基于IMU和地磁传感器的捷联惯性导航系统

摘要

本文旨在介绍我们使用ADI公司的惯性测量单元(IMU)传感器ADIS16470和PNI的地磁传感器RM3100构建的捷联惯性导航系统(SINS)。实现了基于磁力、角速率和重力(MARG)的SINS的一些基本过程，包括电磁罗盘（地磁传感器）校准、使用扩展卡尔曼滤波器(EKF)的姿态和航向参考系统(AHRS)和航迹跟踪。还实现了使用最小平方误差(MSE)方法的松耦合传感器融合技术。文章展示了每个过程步骤使用的算法和实验设置。本文最后讨论了结果分析和用于提高导航准确性的方法。

简介

随着服务机器人市场和技术的发展，导航已成为研究和应用中的一个热点。与车辆、船舶或飞机相比，服务机器人体积小，成本低，因此它们的导航系统应该具有捷联和低成本的特点。传统的稳定平台导航系统通常要采用独立的加速度计和光纤或激光陀螺仪，所有传感器都机械且刚性地安装在与正在移动的车辆隔离的稳定平台上。这导致了尺寸大、可靠性差、成本高的缺点。相反，在捷联惯导系统中，惯性传感器直接固定在车辆本体上，这意味着传感器会与车辆一起旋转。这种捷联方法消除了稳定平台惯导的缺点。然而，平台惯导的准确性通常高于SINS。平台惯导往往可以达到战略级（0.0001°/时的陀螺仪偏置，1μg的加速器偏置）或军用级（0.005°/时的陀螺仪偏置，30μg的加速器偏置），而多数SINS只能到达导航级（0.01°/时的陀螺仪偏置，50μg的加速器偏置）或战术级（10°/时的陀螺仪偏置，1mg的加速器偏置）。对于大多数服务机器人或AGV导航应用，这一精度足够了。导航方法很多，包括机器视觉、GPS、UWB、SLAM型激光雷达等。基于IMU的惯性导航始终是导航的重要组成部分。然而，由于这种传感器的限制——例如偏置误差、轴间误差、噪声，特别是零偏不稳定性——惯性导航通常需要采用一个伙伴传感器，定期为它提供参考或校准，本文将这种情况称为传感器融合。许多传感器都可以与IMU融合，例如摄像头和里程表，但在这些传感器中，地磁传感器是一种低成本的方案，可与IMU配合获得姿态信息。

在本文中，我们使用ADI的IMU ADIS16470和地磁传感器来开发平台和算法，实现捷联惯性导航系统。但是，地磁传感器只能提供姿态信息。对于航位推算或距离测量，我们只能使用IMU中的加速度传感器。

ADIS16470 IMU简介

ADI公司的ADIS16470是一款微型MEMS IMU，集成了3轴陀螺仪和3轴加速度计。其陀螺仪零偏稳定性为8°/时，加速计零偏稳定性为13μg，其关键参数都经过出厂校准。此外，ADIS16470的低价格在同级产品中具有吸引力，得到了许多客户的广泛使用。在本文中，我们使用微控制器与ADIS16470通过SPI接口进行通信。

地磁传感器介绍

地磁传感器是用于测量罗盘体坐标（即坐标系）中的地磁场的传感器，可为航向提供绝对参考。其x、y和z分量值由本地地磁场投影而来。这种传感器有两个主要缺点——一是精度和分辨率不高——例如，常用的霍尼韦尔罗盘传感器HMC5883L的分辨率仅为12位。另一个缺点是传感器容易受到周围环境的干扰，因为地磁场非常弱，强度范围为毫高斯到8高斯。尽管有这些缺点，仍然可以在许多情况下使用，例如户外、低EMI环境等。将地磁传感器与IMU进行松耦合，就可以在大多数环境中使用这类传感器。在本文中，我们使用PNI传感器公司的高性能电子罗盘传感器RM3100，它提供了24位分辨率。PNI使用主动激励法来提高抗噪声能力。

罗盘传感器的校准在使用罗盘传感器之前，需要对其进行校准以消除两个主要误差。一个是失调误差，这原本是由传感器和电路的失调误差引起的。另一个是标度误差。这两种误差都容易受到周围磁环境的干扰。例如，如果有一个x轴向的外部磁场施加到传感器上，就会给出外部x轴失调误差。同时，x轴标度也将与y轴和z轴不同。通常用于校准磁传感器的方法是在xy平面上转动传感器绕圈，然后抽取数据。一个地点的地磁场强度是一个常数值，因此绘制的数据应该是一个圆；然而，事实上，我们将看到一个椭圆形，这意味着我们需要移动椭圆并重新缩放到以零为中心的圆。

实验结果

使用SPI端口，我们将ADIS16470评估板和RM3100罗盘评估板连接到ADI公司的ADuCM4050电路板，构建出我们的系统，如图13所示。ADuCM4050调整数据格式并进行时间同步（因为IMU和罗盘的数据速率不同）。然后使用UART将捕获的数据传输到计算机。所有计算（包括校准、AHRS和DR）均在MATLAB®中执行。

结论

本文介绍了使用ADI公司的IMU ADIS16470和地磁传感器RM3100构建捷联惯导系统的基本过程，介绍了我们使用的校准、AHRS和DR方法。在平台和实验环境等条件有限的情况下，很难进一步测试平台和算法。

有很多方法可用于改善结果，例如：

X 使用里程表或UWB距离测量方法与IMU中的加速度计融合，以在DR中获得更准确的距离值。

X 使用更复杂的运动学模型，从而在AHRS和DR中在传感器和系统层次引入更多特性，例如系统的振动、加速和减速模型、地面平整度等。这意味着为了提高导航结果的准确性，需要给出更多的边界条件。

X 使用更精确的数值计算方法，比如用辛普森规则或三次样条插值在DR中进行积分，或者使用牛顿方法而非高斯-牛顿方法求解非线性MSE方程等。

最后但也是最重要的一点，我们在试验中发现INS与应用或运动学模型紧密相关。例如，我们在两个地方进行了实验：未铺地毯的实验室和铺有地毯的办公室。如果我们使用相同的参数集，DR结果会显示出巨大的差异。因此，无论哪种应用，例如患者跟踪、AGV导航或停车定位，或者对于同一应用中的不同条件，我们都需要全面了解其运动学模型。

完整文章请VX18410865002索取。