基于水平姿态约束的IMU/里程计融合导航方法提升车辆三维定位精度

为解决MEMS-IMU误差累积导致的车辆导航精度下降问题，Yinggang Wang团队创新性地提出融合水平姿态约束(HAC)的IMU/里程计导航算法。研究通过加速度计输出识别车辆水平匀速状态，在非完整性约束(NHC)基础上引入俯仰角和横滚角归零校正，实验验证显示水平定位精度提升63-70%，垂直精度改善97-98%，为复杂环境下无人驾驶定位提供了新思路。

　　

在自动驾驶和智能交通快速发展的今天，车辆精准定位技术面临严峻挑战。传统惯性测量单元(IMU)虽具有自主性强、抗干扰能力好的优势，但微机电系统(MEMS)技术带来的低成本小型化也导致其精度受限，特别是随时间累积的误差问题突出。虽然全球导航卫星系统(GNSS)能提供辅助定位，但在城市峡谷、隧道等复杂环境中信号易受遮挡，而里程计虽能修正速度误差，却无法有效抑制姿态误差的传播。这些技术瓶颈严重制约了无人驾驶在复杂场景下的可靠性。

中国矿业大学(北京)地球科学与测绘工程学院的研究团队针对这一难题展开攻关。通过分析车辆水平匀速运动时垂直加速度与重力加速度一致的物理特性，创新性地将水平姿态约束(HAC)引入传统非完整性约束(NHC)算法中。这项发表在《Geodesy and Geodynamics》的研究，通过两组实车测试数据验证，实现了定位精度的突破性提升。

研究团队采用滑动窗口法进行运动状态识别，建立15维状态向量的卡尔曼滤波模型，融合IMU原始数据与里程计观测值。关键技术包括：基于加速度计输出的水平匀速状态判别准则设计、包含姿态误差和传感器漂移的状态方程构建、以及融合虚拟姿态观测的测量方程建立。实验采用武汉大学提供的实车数据集，使用ICM20602型号MEMS-IMU采集100Hz惯性数据，与10Hz里程计数据进行时空对齐。

在"水平姿态约束基本原理"部分，研究阐明了HAC的核心机制：通过设定加速度阈值ε_a=0.0047m/s²和ε_v=0.0038m/s²，当滑动窗口内平均加速度与重力加速度差值小于阈值时，判定为水平状态并强制修正横滚角和俯仰角。数学建模章节详细推导了状态转移矩阵F_k和观测矩阵H_k的关系，其中特别考虑了陀螺仪漂移ε^b_g和加速度计偏置ε^b_a的一阶马尔可夫过程。

实验结果展现出显著优势：在13公里测试路线上，传统NHC算法横滚角误差达12.46°，而HAC算法将其降至1.18°，改善率达91%。更引人注目的是垂直定位精度从417.73米提升至6.75米，提升幅度达98%。在水平面内，东向位置误差从89.45米减少到11.05米，验证了姿态约束对平面定位的间接改善作用。

这项研究的突破性在于：首次将车辆运动学特性转化为可量化的姿态约束条件，在不增加硬件成本的前提下，通过算法创新大幅提升了MEMS-IMU的导航性能。特别是对垂直方向精度的改善，解决了长期困扰车载导航的"高程漂移"难题。研究提出的滑动窗口状态识别方法具有较强工程实用性，5%的误判率表明算法鲁棒性良好。未来该技术可与视觉、激光雷达等多源传感器融合，为L4级自动驾驶提供更可靠的定位解决方案。