方法將傳感器的輸出信號(hào)從時(shí)域轉(zhuǎn)換到頻域，根據(jù)噪聲的特性，選擇互補(bǔ)濾波器中合適的濾波器去除噪聲信號(hào)。隨后，將每個(gè)濾波器保留下來(lái)的有效測(cè)量信號(hào)在頻域中進(jìn)行融合，得到頻域中姿態(tài)的最優(yōu)估計(jì)。最后再將其轉(zhuǎn)換到時(shí)域，完成多個(gè)傳感器數(shù)據(jù)的去噪融合。加速度計(jì)和磁阻傳感器的數(shù)據(jù)長(zhǎng)期有效，但是易受外界干擾的影響。陀螺儀數(shù)據(jù)具有高動(dòng)態(tài)性，在短期內(nèi)的精度較高，但是其誤差會(huì)隨著時(shí)間不斷積累，產(chǎn)生漂移現(xiàn)象。根據(jù)3個(gè)傳感器的輸出特性，利用互補(bǔ)濾波器濾除加速度計(jì)和磁阻傳感器數(shù)據(jù)中包含的高頻噪聲，同時(shí)濾除陀螺儀數(shù)據(jù)中包含的低頻噪聲，保留三者數(shù)據(jù)中有效的姿態(tài)信息，最終解算得到完整、精確的姿態(tài)。

互補(bǔ)濾波器的階數(shù)不同，濾波融合的效果也不同。2012年，文獻(xiàn)[13]研究了互補(bǔ)濾波算法階數(shù)對(duì)于融合MEMS和磁阻傳感器數(shù)據(jù)的影響[13]。仿真結(jié)果顯示，隨著階數(shù)的增加，融合精度也在不斷提高。2013年，文獻(xiàn)[14]利用其設(shè)計(jì)的四軸飛行器的姿態(tài)檢測(cè)系統(tǒng)比較了一階和二階互補(bǔ)濾波算法的性能[14]。研究結(jié)果顯示，前者的融合速度更加快，但是后者在角度跟蹤和濾波效果的綜合能力方面更加優(yōu)秀。

為了獲取最佳的估計(jì)效果，需要選取合適的互補(bǔ)濾波器的截止頻率?；パa(bǔ)濾波器的截止頻率對(duì)應(yīng)著時(shí)域中的權(quán)重值，權(quán)重值過(guò)大，則角度收斂較慢，動(dòng)態(tài)性能降低；權(quán)重值過(guò)小，則角度波動(dòng)較大，濾波效果降低。針對(duì)這一問題，2008年，文獻(xiàn)[15]首先提出了利用互補(bǔ)濾波算法結(jié)合比例積分(Proportion Integration，PI)控制器來(lái)處理加速度計(jì)、陀螺儀和磁力計(jì)三者數(shù)據(jù)的方案[15]。該方案利用PI控制器自適應(yīng)地調(diào)節(jié)濾波器的截止頻率，提高了姿態(tài)角解算的靜態(tài)精度。2014年，文獻(xiàn)[12]提出了自適應(yīng)互補(bǔ)濾波算法，即根據(jù)線運(yùn)動(dòng)狀態(tài)調(diào)整互補(bǔ)濾波器的截止頻率[12]，獲得了不錯(cuò)的靜態(tài)精度。2015年，文獻(xiàn)[8]提出了一種PI參數(shù)自適應(yīng)調(diào)節(jié)的互補(bǔ)濾波算法[8]，在利用PI控制器調(diào)節(jié)互補(bǔ)濾波器截止頻率時(shí)，根據(jù)加速度計(jì)的測(cè)量值判斷載體的運(yùn)動(dòng)情況，實(shí)時(shí)調(diào)節(jié)PI增益。研究表明，改進(jìn)后的算法具有較好的性能。2015年，文獻(xiàn)[16]將PI控制應(yīng)用于互補(bǔ)濾波算法時(shí)[16]，設(shè)定積分系數(shù)固定不變，根據(jù)陀螺儀頻率響應(yīng)的截止角速度分段調(diào)整比例系數(shù)，實(shí)現(xiàn)了誤差的動(dòng)態(tài)補(bǔ)償，保證了姿態(tài)解算的實(shí)時(shí)性。

