针对舰船、飞行器、车辆、机器人等特定物体目标的运动姿态精确测量是对其进行运动控制、行为感知的重要前提。测量物体的运动姿态可采用雷达、机器视觉、惯性传感等技术手段。基于惯性测量单元（Inertial Measurement Unit，IMU）的运动姿态测量完全依靠陀螺仪、加速度计等惯性传感器完成姿态信息的获取，不需要依赖外界信息，是一种常见的物体运动姿态测量方法。近年来，随着微机电系统（Micro-Electro-Mechanical Systems，MEMS）技术的进步，使其成本降低、体积变小，逐渐在运动姿态测量领域中发挥更大的作用。但受限于工艺、成本等约束，单体的MEMS-IMU的测量误差大、稳定度不高，并不适用于精度要求高的运动姿态测量系统，特别是一些非平稳运动场景。本文开展MEMS-IMU阵列集成、数据融合和运动姿态测量方法研究，具体工作如下：

（1）研制了一个MEMS-IMU阵列系统。实现了系统硬件设计、程序设计和上位机测试软件设计，完成了将MEMS-IMU阵列测量数据进行实时采集和保存的功能。同时在硬件系统的处理器和上位机测试软件中预留了运动姿态测量功能，且能够将测量结果在OLED屏幕、上位机界面或智能终端的安卓App上实时显示。

（2）提出了一种基于Allan 方差的MEMS-IMU阵列数据融合方法。使用Allan方差分析各个IMU的随机噪声，并赋予不同的融合权重，提高了惯性数据测量的准确性。

（3）提出了一种基于自适应Kalman-Mahony的姿态测量方法。基于四元数法进行运动载体的姿态变换矩阵更新；在传统Kalman滤波算法的基础上根据Allan方差对其量测噪声方差R进行自适应，改善非平稳运动状态下的数据滤波效果，提高运动姿态测量方法的鲁棒性；在传统Mahony互补滤波算法的基础上通过加速度来判断载体的运动状态，并实时调整互补滤波系数，保证该算法有更好的普适性，既满足平稳运动状态下高精度的测量需求，也能在非平稳运动状态下获得较好的测量性能。

实验结果表明，本文所研制的MEMS-IMU阵列系统功能正常，运行稳定。所提出的基于Allan方差的加权数据融合方法相对于传统等权融合方法在降低传感器的角度随机游走、零偏不稳定性等随机测量噪声中具有明显优势，其中陀螺仪各轴角度随机游走平均降低了10.3%，零偏不稳定性平均降低了9.8%；加速度计各轴角度随机游走平均降低了5.9%，零偏不稳定性平均降低了4.6%。所提出的基于自适应Kalman-Mahony的姿态测量方法在姿态测量稳定性、测量精确度等方面也优于传统测量方法。以航向角为例，经过93秒的非平稳运动后，其测量精度相比传统Mahony互补滤波方法提升了83.4%，相比于传统Kalman与Mahony融合的方法提升了46.8%。