什么是INS惯性导航系统，INS的工作原理及应用

文章出处：新闻动态责任编辑：百世精工科技发表时间：2023-07-22 09:46:51

一、惯性导航系统 (INS) 的定义

惯性导航系统通常称为 INS，是一种使用各种环境传感器的电子系统，能够检测和测量物体运动的变化。使用传感器数据，惯性导航系统可以确定车辆或物体相对于其起点的位置 - 这称为航位推算。

二、惯性导航系统 (INS) 中使用的惯性传感器

1、惯性传感器

惯性导航系统中使用的传感器有多种类型，但两种主要类型是加速度计和陀螺仪。

加速度计可以测量线速度的变化。由于大多数物体可以在三维空间中移动，因此通常使用三个正交安装的加速度计；也就是说，每个加速度计的轴与其他加速度计的轴成 90°。它们通常被赋予X轴、Y轴和Z轴的标签。

陀螺仪测量旋转速度，并且由于大多数物体可以在三维空间中自由旋转，因此通常使用三个陀螺仪轴。它们还正交安装在物体上，并尽可能与三个加速度计轴对齐。

三个运动轴上的加速度计和陀螺仪

该图像描绘了三个运动轴上的加速度计和陀螺仪。每个加速度计和陀螺仪都与其他加速度计和陀螺仪成 90°（正交）放置。

典型的 INS 将具有其他内置传感器或连接设备，以提供比单独运动更广泛的更全面的数据集，例如：

GNSS 接收器同时接收和解码来自多个导航卫星的信号，以提供三维位置数据。使用多个接收器可以帮助确定航向和方向。

磁力计检测并测量地球磁场的强度和方向。三个磁力计用于提供相对于磁北的三维方向。

压力传感器测量外部压力。例如，用于确定水下应用中的深度的水压传感器和用于确定高度的气压传感器（气压计）。

2、惯性测量单元 (IMU)

在许多现代惯性导航系统中，惯性感测由称为“惯性测量单元”（IMU）的模块执行，有时也称为惯性参考单元（IRU）或运动参考单元（MRU）。 IMU 输出原始运动数据，供 INS 的其他部分使用，通常与 GNSS 输入和其他传感器结合使用。有关 IMU 的更多信息，请阅读“惯性测量单元 (IMU) – 简介”一文。

3、惯性参考系

在测量物体的运动时，理解参考系的概念非常重要。为了获得准确的运动数据，必须在惯性参考系（也称为“惯性参考系”）的约束内测量惯性。这可以用牛顿惯性定律来解释。

惯性定律指出，静止的物体保持静止，运动的物体保持以相同的速度移动，除非受到外力作用。由于参考系不加速，因此可以测量惯性参考系内的物体上的外力所产生的惯性。如果参考系也在加速，那么其他力就会发挥作用，影响惯性测量。

通常，我们使用地球作为惯性参考系，即使它正在经历加速，导致其绕轴旋转并绕太阳运行，太阳也在移动等等。幸运的是，导航系统处理了使用非惯性参考系作为惯性参考系所需的复杂数学，因此其输出可以被视为物体运动的记录，就好像在 3D 空间中移动一样，并且没有受到其他力（例如重力）的作用。

三、惯性导航系统 (INS) 如何工作？

为了理解惯性导航系统的工作原理，考虑一下水平、笔直轨道上的火车是很有用的。火车的运动受到限制——它只能向前或向后行驶。它不能上下左右移动，也不能以任何方式旋转。

图像描绘了直线轨道上的火车。火车只能向前/向后移动

四、测量和使用线性加速度

以火车为例，当火车没有移动时，加速度计测量的前/后轴（通常是 X 轴）将输出零值。当火车开始向前移动时，加速度计将检测速度的变化并快速输出瞬时加速度值，通常高达每秒 1000 个数据点 (1 kHz)。利用积分原理，可以记录一段时间内的加速度值并计算火车行驶的距离。现在，我们可以放心地沿轨道定位火车，但只能相对于其起始位置——我们可能知道也可能不知道火车起始位置在世界上的绝对位置。要使用地球表面作为参考系来确定绝对位置，需要额外的信息——通常由 GNSS/GPS 接收器提供的信息。

