江苏进口惯性传感器

    意大利的一支科研团队开展了一项对比研究，探讨惯性测量单元（IMU）能否作为基于地面反作用力（GRF）的姿势图法的替代方案，为姿势控评估提供更便携的解决方案。研究招募21名青年受试者，在不同表面（实心地面、三种不同刚度泡沫）和视觉条件（睁眼/闭眼）下，同步采集L5水平躯干的IMU加速度数据与力平台的GRF数据，分析了不同滤波截止频率（Hz、Hz、5Hz、10Hz）对IMU指标的影响，并提取时间域和频率域共13项姿势指标进行对比。结果显示，GRF与IMU指标的相关性为弱至中等（|ρ|<），两者均能检测到泡沫表面导致的姿势摆动增加，但频率域表现相反；GRF指标显示闭眼时（尤其在泡沫上）姿势摆动更大，而IMU指标medio-lateral方向的范围和均方根位移在闭眼时降低。研究表明，GRF和IMU指标虽描述相同的姿势行为，但分别聚焦于姿势调整（基于倒立摆模型）和姿势表现，二者并非替代关系而是互补，且IMU信号滤波需标准化（5Hz截止频率可保留95%信号功率），为临床姿势评估提供了灵活选择。 IMU 测量量程可调，可适配微运动与大动作的不同感知需求。江苏进口惯性传感器

    自主模块化公交（AMB）可动态对接或拆分，能减少交通拥堵、降低能耗，但自主对接过程中面临垂直方向位置漂移、近距离动态遮挡等关键挑战，现有LiDAR-SLAM算法在动态场景下性能受限，难以满足高精度对接需求。近日，华南理工大学与清华大学团队在《GreenEnergyandIntelligentTransportation》期刊发表研究成果，提出一种增强型LiDAR-IMU融合SLAM框架，专为AMB对接场景优化。该框架关键创新包括三点：一是采用带地面约束的两阶段扫描匹配方法，先通过地面特征估计z轴位置、横滚角和俯仰角，再利用非地面特征优化x、y轴位置和航向角，降低垂直漂移；二是设计融合IMU横滚角和俯仰角约束的因子图优化策略，通过周期性重置因子图，减少长期累积误差；三是引入深度学习驱动的前车检测与点云滤波机制，基于PointPillars网络识别前车，过滤遮挡点云以降低动态干扰。该框架解决了AMB对接的关键位置难题，为模块化公交的实际落地提供了关键技术支撑。未来团队将优化算法以适配非平坦地形，并拓展动态障碍物处理能力，推动AMB在复杂城市环境中的广泛应用。 江西六轴惯性传感器快递分拣机器人利用 IMU调.整车身姿态完成货物分拣。

    近期，科研团队提出了一种基于水平姿态约束（HAC）的IMU/里程计融合导航方法，解决了传统非完整约束（NHC）算法中IMU姿态误差累积导致的精度下降问题，对提升地面车辆导航可靠性具有重要意义。该方法利用车辆水平匀速运动时垂直加速度与重力加速度一致的特性，通过加速度计输出判断运动状态，将俯仰角和横滚角归零以实现姿态校正，在传统NHC算法基础上增加水平姿态约束，构建了包含姿态误差、速度误差、位置误差及传感器漂移的15维状态方程和融合速度与姿态数据的测量方程，基于卡尔曼滤波实现数据融合。经两组真实车辆测试数据验证，该算法相比传统NHC算法，水平精度分别提升约63%和70%，垂直精度分别提升98%和97%，姿态误差（横滚角、俯仰角）改善幅度达88%以上，极大减少了误差累积，提升了导航系统的稳定性和准确性。

    印度的一支科研团队提出了一种基于IMU的偏航角和航向角估计方法，通过自适应互补滤波与黄金分割搜索（GSS）算法优化，提升了移动机器人在倾斜农业地形上的导航性能，这对于解决无磁强计或双天线GNSS等参考条件下的可靠标定难题具有重要意义。该方法采用MPU6050IMU传感器，融合三轴加速度计和陀螺仪数据，在互补滤波中引入地形倾斜补偿机制，将倾斜轴上的重力分量纳入横滚角和俯仰角计算，修正动态运动中的加速度计读数偏差。研究通过GSS算法优化滤波加权因子，在收敛阈值σ≤下，需五次迭代即可确定比较好值（约），相比传统固定权重滤波，将斜坡上的偏航角估计误差降低了约°。实验验证中，定制设计的自主地面车辆（AGV）在10°-90°不同坡度地形及快慢不同的方向变化场景下，均实现了稳定的姿态追踪，尤其在中高坡度地形中表现出更高的估计精度。该方法无需依赖易受干扰的磁强计，计算效率高且适用于资源受限的嵌入式系统，为精细农业中的自主机器人导航提供了实用且可靠的解决方案。 IMU 可实现多自由度感知，捕捉物体的平移与旋转运动。

    自主机器人导航中，可靠的里程计估计至关重要，但隧道、长走廊等无几何特征环境会导致激光雷达点云退化，传统激光雷达-惯性测量单元（LiDAR-IMU）里程计易出现误差累积。对于滑移转向机器人，轮式里程计虽能提供补充约束，但车轮打滑、横向运动等复杂动作会引发非线性误差，且误差受地形影响较大，传统线性模型难以描述。近日，日本东北大学与产业技术综合研究所（AIST）团队在《RoboticsandAutonomousSystems》期刊发表其成果，提出一种紧密耦合的LiDAR-IMU-轮式里程计算法。该算法创新融入神经网络在线训练，通过因子图优化实现传感器融合与运动学模型学习的统一。研究设计的神经网络分为离线和在线学习模块，离线模块预训练捕捉地形无关特征，在线模块实时适配地形动态变化，同时提出神经自适应里程计因子，确保模型约束与传感器数据一致性。实验验证显示，该算法在点云退化、车轮大幅打滑等极端场景下表现稳健，在8种不同地形及3类复杂测试序列中，轨迹误差（ATE）和相对轨迹误差（RTE）均优于现有主流方法，较固定网络模型精度提升超一倍，且处理耗时为秒，满足实时应用需求。该技术为GNSS缺失环境下的机器人导航提供了新方案。 结合卡尔曼滤波算法，IMU 能抵消传感器漂移误差，提升步态分析、康养训练等场景的数据可靠性。9轴惯性传感器测量精度

消费级 IMU 成本可控，易批量集成于各类民用智能设备。江苏进口惯性传感器

柔性机械臂因重量轻、功率重量比高，主要用于航空、工业等领域，但结构柔性使其控制难度大——传统采用偏微分方程（PDE）建模，计算复杂难以实时应用。近日，研究人员提出用惯性测量单元（IMU）传感器网络解决这一问题：将柔性臂拆分为多个虚拟刚性段，通过IMU采集每个段的加速度与角速度数据，结合互补滤波处理传感器漂移和噪声，准确估算各段姿态与位置，将柔性臂动力学简化为易实时计算的普通微分方程（ODE）模型。基于此模型，研究人员设计鲁棒模型预测控制（RSMPC）策略，无需复杂PDE计算即可实现实时控制。实验用4.5米长的柔性液压机械臂验证：IMU估算的端点位置与激光测量结果一致性高，控制效果优于PID、PDE等方法，且输入更平滑。该方法为柔性机械臂的实时控制提供了实用路径，未来可结合模态分析减少IMU使用数量，或适配不同边界条件，推动柔性机械臂更主要应用。江苏进口惯性传感器