互補(bǔ)濾波器的截止頻率不易確定，且在噪聲較大時(shí)濾波效果不理想。因此需要一些自適應(yīng)算法對(duì)它們的值進(jìn)行實(shí)時(shí)調(diào)整，以滿足系統(tǒng)對(duì)于靜態(tài)和動(dòng)態(tài)的性能要求。所以，可在互補(bǔ)濾波的基礎(chǔ)上，加入PI控制方法。這既提高了濾波效果，也避免了截止頻率的確定問題。互補(bǔ)濾波算法實(shí)現(xiàn)簡(jiǎn)單，能夠獲得理想的姿態(tài)解算結(jié)果?；陬l域特性的濾波器一般不需要對(duì)系統(tǒng)噪聲進(jìn)行精確的數(shù)學(xué)建模，因而算法的運(yùn)算量較小，可以減輕系統(tǒng)負(fù)擔(dān)、提高效率。而且其對(duì)系統(tǒng)中的傳感器精度要求不高，相對(duì)來(lái)說(shuō)融合結(jié)果比較可靠。目前，互補(bǔ)濾波算法被廣泛應(yīng)用于低成本的姿態(tài)檢測(cè)系統(tǒng)。

3 卡爾曼濾波算法

2011年，文獻(xiàn)[17]在研究農(nóng)業(yè)無(wú)人機(jī)姿態(tài)檢測(cè)系統(tǒng)時(shí)[17]，選用卡爾曼濾波算法對(duì)ADIS16100陀螺儀、LIS3L V02DL加速度計(jì)和CMPS09磁力計(jì)的數(shù)據(jù)進(jìn)行融合處理。2015年，文獻(xiàn)[18]在自平衡小車姿態(tài)檢測(cè)系統(tǒng)中采用卡爾曼濾波算法對(duì)由加速度計(jì)、陀螺儀和電子羅盤解算得到的姿態(tài)角信息進(jìn)行了融合處理[18]，有效抑制了噪聲，提高了測(cè)量的準(zhǔn)確性。2015年，文獻(xiàn)[19]設(shè)計(jì)了卡爾曼濾波算法對(duì)仿人機(jī)器人的步行姿態(tài)進(jìn)行控制[19]，具有不錯(cuò)的測(cè)量精度和時(shí)效性。2017年，文獻(xiàn)[20]在行人慣導(dǎo)系統(tǒng)中選擇由三軸陀螺儀、三軸加速度計(jì)和三軸磁強(qiáng)計(jì)組成的VN-100測(cè)量單元來(lái)獲取導(dǎo)航參數(shù)[20]，并使用卡爾曼濾波器對(duì)導(dǎo)航參數(shù)進(jìn)行修正。

卡爾曼濾波算法是一個(gè)最優(yōu)化自回歸數(shù)據(jù)處理算法，在大多數(shù)應(yīng)用場(chǎng)景下都能夠提供最優(yōu)的解法。該算法的基本思想是采用遞推的計(jì)算形式，也就是根據(jù)前一時(shí)刻的估計(jì)值和當(dāng)前時(shí)刻的測(cè)量值，以最小均方差的最優(yōu)估計(jì)原則，得到當(dāng)前時(shí)刻的估計(jì)值?？柭鼮V波算法最大的特點(diǎn)就是可以實(shí)時(shí)地對(duì)狀態(tài)量進(jìn)行動(dòng)態(tài)估計(jì)，并利用遞推算法，根據(jù)新的觀測(cè)量對(duì)狀態(tài)量的先驗(yàn)估計(jì)進(jìn)行校正，從而提高濾波器的性能。

