扩展卡尔曼滤波与稳态校正：解决惯性导航精度问题的新算法

本篇论文深入探讨了基于惯性测量器件（IMU）和编码器的导航算法，由杨柯、王旭阳、吴超和葛彤四位作者共同完成。作者杨柯，作为博士，主要研究水下自重构机器人，而王旭阳则担任助理研究员，专注于水下机器人领域的研究。他们提出了一种创新的导航方法，利用扩展卡尔曼滤波技术来解决加速度和角速度长时间积分可能带来的发散问题。 传统的导航算法可能会在长时间运行后，由于设备误差累积导致精度下降。该研究首先对惯性测量器件的测量误差进行了严谨的理论分析，构建了一个基于随机游走模型的状态误差方程，明确了状态误差与加速度和角速度稳态分量之间的关系。通过扩展卡尔曼滤波，研究人员得以获取状态误差的最优估计值，然后将这些估计值用于优化状态量的校准，从而提高了姿态跟踪和定位的精确度。 在实证验证阶段，研究团队利用一款装备有IMU7200（提供加速度和角速度数据）和编码器（提供速度和位置信息）的小车进行了一系列实验。实验结果显示，他们提出的导航算法显著提升了小车在实际运行中的导航性能，证实了新算法的有效性和实用性。 该研究的关键词包括：导航算法、扩展卡尔曼滤波、状态误差方程以及稳态分量。其技术领域分类为TP24215，表明这是一篇关于自动控制与导航系统的重要研究论文。整个研究不仅对提高现代移动设备的导航精度具有重要意义，也为其他依赖惯性传感器和编码器的系统设计提供了有价值的参考。