对于不在直线轨道上的车辆，可以使用加速度计从所有三个运动轴扩展这种测量加速度值并通过扩展计算相对位置和距起点的距离的方法。使用三角学将来自加速度计的数据组合成单个行进向量。

五、测量和使用旋转加速度

实际上，几乎每种车辆类型都不会直线行驶，这意味着车辆必须以某种方式旋转才能改变方向。陀螺仪用于通过测量三个轴中任意一个上的任何旋转以及方向来确定行进方向（航向）。同样，该方向是相对于车辆在起点处的方向而言的，该方向可能是绝对已知的，也可能不是绝对已知的。确定绝对行进方向的一种常见方法是使用附加传感器，例如磁力计，它将提供相对于磁北极的航向值。

通过将加速度计的行进距离测量值与陀螺仪的行进方向相结合，可以以一定的精度确定物体相对于起点的位置。

六、惯性传感器误差和修正总结

惯性导航系统 (INS) 的价值通常取决于其惯性传感器的精度。有些传感器比其他传感器做得更好，或者比其他传感器具有更宽的操作阈值，但是，不存在完美的传感器。例如，所有传感器都存在由传感技术或所用材料的物理限制引起的固有误差。这意味着所有加速度计和陀螺仪都会输出含有误差元素的信息。

由于传感器测量误差是固有的，传感器从其起始位置移动得越远，误差就会累积。因此，必须假设 INS 提供的位置信息会存在一定程度的误差。可以说，一般来说你付的钱越多，传感器的质量就越好，精度也越高。至于选择哪种 INS，问题通常是由精度要求和预算决定的。

造成测量误差的因素有很多，而且无法完全避免。然而，有一些方法可以减少一些错误，而不仅仅是购买更昂贵的传感器。误差校正方法包括在工作温度范围内对传感器进行工厂校准和表征，以及基于智能软件的传感器输出滤波。

硬件级别的固有传感器错误无法消除，这导致了传感器数据处理中使用的复杂数学和统计过滤算法。这些滤波器旨在动态检测和消除由干扰和噪声引起的偏差（固有误差）和误差，例如磁干扰和振动引起的误差。高级导航开发了独特的过滤算法，利用人工智能 (AI)，这是一项关键的新兴技术 – 阅读这篇文章“人工智能如何彻底改变惯性导航？ “ 了解更多信息。

七、使用 GNSS 获取绝对位置

如前所述，单独使用加速度计和陀螺仪将仅提供相对于起点的位置。为了使用地球表面作为参考系来确定车辆的绝对位置（或高于或低于），通常使用 GNSS/GPS 接收器作为 INS 的附加输入。

全球导航卫星系统(GNSS) 与 INS 的传感器非常相似，很容易出现定时、轨道和大气干扰等错误，从而影响使用卫星信息的导航系统的准确性。这导致了实时运动学 (RTK) 的发展——这些数学技术能够确定用于纠正卫星误差的值。使用 RTK 可以将地球上的绝对位置确定在几厘米以内，有时甚至更小。在 INS 中使用智能软件滤波器的优点之一是，GNSS 被视为另一个传感器，其数据可用于实时“调整”其他传感器，以提高输出位置精度。

举个简单的例子，让我们回到水平直轨上的火车。智能软件过滤器将使用加速度计测量值计算行驶距离，并将其与 GNSS/GPS 接收器确定的行驶距离实时进行比较。如果两个结果之间存在任何差异，滤波器可以“校准”加速度计，以消除可能存在的任何偏差或噪声，例如来自振动源的偏差或噪声。滤波器的这种能力确实是惯性导航系统的核心和灵魂，也是其与简单积分计算的区别所在。

