Random Error Reduction Algorithms for MEMS Inertial Sensor Accuracy Improvement — A Review

Han 2020 – Random Error Reduction Algorithms for MEMS Inertial Sensor Accuracy Improvement

📚 Référence

Han, J., et al. (2020). “Random Error Reduction Algorithms for MEMS Inertial Sensor Accuracy Improvement — A Review.”

🎯 Objet

Revue des sources de bruit aléatoire dans les capteurs inertiels MEMS et des algorithmes de réduction d’erreurs.

🧩 Points clés

Classification des bruits : biais constant, bruit blanc, random walk, instabilités thermiques.
Techniques de modélisation : Allan Variance, Power Spectral Density, AR(1) et Gauss–Markov.
Méthodes de réduction : filtrage adaptatif, Kalman/UKF, compensation par apprentissage.
Impacts sur la précision GNSS/INS : dérive cumulative, besoin de recalibration.
Recommandations pour la simulation RS3 : générateurs de bruit réalistes et modélisation Allan.

🔗 Liens

A014 – base de modélisation du bruit inertiel.
Relié à : [P002], [P004], [V001].

Réseau 3 sortants 0 entrants

Sources · Liens sortants

P002 — Hybrid Kalman Filtering for Robust GNSS/IMU Fusion in Open Mobility Data
P004 — Robust GNSS/INS Integration in Urban Environments: Vehicle, Inertial, and SLAM Constraints
V001 — Compétence C3 — Maîtriser les méthodes de fusion multi-capteurs (GNSS/IMU)

Cité par · Liens entrants

Aucune citation détectée.