惯性实验室发布了一篇文章，概述了传感器融合和卡尔曼滤波如何应用于该公司的惯性系统，如AHRS(姿态和航向参考系统)和INS(惯性导航系统)。文章还解释了这些系统的各种应用，如无人机(uav)和ugv(无人地面车辆)的自主导航，遥感和天线指向。
传感器融合是将来自多个传感器的输入汇集在一起，以产生一个比单独使用单个输入提供更准确结果的单一模型的能力。本文概述了传感器融合的三种基本方法:冗余传感器、互补传感器和协同传感器。
卡尔曼滤波器利用一系列随时间推移观测到的测量值，其中可能包含统计噪声和其他可能导致传感器输出随时间倾斜的不准确性。过滤器产生这些未知变量的估计值，这些估计值往往比传感器单独记录的数据更准确，然后计算它们的确定性，并将收集到的数据进行加权平均。
惯性实验室的OptoAHRS-II是一种光学增强的AHRS，它使用参考图像，如地平线或给定方向上的附近物体的图片，来识别视觉特征星座。任何后续图像都可以用来确定标题由
与适当的参考图像进行比较。这些数据被整合到设备的传感器融合解决方案中，提供了抵御环境所呈现的磁干扰变化的弹性。
的INS-P惯性导航系统也使用传感器融合来确定一个系统在三维空间中的位置、速度和方向。来自磁力计、MEMS陀螺仪、加速度计和GPS的输入被输入卡尔曼滤波器以提供估计。
要了解更多关于惯性系统的传感器融合和卡尔曼滤波的知识，点击这里阅读全文。
