智能手机等移动设备中的MEMS传感器
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、响应快速、动态的（俯仰/滚转/偏航）姿态测量结果。其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、响应快速、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，没有陀螺仪的零点漂移问题。
能够修正倾斜度的数字罗盘由一个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。
在设计多个MEMS传感器的系统时，了解下面每种MEMS传感器的优缺点很重要。
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；或用于计步器的检测功能，检测行人当前是静止还是运动状态。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。长时间的零点漂移会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，但容易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可计算高度；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传感器输入信息的数学方法。这种方法权衡不同传感器的作用，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]。目前的传感器整合方案中，基于四元数的扩展型卡尔曼滤波器(EKF)很受欢迎，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]。
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。（作者：Jay Esfandyari，Paolo Bendiscioli，Gang Xu）
参考文献
1. A. Lawrence, Modern Inertial Technology: Navigation, Guidance, and Control, ISBN: 978-0387985077 (hardback), 0387985077 (electronic), 1998
2. STMicroelectronics, Inc. J. Esfandyari et al, MEMS Pressure Sensors in Pedestrian Navigation, Sensors Magazine,Dec. 2010
http://www.sensorsmag.com/electronics-computers/consumer/mems-pressure-sensors-pedestrian-navigation-7896
3. Greg Welch, Gary Bishop, An Introduction to the Kalman Filter, University of North Carolina at Chapel Hill
4. A. Sabatini, Quaternion-Based Extended Kalman Filter for Determining Orientation by Inertial and Magnetic Sensing, IEEE transaction on biomedical engineering, Vol. 53, No. 7, July 2006
http://ieeexplore.ieee.org/xpl/freeabs_all.jsp?arnumber=1643403
评论