针对影像实时动态测量设备中相机和惯性测量单元（IMU）相对位置发生变化时，需要重新进行外参标定的问题，提出了一种Camera-IMU外参在线标定方法，能够在机械构型未知的情况下自动估计初始值和外参数。首先，使用全球卫星导航时间对齐IMU和相机的时间戳，通过奇异值分解求解旋转量的超定线性方程，改变阈值判定条件和加权方式，减少方程中的退化运动，并剔除外点，提高系统鲁棒性与外参精度，从而获得恒定的Camera-IMU旋转外参。然后基于获得的Camera-IMU旋转外参，固定滑动窗口，利用高斯牛顿法估计Camera-IMU的外参平移量。与原有在线标定方法相比，旋转外参标定方法的精度提高15%，平移外参的精度提高35%，实验结果表明所提方法是有效的。

为了实现低成本微惯性测量单元(MIMU)的自对准功能、提高自对准精度, 提出了一种基于级联卡尔曼滤波(KCF)的动基座GPS单天线辅助MIMU自对准方法。首先, 对GPS单天线测得的速度矢量随机误差进行了总平均经验模态分解(MEEMD), 信号重构后使用卡尔曼滤波对其降噪解算得到航向角测量; 其次,以基座姿态角和陀螺常值漂移为状态量建立了系统的状态方程, 并融合加速度计和GPS单天线测量信息, 建立了系统的观测方程; 然后, 使用自适应无迹卡尔曼滤波进行信息融合, 实现了基座姿态角的最优估计。经仿真验证对比, 所提算法有效提高了自对准精度。仿真结果验证了所提算法在GPS单天线辅助MIMU自对准中的优越性。

为提高车载组合导航系统的导航精度和可靠性, 在全球导航卫星系统(GNSS)信号正常工作的情况下, 该文建立了一种双天线GNSS/微惯性测量单元(MIMU)/轮速里程计(OD)组合导航模型, 实现了对MIMU和OD传感器误差特性的在线估计。在GNSS信号短期失锁的情况下, 基于双OD轮速比例修正(WRC)算法建立了MIMU/双OD组合导航模型。车载实验结果表明, 与无WRC组合模型相比, 该文设计的组合导航模型在120 s的GNSS信号失锁路段, 最大定位误差减小了63.9%, 定位误差标准差减小了80.1%; 在200 s时GNSS信号频繁中断路段, 最大位置误差为0.55 m。验证了所建立的导航模型和算法在复杂路况下工作的有效性。

运动相机相对位姿估计是基于机载光电平台进行视觉定位的关键技术。在大倾角、小交会角等典型受限观测条件下，相机位姿估计精度易受姿态角误差和像点提取误差的影响，使目标定位精度难以满足应用需求。针对惯性测量单元测量角度随时间发生漂移，且惯性测量单元与相机安装关系标定繁琐的问题，提出了一种惯性测量单元与相机固联安装下的对地定位方法，无需标定相机和惯性测量单元之间的安装关系。首先，利用固联安装的惯性测量单元为运动相机提供相对旋转角信息；然后，根据1个相对旋转角和4个同名点估计运动相机的相对位姿；最后，采用投影矩阵交会法线-线交会出目标的空间位置。仿真和飞行实验表明，在典型受限观测条件下，所提方法定位精度优于传统定位方法，具有高精度、高效率、强鲁棒性等优点。

在视觉惯性定位系统中，传感器位姿关系的标定对于实现精确空间定位至关重要，针对现有标定方法对多传感器系统缺乏集成性、标定精度受限等问题，提出了一种视觉惯性系统位姿高精度一体化标定方法。通过精密三轴转台提供角度基准，基于重力矢量不变性和匀速圆周运动下向心加速度数值的一致性求解惯性测量单元（IMU）与转台之间的外参，利用转台构建控制场为相机标定提供空间角度约束，联合优化求解无重叠视场多相机内外参。仿真和实验结果表明，该方法具有较高的标定精度和稳定性，在多相机IMU系统组合定位测试中，与经典标定方法Kalibr相比，本文方法系统运动轨迹拟合轴线的角度偏差降低40.32%，距离偏差降低18.93%，可满足高精度视觉惯性定位系统的标定需求。

该文理论分析了二频机抖激光陀螺抖动轴和敏感轴间的失准角对陀螺精度的影响。基于刚体欧拉动力学方程建立了机抖激光陀螺动力学模型, 利用刚体绕任意轴转动惯量的计算方法, 计算了抖动轴失准角引起的陀螺腔体在陀螺坐标下的惯性积变化, 对陀螺高频抖动时由腔体惯性积产生的横侧向力矩引起陀螺敏感轴横侧向变形进而激发单表级圆锥误差的过程进行了定量计算。结果表明, 高精度应用场合抖动轴失准角应小于5′。

针对Intensity ScanContext（ISC）等激光雷达闭环检测算法中描述子易受载体旋转和平移变化干扰、不变性较弱从而导致闭环效果差的问题，提出了一种在城市动态环境下具有旋转和平移不变性的激光雷达点云描述子。首先，在点云处理部分，基于角度图像的地面点分割算法去除点云数据中的地面点，并利用基于弯曲体素聚类的动态目标剔除算法完成点云分割和动态目标的剔除。然后，基于惯性测量元件采集的四元数对点云进行坐标系变换，将所有帧点云统一至同一航向角下，以实现描述子的旋转不变性。接着，通过点云中静态目标与载体运动方向所在法平面的相对位置关系来确定描述子绘制中心，以实现描述子的平移不变性。最后，利用所提描述子进行闭环检测，并结合点云数据的空间结构对闭环检测结果进行一致性验证。在KITTI公开数据集下的实验结果表明，所提方法在城市动态环境下能够更加快速准确地实现闭环检测，相比于ISC算法，所提方法在准确率为100%时召回率提高了8.58个百分点，且平均耗时减少了12.90%。

在小型无人直升机领域, 激光陀螺捷联惯导不仅用于导航, 而且用于飞行姿态控制, 对激光陀螺捷联惯导的导航精度和实时性都有较高要求。而传统的高阶有限脉冲响应(FIR)低通滤波器对激光陀螺惯性测量单元(IMU)输出信号滤波后会产生较大的时间延迟, 使得滤波后信号难以满足系统姿态控制的要求。为了兼顾测量精度和响应时间, 研究了一种最小均方(LMS)自适应陷波器与低阶FIR低通滤波器相结合的滤波方法, 并在其中引入了无限脉冲响应(IIR)窄带滤波器, 解决了抖频参考信号的获取问题。理论分析和试验结果表明: 该方法不仅能有效消除抖动偏频信号和外界高频噪声的影响, 而且可以显著缩短延迟时间至2 ms, 具有很高的工程实用价值。

由于微惯性测量单元(MIMU)易受环境影响, 且存在输出非线性以及剧烈角运动和线运动下精度低的缺点, 而传统的多项式标定方法难以精确地补偿动态误差, 因此,利用深度学习方法对MIMU整体动态误差进行建模与补偿, 分别使用浅层神经网络与深度循环神经网络建立MIMU的整体动态误差模型。设计了基于三轴带温箱位置速率转台的标定流程, 使三轴带温箱转台的内、中、外3轴同时施加角运动并且施加温度变化, 建立MIMU的多因素影响误差训练集。实验结果表明, 浅层神经网络模型相对于传统模型在误差补偿效果上略有提升, 深度循环神经网络模型补偿后残差均值与均方差显著下降, 其中,门控循环单元(GRU)神经网络模型补偿效果最好, 并且需要训练的参数较少、计算负担小。