放手是汽车行业发展的必然趋势。随着越来越多的智能驾驶功能成为汽车的出厂标配，如何提高自动驾驶汽车的安全性和准确性？什么将支持自动驾驶车辆的整体路径规划？这些已成为汽车行业的共识问题。
我们以限制场景下自动停车的实现为例。高精度组合导航系统依赖于传感器系统返回的周围环境数据。处理中心代替人脑向控制系统发出指令。最终通过执行器实现自动停车。然而，随着停车场景的扩大，道路复杂程度不断增加。仅由传感器系统收集的数据不足以支持更高级别的驾驶策略。
如果把地图导航和视觉传感器比作汽车的“眼睛和耳朵”，那么高精度组合导航系统则可以视为无人驾驶系统的“小脑”，增加了“整体控制和平衡”的能力。 ”到车上。通常以GNSS获取定位卫星信号，辅以地面参考站差分信号，结合INS测量车辆自身三轴加速度和三轴角速率进行轨迹估计。这三种方法协同工作，可以准确捕获车辆周围环境、路况和行驶轨迹的信息。
GNSS 也称为全球卫星导航系统。它为用户提供全天候的三维坐标、速度、空间和时间信息，如中国的北斗和美国的GPS。高精度 GNSS 测量需要使用载波相位观测。
RTK定位技术是一种基于载波相位观测的动态定位技术。它可以进行实时差分改正，提供地球坐标系下的三维定位结果，精度达到厘米级。高精度卫星差分定位技术高度依赖无线信号和通信链路。
如果在城市峡谷、林荫道、立交桥下等信号差的场景中行驶，惯性导航系统将在汽车“盲区”时发挥非常重要的作用。当没有GNSS信号时，INS主要依靠惯性测量单元（IMU）中的三轴MEMS加速度传感器、三轴陀螺仪和求解电路。 IMU根据DR算法输出车辆的定位和姿态数据，并计算下一时刻的导航状态。
高精度IMU在性能要求上有一个特点，那就是“没有尽头”。除了汽车行业之外，IMU还应用于机器人自主移动等领域，例如基于视觉的实时定位和地图构建（VSLAM/VIO）。 VSLAM/VIO基于摄像头获取RGB和地图深度信息，同时还集成了IMU传感器用于定位辅助。
DAISCH做了一些性能对比测试。两个陀螺仪零偏置不稳定性分别为 3.5°/h 和 6.3°/h 的 MEMS IMU 与双目视觉相结合，用于 VSLAM 构建。测试结果表明，在严格控制其他变量的情况下，随着步行距离（每圈约550m）的增加，不同样本的轨迹渲染性能会出现较大差异。
根据50次重复测试的对比数据，零偏不稳定度为3.5°/h的样品A在准确性和重复性方面具有显着优势。其误差经过累加后表现出较好的稳定性。在没有轮速里程表辅助的场景中，依然可以实现5米左右的箱图分布。
IMU基于DR算法输出车辆定位和姿态数据。 DR算法的精度取决于IMU中陀螺仪和MEMS加速度计的精度。由于计算模块积分计算时存在累积误差，误差会随着时间的增加而线性增大。此外，在实际应用中，高频振动还会降低INS组件中IMU硬件的可靠性和精度。这是汽车场景对高精度IMU标定技术需求不断增加的主要原因。
实验数据表明，校准后随温度漂移的零偏误差可降低至0.01dps，较校准前提高1-2个数量级。在传感器的全量程内，比例因子误差范围可从3%降低到0.3%，提高了1个数量级。正交误差也可以从1%降低到0.01%，提高了2个数量级。
• 3DM-CV7-AHRS 战术级 OEM IMU/AHRS
• 3DM-GX5-GNSS/INS 高性能 GNSS 导航传感器
• 3DM-CV7-INS 战术级嵌入式惯性导航系统
• 3DM-GX5-IMU 高性能惯性测量单元
• 3DM-CX5-AR 高性能倾斜/垂直参考传感器
• 3DM-RTK 网络接口调制解调器
