利用定位和惯性数据的自适应串联卡尔曼滤波器进行车辆航向估计

《IEEE Transactions on Intelligent Vehicles》：Vehicle Heading Estimation Using Positioning and Inertial Data-Based Adaptive Tandem Kalman Filter

自适应串联卡尔曼滤波融合惯性及定位数据抑制角漂移，无需磁力计，在叉车等高机动场景误差降至1°和2.3°，较现有方法提升40%-90%，验证其在磁力计缺失环境下的有效性及工业应用潜力。

　　

摘要：

本文提出了一种自适应串联卡尔曼滤波器（ATKF）算法，通过融合惯性数据和定位数据来实现精确、鲁棒且无需磁力计的航向估计。该算法旨在消除微机电系统惯性测量单元（MEMS IMU）传感器中常见的航向漂移问题，而无需使用对环境敏感的磁力计。由于其自适应特性，ATKF算法能够根据车辆的运动状态迭代评估输入数据的重要性，并进行相应的加权融合处理。创新的串联结构使得在单次卡尔曼滤波器迭代过程中即可完成一系列连续的数据处理步骤，从而最大限度地减少了算法对输入数据的响应延迟。通过与最先进算法的仿真对比测试，证明了该算法的高稳定性和鲁棒性。实验结果显示，根据机动强度和数据质量的不同，估计航向的准确性和精度提升了40%至90%。在全尺寸测试活动中（使用高度机动化的叉车在工业环境中进行），实时测量得到的叉车航向误差中位数为1°，主动运动期间的误差中位数为2.3°。与传统方法相比，所提出的方法在初始IMU航向的准确性和精度上分别提升了95%和93%。对基于磁力计的航向估计方法的实验评估表明，这些方法在工业应用中存在不可靠性和不一致性问题。所提出的ATKF航向估计算法在机器人技术和智能车辆领域具有广泛的应用前景，尤其是在无法使用磁力计的环境中尤为有用。