卡爾曼濾波可以實(shí)現(xiàn)最小均方估計(jì)誤差意義下的隨機(jī)信號(hào)的最優(yōu)線性濾波，但對(duì)非線性模型則無(wú)法得到最優(yōu)估計(jì)，在實(shí)際的姿態(tài)檢測(cè)系統(tǒng)中，往往無(wú)法建立線性的系統(tǒng)方程。針對(duì)這一問題，2013年，文獻(xiàn)[21]對(duì)集成了加速度計(jì)、陀螺儀和磁強(qiáng)計(jì)的九軸姿態(tài)測(cè)量單元設(shè)計(jì)了兩級(jí)擴(kuò)展卡爾曼濾波器[21]。第一級(jí)擴(kuò)展卡爾曼濾波器采用加速度數(shù)據(jù)對(duì)角位置進(jìn)行校正，第二級(jí)采用磁強(qiáng)計(jì)數(shù)據(jù)進(jìn)行校正。該算法不僅計(jì)算量小，而且使系統(tǒng)在磁場(chǎng)異常時(shí)具有更好的魯棒性。2014年，文獻(xiàn)[22]設(shè)計(jì)了基于四元數(shù)擴(kuò)展卡爾曼濾波器的姿態(tài)估計(jì)算法[22]。該算法利用一個(gè)擴(kuò)展濾波器，將姿態(tài)四元數(shù)作為狀態(tài)變量，應(yīng)用陀螺儀測(cè)量的角速度完成濾波器時(shí)間更新；將加速度計(jì)、磁強(qiáng)計(jì)測(cè)量值與載體所處位置的重力場(chǎng)與地磁場(chǎng)的差作為觀測(cè)量，完成了濾波器量測(cè)更新。經(jīng)過(guò)測(cè)試，該算法融合得到的姿態(tài)角精度高，能很好地抑制姿態(tài)誤差的發(fā)散。

擴(kuò)展卡爾曼濾波(Extended Kalman Filter， EKF)利用泰勒展開的一次項(xiàng)來(lái)對(duì)非線性方程作線性化處理，再結(jié)合經(jīng)典的卡爾曼濾波進(jìn)行濾波估計(jì)。EKF算法簡(jiǎn)單，易于實(shí)現(xiàn)，可以處理非線性動(dòng)態(tài)特性的系統(tǒng)。但由于其忽略了高階項(xiàng)，所以在線性化的同時(shí)也引入了線性誤差。對(duì)非線性度高的系統(tǒng)，應(yīng)用EKF算法容易導(dǎo)致濾波效果下降。為了避免線性誤差的影響，2013年，文獻(xiàn)[23]在卡爾曼濾波的基礎(chǔ)上提出了粒子濾波(Particle Filter，PF)算法來(lái)解決卡爾曼算法在融合傳感器數(shù)據(jù)時(shí)出現(xiàn)的精度問題[23]。PF利用貝葉斯理論，通過(guò)概率分布計(jì)算來(lái)完成系統(tǒng)狀態(tài)的估計(jì)。結(jié)果顯示，該算法的性能優(yōu)于卡爾曼濾波算法。2016年，文獻(xiàn)[24]對(duì)于小型無(wú)人機(jī)姿態(tài)測(cè)量系統(tǒng)提出了利用無(wú)損卡爾曼濾波器(Unscented Kalman Filter，UKF)來(lái)融合加速度計(jì)、陀螺儀和磁強(qiáng)計(jì)三者數(shù)據(jù)的方案[24]。經(jīng)過(guò)MATLAB仿真得到，UKF融合后的姿態(tài)角精度高于EKF融合后的姿態(tài)角，但是UKF需要更長(zhǎng)的融合時(shí)間。

