传感器融合是使用 GNSS 接收器、卡尔曼滤波器和其他选项，组合来自多个传感器的数据，以就位置和动量达成共识，减少自主导航和机器人系统的不确定性和误差。这些传感器融合校正对于提高精度是必要的，特别是在数据干扰较强的情况下。如果无法提供此类修正，可能会导致系统获得毫无价值的位置读数以及不太准确的导航方向。以下是一些经过验证的纠正策略，可以提高传感器融合系统在实际应用中的准确性和实用性。
在大多数情况下，导航系统已经配备了 GPS，而在某些情况下，则需要两个。为什么要在您的流动站或自主系统中添加另一个 GPS？一般来说，添加第二个 GPS 设备可以为传感器融合数据提供更多信息。这可以允许对从其他传感器获得的信息进行交叉检查和验证，并且可以提高传感器融合数据的准确性，在很大程度上减少错误。
建立冗余可以让采用自主导航的机器人和系统收集更多数据，并在确定系统位置时实现更高的准确度，这对于现实场景中的车辆和其他系统至关重要。构成 GNSS 接收器的附加 GPS 通常可以识别位置绘图中的较大错误，否则可能会在很大程度上影响机器人和自主漫游车的性能。
发表在科学杂志《 传感器》上的一篇文章表明，通过多个传感器和传感器类型计算运动物体的位移是实现导航自主的精确传感器融合校正的绝佳方法。使用数学算法来比较和过滤位移数据，以根据方向、速度和加速度确定位置。生成的这些数据可用于验证其他传感器（包括 GPS）提供的信息。
通过将这些软件解决方案添加到导航硬件系统中，可以更精确地获取位置数据。一般来说，导航自主性是通过比较来自各种传感器和工具的信息来确定的。位移计算器为评估哪些竞争传感器读数最有可能准确可靠提供了额外的帮助。
2019 年 11 月，ACM Communications 发表了一篇关于卡尔曼滤波基础知识的文章，该滤波是提高自主导航和其他应用准确性的一种手段。根据该文章，卡尔曼滤波可以被视为一种“组合未知值的近似值以产生更好的近似值的方法”。换句话说，卡尔曼过滤“清理”并平滑来自多个传感器的原始位置数据，以更清晰地了解车辆所在的位置。
卡尔曼滤波器是校正传感器融合数据的最有效方法之一。从本质上讲，通过比较笔记，这些滤波器可以消除异常数据，以促进漫游器和自动驾驶车辆更准确的读取，类似于“低通”或“高通”滤波器如何清理麦克风的音频输入。卡尔曼滤波器和其他用于传感器融合校正和调整的滤波器。
避免生成无价值的传感器融合数据的一种常见策略是简单地添加更多传感器。虽然这可能是个好主意，但从理论上讲，在没有明确计划将传感器与其他传感器集成的情况下添加传感器可能会犯一个大错误。对于惯性测量单元或 IMU 来说尤其如此。购买 IMU 传感器可能最终会导致您赔钱，而无法显着提高精度。了解添加更多传感器对处理时间和准确性意味着什么绝对重要，以确保您不会浪费金钱而获得很少或没有回报。
• 3DM-CX5-GNSS/INS 高性能 GNSS 导航传感器
• 3DM-GX5-GNSS/INS 高性能 GNSS 导航传感器
• 3DM-GQ7-GNSS/INS 双天线多频段RTK导航系统
• 3DM-CV7-INS 战术级嵌入式惯性导航系统
• 3DM-GV7-INS 战术级加固惯性导航系统
