從Apple iWatch到SpaceX Falcon9，許多運動設備中都具備慣性測量單元（Inertial Measurement Unit, IMU）進行位置和運動測量。儘管Apple iWatch和SpaceX Falcon9使用的IMU精度懸殊，用於處理IMU數據的演算法也極為不同，但它們背後的物理和數學模型是相同的。

如何理解IMU不同精度參數對應用的影響呢？現在可以通過Aceinna提供的在線工具快速進行IMU相關演算法模擬，通過模擬來直觀的理解各個參數的影響。這一在線工具包括了開源的模擬框架GNSS-INS-SIM和基於Web的GUI。之前的文章中，我們講解了如何在Python中直接配置和使用GNSS-INS-SIM。本文將進一步講解，如何利用Web GUI快速完成慣性導航演算法模擬。

開始

IMU包含三軸加速度和三軸陀螺儀，也可以選配三軸地磁感測器。通常與GNSS接收機進行融合完成組合導航方案。IMU通常應用於運動測量、平臺穩定、姿態測量以及GPS失鎖期間的位置跟蹤。

在使用在線版本的模擬系統之前，需要在ACEINNA Developer Website完成註冊並登陸，然後可以參考快速應用手冊中的示例來學習如何使用。本文將著重於一些要點。

創建IMU模型

IMU模型描述了IMU的雜訊和漂移等誤差特性。這些特性通常在IMU產品製造商的用戶手冊中提供，包括零偏穩定性和隨機遊走（對應陀螺儀為角度隨機遊走，對應加速度為速度隨機遊走）等等。模擬系統內置了高精度、中等精度和低精度的IMU模型，可供選擇使用。創建完成IMU誤差模型後，需要對其命名以供後續使用。

Figure 1 ACEINNA Navigation Studio can be used to create an IMU Sensor Model in seconds

生成運動軌跡

運行演算法前，需要生成運動軌跡。軌跡描述了物體隨時間的運動，其用於生成對應的參考加速度和角速度。結合上述的感測器誤差模型，模擬系統將會進一步生成帶誤差的IMU測量數據，而測量數據則可用作演算法的輸入。

最簡單的運動軌跡為：保持靜止。靜止時的感測器測量可以用於進行Allan方差分析。下圖給出了之前文章中用到的左轉測試，它用於模擬無LIDAR、攝像機及GNSS輔助情況下自動駕駛汽車利用慣性導航完成定位的誤差特性。

Figure 2 Motion Generator for Left Hand Turn

選擇演算法並模擬

具有運動軌跡和感測器模型後，我們需要選擇一個演算法來進行模擬。現在，基於Web的在線版本的GNSS-INS-SIM提供了多個預置的演算法，包括Aceinna IMU產品中所使用的演算法。Aceinna將提供工具，支持將ACEINNA』s OpenIMU embedded inertial development tools創建的用戶自定義演算法上傳。

這裡，我們選擇了「Free Integration」演算法，該演算法演示了純IMU產品的導航性能。在一次模擬中可以將演算法運行多次，從而對誤差進行統計。

Figure 3 Select an Algorithm to Run Simulation

結果顯示

模擬完成後，你將收到提醒。在線版本的GNSS-INS-SIM提供了多種在線數據進行模擬數據分析，包括：

  1. 誤差的統計結果；
  2. Allan方差畫圖；
  3. 數據的時間變化圖/誤差圖
  4. 地圖顯示（用於位置顯示）

下面是將本次模擬結果顯示在地圖上的結果。

Figure 4 Position vs Ref (「Truth」) Position on Map Plot

Figure 5 Drift in X,Y,Z Position vs Time

下一步

IMU的慣性導航演算法模擬通常費時費力，Aceinna的開發者網站提供了強大的在線工具，可以極大的簡化這一過程。我們將根據用戶反饋，擴充和增加模擬工具。

後續的文章中，我們將進一步詳細講解如何進行GNSS/INS組合導航模擬，包括如何模擬GNSS因樹木、建築和其他遮擋導致的GPS失鎖。


推薦閱讀：
相關文章