Jak wspomniał Rocketmagnet, z czasem twój błąd będzie narastał. Model błędu zwykle stosowany w nawigacji bezwładnościowej to wzrost wykładniczy.
Aby to zminimalizować, musisz zapewnić aktualizacje zewnętrzne. Najczęściej stosowanym mechanizmem jest filtr Kalmana. Czujniki bezwładnościowe zapewniają bardzo dobre aktualizacje o wysokiej prędkości. Twoje źródło zewnętrzne zapewnia mniej dokładne, ale długoterminowe, stabilne aktualizacje z mniejszą częstotliwością (zwykle coś w rodzaju GPS). Te dwa elementy dają dobre połączone rozwiązanie. Nie wszystkie systemy używają GPS jako źródła aktualizacji. Na przykład kamera IR na przednim panelu Nintendo Wii stanowi źródło tych aktualizacji.
Dam ci przykład, że koszt nie ma znaczenia po stronie rzeczy. Buduję systemy do pomiarów lotniczych, które wykorzystują systemy bezwładnościowe, które kosztują ponad 100 000 euro. Dzięki tym systemom i wysokiej klasy odbiornikom GPS geodezyjnym mogę precyzyjnie wskazać lokalizację IMU na objętość 2 "przez cały dzień, gdy zasięg GPS jest dobry. W przypadku braku aktualizacji GPS (kaniony miejskie, tunele itp.) Po około Po 60 sekundach mamy margines błędu około 10 cm. Systemy o takim poziomie wydajności są zwykle towarami kontrolowanymi przez ITAR, ponieważ są urządzeniami klasy broni.
Niższej jakości systemy inercyjne MEMS są używane przez cały dzień w mniej wymagających aplikacjach, zapewniając pozycję i nastawę poziomu poniżej metra. Te systemy niższej jakości nadal wykorzystują ten sam mechanizm filtrowania Kalmana. Prawdziwym minusem tych jednostek o niższych kosztach jest to, że błąd dryfu będzie narastał znacznie szybciej.
Edytować:
Aby odpowiedzieć na twoje pytanie, co jest ważne, aby szukać w IMU. Jest kilka rzeczy, na które chcesz spojrzeć. Pierwszą jest stabilność temperaturowa. Niektóre czujniki MEMS będą miały wyjścia, które różnią się nawet o 10% w całym zakresie temperatur. Mogą one nie mieć znaczenia, jeśli podczas pracy utrzymasz stałą temperaturę.
Następną rzeczą do rozważenia jest gęstość widmowa szumu żyroskopowego. Oczywiście im niższy poziom hałasu, tym lepiej. Poniższy link zawiera dokumentację dotyczącą przejścia od spektralnej gęstości szumu do dryfu (w stopniach na jednostkę czasu). http://www.xbow.com/pdf/AngleRandomWalkAppNote.pdf
W celu przyspieszenia chcesz spojrzeć na czułość i stronniczość oprócz hałasu. Poziom hałasu daje wyobrażenie o tym, jak szybko zamierzasz zintegrować błąd.