- MEMS传感器在先进移动设备中的应用

3.MEMS传感器整合

传感器整合是一套数字滤波算法，用于修正每个独立传感器的缺陷，然后输出精确的响应快速的动态的（俯仰/滚转/偏航）姿态测量结果。传感器整合的目的是把每个传感器的测量数据作为输入数据，然后应用数字过滤算法对输入数据进行相互修正，最后输出精确的响应快速的动态的姿态测量结果。因此，航向或方位不受环境磁干扰的影响，没有陀螺仪的零偏漂移问题。

能够修正倾斜度的数字罗盘是由一个3轴加速度计和一个3轴磁力计组成，可提供以地球北极为参考的航向信息。但是这个航向信息容易受到环境磁力的干扰。如果安装一个3轴陀螺仪，开发一个9轴传感器整合解决方案，则可以随时随地保持精确的航向信息。

在设计一个使用多个MEMS传感器的系统时，了解下表所列的每个MEMS传感器的优缺点是很重要的。

•加速度计:在静态或慢速运动状态下可用于倾斜度修正型数字罗盘；可用于计步器的检测功能，检测步行人当前的状态是静止还是运动。不过，当系统在3D空间静止时，加速度计无法区分真正的线性加速度与地球重力，而且容易受到震动和振荡的影响。

•陀螺仪:可以连续提供从系统载体坐标到局部地球水平坐标的旋转矩阵，当磁力计受到干扰时，陀螺仪可辅助数字罗盘计算航向数据。长时间的零偏漂移导致无限制的姿态和定位错误。

•磁力计:可计算以地球北极为参考方向的绝对航向，并且可用于校准陀螺仪的灵敏度，但容量受到环境磁场的干扰。

•压力传感器:在室内导航时，压力传感器可告诉你身处哪一楼层，辅助GPS计算高度；当GPS信号变弱时，辅助GPS提高定位精度，但是容易受到气流和天气状况的影响。

基于以上各方面考虑，卡尔曼滤波器是最常用的整合不同的传感器输入信息的数学方法。这种方法权衡不同的传感器的作用，给性能最高的方面最高权数，因此，与基于单一媒介的导航系统相比，卡尔曼滤波器算法的估算结果更精确可靠 [3]。

目前基于四元数的扩展型卡尔曼滤波器(EKF)是一个很受欢迎的传感器整合方案，因为四元数只有4个元素，而旋转矩阵有9个元素，此外，四元数法还避免了旋转矩阵的特殊问题 [3]。

4.结论

随时随地精确定位是增强实境等先进移动应用面临的主要挑战，因为增强实境与行人航位推算（PDR）或定位服务（LBS）的关系密切。鉴于GPS接收器的接收限制，MEMS传感器对室内行人航位推算应用很有吸引力，因为这些传感器大多数已经出现在智能手机内。

要想取得5%的室内行人航位推算定位误差，需要开发MEMS传感器整合算法，以修正每个传感器的缺陷，使这些传感器实现优势互补。随着MEMS传感器的性能不断提高，在不远的将来，与用户无关的SINS/GPS一体化导航系统将会成为智能手机的标准配置。