八、惯性导航系统 (INS) 如何确定航向

最后，我们可以考虑通过惯性导航系统获得绝对航向确定。陀螺仪本身将提供仅相对于您的起始位置的航向值，并不指示物体相对于北极的航向。绝对航向确定的一种常见且低成本的方法是使用另一种称为磁力计的传感器。

磁力计测量地球的磁场强度，并且再次使用三个磁力计，沿三个轴与其他传感器正交排列。与加速度计和陀螺仪一样，磁力计轴测量结果被组合成单个矢量。

当使用磁力计进行绝对航向确定时，有必要了解您所在位置的地球磁场强度。该信息被称为“世界磁模型”(WMM)，它是对世界各地地球磁场强度的三维测量，分辨率为 50 公里。 WMM信息存储在惯性导航系统内部，并将该位置的WMM值与测量值进行比较。使用三角学，INS 可以确定物体相对于磁北极旋转了多少。从那里开始，为了确定相对于所谓的真北的旋转（即航向），需要添加或减去一个称为“赤纬”的值。

红轴描绘了“磁北”，因为它与地球磁场对齐。蓝轴代表“真北”，因为它是地球旋转的实际轴

请注意，要使用世界磁力模型，必须知道绝对位置，至少在 +/- 25 公里之内，因此在使用磁力计时通常使用 GNSS/GPS 接收器。

然而，磁力计并非在所有情况下都是理想的，因为它们的测量非常敏感，因此容易受到附近含铁物体或产生磁场的设备（例如电动机）的干扰、偏移和失真。如果含铁物体相对于传感器是固定的；例如，在汽车中，可以校准干扰。如果含铁物体本质上是瞬态的；例如，行驶在钢板上时，可以智能滤除干扰。不幸的是，如果含铁物体很近但没有固定到位，并且一直存在——想象一下附近有一个电动机或一块旋转的钢；使用基于磁力计的航向系统可能根本不可能。在这种情况下，可以使用光纤陀螺仪等替代航向传感器通过测量地球自转来找到真北的（FOG）可能是必要的。

九、基于人工智能的过滤应用于惯性导航系统 (INS) – 原因和方式

人工智能 (AI) 是一种快速发展的技术/方法，正在工业的许多方面采用，以将一定程度的自动化决策赋予软件。毫无疑问，人工智能正在成为自动化和自主系统、电子产品以及提供越来越多的基于计算机的服务的基础技术。高级导航过滤 AI 包括人工神经网络 (ANN)，其设计类似于大脑互连的神经通路。该概念基于节点（“人工神经元”）的集合，这些节点与生物系统类似地互连。每个神经元都可以将信号传输到其他神经元，从而使交叉连接成为可能并影响连接的神经元如何相互作用。对于惯性导航系统，您可以将神经元视为传感器的输入或输出。

集成人工神经网络的信号处理速度明显快于使用卡尔曼滤波的导航系统。卡尔曼滤波提供主要基于统计的未知变量的估计。更快的处理意味着每秒捕获传感器数据的次数更多，这会导致记录的运动数据的粒度更细，并显着提高导航性能。

与卡尔曼滤波相比，人工智能改进了传感器错误检测和跟踪。卡尔曼滤波由于仅对加速度、速度和位置应用基本线性约束而受到一定限制。基于人工智能的高级导航算法应用动态约束，包括车辆运动的完整物理模型。使用动态约束而不是线性约束可以更好地检测和跟踪错误，从而获得更可靠和更高精度的运动数据。人工智能的“学习”能力使其能够在错误测量和测量后校正期间积累传感器误差数据和相关条件。然后，人工智能可以使用这些积累的知识，并应用适合当前条件的传感器误差补偿。能够根据当前条件解释传感器数据的结果，随着时间的推移，更细致的传感器误差数据变得可用，历史修正及其结果可提供更高的导航精度和改进的航位推算估计。