《IEEE Access》：A Novel Multi-IMU Fusion Positioning Method Using an Adaptive Federated Kalman Filter
编辑推荐：
为解决GNSS拒止环境下低成本MEMS-IMU定位误差快速累积问题，研究人员开展了基于自适应联邦卡尔曼滤波（A_FKF）的多IMU融合定位研究。通过构建金字塔立体拓扑与SVD运动学模型，结合动态信息分配与故障检测机制，在300 s动态轨迹中将位置均方根误差抑制至1.480 m，显著提升了地下矿山无人驾驶的导航鲁棒性。
在地下矿山深处，GPS信号彻底消失，昏暗的光线和弥漫的粉尘让摄像头和激光雷达（LiDAR）集体“失明”。矿用卡车要想实现无人驾驶，只能依赖不靠外部信号的惯性测量单元（IMU）。但高精度的军用级IMU太贵，矿山上大规模用的只能是便宜的低成本微机电系统（MEMS）IMU。这东西有个致命伤：误差会随着时间疯狂累积，跑一会儿位置就“飘”得没边了。现有的算法要么只顾着算时间序列，忽略了传感器在车体上怎么“排兵布阵”；要么就是把多个IMU简单粗暴地做平均，浪费了“车身是刚体”这一宝贵的几何约束。这篇发表在《IEEE Access》上的论文，就是为了解决“既要便宜（用MEMS）又要精准（不漂移）”这一矛盾而来的。
为了把误差“锁”在可控范围内，研究团队打造了一套名为“自适应联邦卡尔曼滤波（A_FKF）”的融合定位系统。这套系统的核心在于“软硬结合”：在硬件布局上，他们放弃了传统的平面排布，设计了一种“金字塔”状的三维传感器拓扑结构。这种立体的排布方式，结合奇异值分解（SVD）运动学算法，能够利用杠杆臂效应，巧妙地将车身旋转产生的加速度从平动加速度中“剥离”出来，相当于用物理几何关系给姿态算了一道“附加题”，极大提升了系统的可观测性。在算法层面，他们采用了联邦滤波架构，每个IMU独立运算，再通过主滤波器融合。系统会实时评估哪个IMU“更靠谱”，动态分配权重，并设置了故障检测机制，一旦某个传感器被剧烈震动“震晕”，系统能立刻将其隔离，防止坏数据带偏整辆车。
经过300秒的动态轨迹测试，这套方法交出了令人满意的答卷：位置均方根误差（RMSE）被压到了1.480米，95%的球形误差概率（SEP）为3.214米。更关键的是，相比传统的平面布局，金字塔拓扑将姿态误差死死限制在0.5°以内，位置误差进一步降到了1.131米。这对于在地下复杂巷道中穿梭的无人矿卡来说，意味着它不仅能知道自己在哪里，还能更稳地控制方向，避免撞墙。
主要技术方法
本研究构建了A_FKF融合框架，主要包含三项关键技术：1. 空间几何建模：设计了平面、倾斜及金字塔三种多IMU空间拓扑，利用杠杆臂效应建立观测模型，将位置观测转化为姿态观测；2. SVD姿态解算：引入奇异值分解算法，直接从多源位置观测中解算瞬时姿态，摆脱对积分累积的依赖；3. 自适应联邦滤波：采用联邦Kalman滤波架构，子滤波器引入自适应因子抑制振动干扰，主滤波器进行逆协方差加权融合，并辅以卡方故障检测实现节点隔离。
SECTION I. Introduction
研究背景与挑战：工业4.0驱动下，矿山车辆自动驾驶依赖精确位姿估计。地下环境GNSS缺失、能见度低，导致视觉、LiDAR等外感知传感器失效，迫使系统依赖自包含的IMU。低成本MEMS-IMU存在噪声大、零偏不稳定性及快速累积漂移等固有问题，单一传感器难以满足长时高精度需求。现有研究多聚焦时序滤波或学习算法，忽视了传感器空间分布对观测性的提升潜力，且缺乏对三维立体拓扑的系统性优化。
SECTION II. Proposed Robust Geometric-Constrained Federated Filtering Framework
系统架构与核心模型：为解决上述问题，本研究提出了几何约束的自适应联邦滤波框架。系统工作流程包括：基于空间拓扑建立多传感器观测模型；利用SVD算法从位置观测直接提取瞬时姿态；子滤波器进行自适应局部估计以抵抗地形振动；主滤波器进行全局融合并施加刚体几何约束。在空间建模中，通过引入环境调制矩阵，将参考轨迹与高频随机扰动叠加，构建了包含滚转角、俯仰角和偏航角的合成姿态模型，为后续滤波提供高保真状态输入。
研究结论与意义
本研究证实，通过金字塔立体拓扑与A_FKF算法的协同，能有效解决单点MEMS-IMU在GNSS拒止环境下的观测性缺陷。该方法在不依赖昂贵硬件升级的前提下，通过物理几何约束与动态权重分配，显著抑制了位置与姿态的长期漂移。研究成果为复杂地下矿山环境提供了一种低成本、高鲁棒性的自主导航解决方案，对推动矿山无人化运输的安全性与可靠性具有重要工程价值。