UKF和PF都是非線性濾波，本質(zhì)上都是使用采樣方法近似非線性分布。PF使用參考分布，隨即產(chǎn)生大量粒子，近似狀態(tài)的后驗(yàn)概率分布，得到系統(tǒng)的估計(jì)。UKF以無(wú)損變換為基礎(chǔ)，采用卡爾曼濾波器框架，采樣形式為確定性采樣，在減少采樣粒子點(diǎn)數(shù)的同時(shí)保證逼近精度。兩種方法都可以提高濾波的精度和效率，但是計(jì)算量都比較大，對(duì)于低成本的微控制器不易實(shí)現(xiàn)。

4 算法的研究和比較

本課題組對(duì)于包含MEMS和磁阻傳感器的多傳感器姿態(tài)檢測(cè)系統(tǒng)和數(shù)據(jù)融合算法進(jìn)行了深入研究，并取得了一定成果。2014年，本課題組設(shè)計(jì)了梯度下降算法來(lái)融合MEMS慣性傳感器MPU6050、單軸巨磁阻(Giant Magneto Resistance, GMR)傳感器VA100F和雙軸GMR磁阻傳感器SAS022-1的測(cè)量值[25]，在動(dòng)態(tài)計(jì)算最優(yōu)收斂步長(zhǎng)的基礎(chǔ)上，實(shí)現(xiàn)了逐次迭代修正陀螺儀測(cè)量值，完成了姿態(tài)信息的精確測(cè)量。實(shí)驗(yàn)證明，該系統(tǒng)在靜止時(shí)能較好地補(bǔ)償陀螺儀的漂移誤差，得到融合后的俯仰角、橫滾角和航偏角的誤差絕對(duì)值分別小于0.4°、0.3°、1°。在動(dòng)態(tài)測(cè)試時(shí)，融合后的航偏角最大波動(dòng)誤差范圍小于±1°。2015年，本課題組將該算法應(yīng)用于小型無(wú)人機(jī)的姿態(tài)控制系統(tǒng)[26]，實(shí)現(xiàn)了無(wú)人機(jī)的飛行控制。所得到的俯仰角和橫滾角的靜態(tài)均方誤差分別為0.945°和0.826°。2016年，本課題組研究了卡爾曼濾波算法在航姿參考系統(tǒng)中融合MEMS測(cè)量單元MPU6050和3軸磁阻傳感器芯片HMC5883L數(shù)據(jù)的效果[27]。實(shí)驗(yàn)結(jié)果顯示，卡爾曼濾波算法解算得到的航偏角、俯仰角和橫滾角的靜態(tài)均方根誤差分別為0.224 5°、0.133 9°、0.206 2°。通過(guò)比較梯度下降法和卡爾曼濾波法的收斂性，發(fā)現(xiàn)利用梯度下降法融合得到的航向角雖然數(shù)據(jù)收斂情況良好，但是收斂時(shí)間較慢；經(jīng)卡爾曼濾波算法得到的3個(gè)姿態(tài)角都在1.5 s之內(nèi)完成收斂，且數(shù)據(jù)穩(wěn)定。由此證明了卡爾曼濾波算法與最速下降算法相比，極大地提高了收斂速度，具有較好的動(dòng)態(tài)響應(yīng)。2016年，本課題組還對(duì)四軸飛行器系統(tǒng)中采用互補(bǔ)濾波算法來(lái)處理MEMS慣性傳感器和GMR傳感器的數(shù)據(jù)得到飛行器的姿態(tài)角信息進(jìn)行了研究[28]。具體的設(shè)計(jì)是通過(guò)PI控制器自適應(yīng)調(diào)整互補(bǔ)濾波器的截止頻率來(lái)融合角速度和加速度，同時(shí)選擇截止頻率固定不變的一階互補(bǔ)濾波器來(lái)解算得到航偏角。研究結(jié)果表明，無(wú)論是在靜態(tài)還是動(dòng)態(tài)情況下，融合后的姿態(tài)角漂移誤差都保持在0.1°以內(nèi)，能夠滿足飛行器的姿態(tài)控制要求。在之前研究的基礎(chǔ)上，2017年本課題組對(duì)梯度下降法和互補(bǔ)濾波算法的性能進(jìn)行了比較，發(fā)現(xiàn)前者解算的姿態(tài)角誤差絕對(duì)值小于后者，能更有效地抑制系統(tǒng)中的噪聲，提高姿態(tài)解算的穩(wěn)定性。

