随着物联网（IoT）的发展，人们对位置服务的需求日益迫切。基于磁力计、加速度计和速率陀螺仪，即MARG传感器，互补滤波器（CF）、卡尔曼滤波器（KF）及其各种改进等位置和姿态估计方法一直是研究热点。然而，基于CF的方法是经验性的，缺乏鲁棒性；基于 KF 的方法是无记忆观察者，当过滤器缺乏统一的可观察性时，其解决方案可能会发散。本文将载体的运动状态与EKF方法相融合，提出了一种虚拟测量组合扩展KF（VMC-EKF）方法。与图优化类似，该方法可以测量VMC阶段的关键信息，从而消除均匀可观测性的要求。虚拟测量的次数可以根据载体的运动状态及其梯度来估计，这决定了预测阶段和校正阶段的迭代次数。为了验证所提方法的性能，进行了一系列数值模拟实验、转台实验和脚装实验。基于MPU9250建立了相应的测试平台，MPU9250是MARG传感器的典型低成本运动跟踪集成电路(IC)。 MARG传感器的原始数据可以通过有线或无线通信方式与上位机进行通信，然后导入MATLAB中进行比较方法的处理和分析。测试结果表明，与现有方法相比，该方法能够实现姿态估计的快速收敛，并避免位置估计的发散。



"点击查看英文标题和摘要"