在基于MEMS和磁阻傳感器的姿態(tài)檢測(cè)系統(tǒng)中，數(shù)據(jù)融合算法的性能會(huì)直接影響到姿態(tài)測(cè)量的結(jié)果。通過(guò)調(diào)研相關(guān)文獻(xiàn)資料并結(jié)合本課題組的研究成果，本文對(duì)姿態(tài)檢測(cè)系統(tǒng)中3個(gè)典型的數(shù)據(jù)融合算法進(jìn)行了性能比較，得到的結(jié)果如表1所示

表1 姿態(tài)檢測(cè)系統(tǒng)中數(shù)據(jù)融合算法的比較

在姿態(tài)檢測(cè)系統(tǒng)中，需要根據(jù)微處理器的性能、姿態(tài)解算的精度和穩(wěn)定性要求等因素來(lái)設(shè)計(jì)合理的數(shù)據(jù)融合算法。當(dāng)下，民用領(lǐng)域?qū)ψ藨B(tài)檢測(cè)系統(tǒng)的精度、成本和適應(yīng)性等方面提出了越來(lái)越高的要求。隨著傳感器技術(shù)的不斷發(fā)展，越來(lái)越多的輔助姿態(tài)傳感器被加入到基于MEMS和磁阻傳感器的姿態(tài)檢測(cè)系統(tǒng)中。因此，融合算法需要實(shí)現(xiàn)更多傳感器數(shù)據(jù)的融合處理，以便得到姿態(tài)的最優(yōu)估計(jì)值。微處理器的處理速度和精度不斷提高也為更加復(fù)雜、精度更加高的數(shù)據(jù)融合提供了硬件基礎(chǔ)。越來(lái)越多性能優(yōu)秀的姿態(tài)融合算法應(yīng)用于姿態(tài)檢測(cè)系統(tǒng)中，可以進(jìn)一步提高系統(tǒng)的測(cè)量精度并拓展系統(tǒng)的應(yīng)用領(lǐng)域。

5 結(jié)束語(yǔ)

近年來(lái)，基于MEMS和磁阻傳感器的姿態(tài)檢測(cè)系統(tǒng)以及數(shù)據(jù)融合算法逐漸成為研究的熱點(diǎn)。隨著MEMS技術(shù)、傳感技術(shù)、微處理、數(shù)據(jù)融合算法等與姿態(tài)檢測(cè)相關(guān)的技術(shù)不斷發(fā)展姿態(tài)檢測(cè)系統(tǒng)在精度、穩(wěn)定性和適應(yīng)性等方面都會(huì)得到較好較快的發(fā)展和提高。本文針對(duì)目前已經(jīng)取得的眾多研究成果，對(duì)數(shù)據(jù)融合算法進(jìn)行了系統(tǒng)地總結(jié)和闡述。當(dāng)前已有的數(shù)據(jù)融合算法可以概括為3大類：(1)梯度下降法；(2)互補(bǔ)濾波法；(3)卡爾曼濾波法。本文對(duì)己有相關(guān)算法的優(yōu)缺點(diǎn)進(jìn)行了系統(tǒng)分析和綜合評(píng)價(jià)，填補(bǔ)了國(guó)內(nèi)數(shù)據(jù)融合算法研究相關(guān)的綜述性論文的空白。同時(shí)，本文根據(jù)當(dāng)前低成本姿態(tài)檢測(cè)系統(tǒng)面臨的挑戰(zhàn)，對(duì)未來(lái)數(shù)據(jù)融合算法的研究方向進(jìn)行了展望。