该文档是一篇发表于2024年11月6日《Sensors》期刊的综述性文章，题目为“A review on the inertial measurement unit array of microelectromechanical systems”。作者包括Jiawei Xuan, Ting Zhu, Gao Peng, Fayou Sun和Dawei Dong，均来自广西科技大学自动化学院。这篇综述旨在回顾微机电系统惯性测量单元阵列技术的原理、发展现状、关键技术及未来研究方向。

微机电系统惯性测量单元（MEMS IMU）阵列技术，是一项旨在利用多个低成本、低精度的MEMS惯性传感器，通过特定的阵列配置和数据处理方法，来提升整体测量精度与可靠性的重要研究方向。本文首先介绍了MEMS IMU阵列的基本原理：它源于2003年美国NASA喷气推进实验室David S. Bayard和Scott R. Ploen提出的“虚拟陀螺仪”概念，即通过处理多个陀螺仪的输出信号来提升精度。该技术的核心是，由多个惯性测量单元（每个IMU包含加速度计和陀螺仪）组成阵列，共同测量相同的加速度和角速度信号，随后对每个IMU采集的信号进行分析建模，并运用数据融合技术将多个传感器的测量数据融合为阵列的最终输出，从而有效降低随机误差，提高精度和可靠性。这为解决MEMS惯性器件成本低、体积小但精度和可靠性不足的矛盾，提供了一条极具前景的技术路径。

文章系统地阐述了IMU阵列技术自2003年以来的发展历程与研究现状。早期研究主要集中在理论探索和概念验证上。例如，2006年西北工业大学的研究生Min Hu在其硕士论文中提出了基于卡尔曼滤波将三个陀螺仪融合成高精度虚拟陀螺仪的方案。此后，北京航空航天大学、北京理工大学、武汉大学等机构也相继展开了一系列研究。随着研究的深入，阵列技术开始走向工程应用。2008年起，美国Tanenhaus and Associates公司陆续推出了多款基于阵列技术的低成本高精度惯性导航系统。2015年，美国密歇根大学的John Wang等人将72个MEMS陀螺仪集成在三层开发板上，并采用隐马尔可夫模型进行融合，使陀螺仪精度相比卡尔曼滤波提升了50%。这标志着MEMS IMU阵列从理论研究阶段迈向了工程实现和应用探索阶段。近年来，IMU阵列的应用领域不断拓宽，涵盖了微纳卫星的姿态测量、行人导航系统、车载组合导航等多个方面。例如，2019年上海微小卫星工程中心的研究团队将MEMS陀螺仪阵列应用于微纳卫星系统；2020年苏州大学的研究者构建了包含32个MPU9250 IMU的阵列用于行人导航；2021年武汉大学牛小骥教授团队通过高精度三轴转台校准IMU阵列，在纯惯性导航测试中显著提升了位置精度，为IMU阵列在惯性导航领域的应用提供了实验支持。

为了充分发挥IMU阵列的性能，对阵列进行精确的误差分析、建模与校準是至关重要的基础工作。文章指出，IMU阵列的误差主要包括惯性器件自身的误差（如零偏、噪声、标度因数误差等）和安装误差（即传感器实际安装位置与设计位置的偏差）。常用的误差分析方法主要有四种：时间序列分析、自相关函数法、功率谱密度分析和阿伦方差分析。其中，阿伦方差分析结合了时域和频域分析，能有效识别各种随机误差分量，在MEMS惯性器件误差分析中应用最为广泛。在建立误差模型方面，文章给出了陀螺仪随机漂移误差、陀螺仪阵列误差、IMU误差及阵列内传感器测量的通用模型，这些模型是后续校准和数据融合的数学基础。校准的目的是确定误差模型中的参数，从而对确定性误差进行补偿。IMU阵列的校准方法主要分为三类：高精度转台校准、低精度转台校准和无转台校准。高精度转台校准是主流方法，但过程复杂且成本高昂。因此，研究者们提出了多种创新的校准方案以降低成本或提高便捷性。例如，2014年瑞典KTH皇家理工学院的研究者设计了一个正二十面体，通过变换阵列在其中的静态位置来进行校准，提升了加速度计测量精度23 dB。2020年，上海理工大学的研究团队为正二十面体校准方法设计了基于最小二乘法和L-M算法的参数求解方案，并将其应用于包含32个MPU-9250 IMU的阵列校准中。此外，一些研究致力于实现阵列的自校准。例如，2016年德国研究者提出了一种不依赖外部参考激励的加速度计阵列自校准方法；2021年瑞典研究者提出了可用于小型IMU阵列实时校准的最大似然估计器。近年来，机器学习算法也被引入校准领域，如西安微电子技术研究所的研究者应用长短期记忆神经网络算法对IMU陀螺仪阵列进行误差校正与补偿。

数据融合技术是MEMS IMU阵列技术的核心，其作用是将多个传感器的测量信息融合成一个更精确、更可靠的输出。文章综述了多种用于IMU阵列的数据融合方法。最简单的方法是算术平均，但其将所有传感器视为同等重要。更先进的方法包括加权最小二乘法，该方法通过赋予高精度传感器更大的权重来提高融合精度。在此基础上，递归最小二乘法可以逐次更新估计值，弥补了普通最小二乘法需要存储所有测量数据的不足。另一种常用方法是加权平均法，其关键在于如何根据传感器的可靠性或精度设定权重。研究者们提出了基于支持度的信息融合方法和自适应加权算法，后者通过最小化融合结果的总方差来优化权重分配。卡尔曼滤波及其扩展方法是IMU阵列数据融合研究中最为核心和广泛使用的一类技术。文章详细推导了如何针对陀螺仪阵列建立静态和动态卡尔曼滤波的状态方程与测量方程，以实现对角速率及其误差的最优估计。由于系统模型可能非线性，研究者也应用了扩展卡尔曼滤波来处理非线性融合问题。除了上述经典方法，研究者们还不断探索新的融合算法。例如，2020年有研究者提出了易于在FPGA上实现的、能够抑制干扰噪声和动态剔除异常噪声的信号处理滤波方法；同年，西安邮电大学的研究者提出了一种基于支持度融合和小波变换的小波压缩融合算法。2023年，北京理工大学的研究者提出了结合长短期记忆神经网络与卡尔曼滤波的融合算法，利用神经网络计算各陀螺仪的置信度并识别故障，有效提升了存在故障传感器时阵列的鲁棒性。

随着IMU阵列中传感器数量的增加，单个或部分传感器发生故障的可能性也随之上升。因此，故障检测与隔离技术对于保障整个系统的稳定性和可靠性至关重要。文章将FDI方法分为硬件冗余法、解析模型法和基于人工智能的方法三大类。对于采用冗余配置的IMU阵列，可以参考冗余惯性测量单元的故障检测方法。常见的解析方法包括基于等价空间原理的直接比较法（或称奇偶检验法）、广义似然比法、最优奇偶向量法和奇异值分解法。直接比较法适用于硬故障检测，通过检查传感器输出之间的线性相关性来判定故障。广义似然比法则引入奇偶向量的概念，适用于软故障检测。奇异值分解法则通过分析传感器输出矩阵的奇异值分布来检测异常。此外，研究者们还将模糊决策、支持向量机、小波包分解、主成分分析等人工智能与信号处理方法引入故障诊断领域。例如，2008年空军工程大学的研究者利用模糊决策评估奇偶残差质量，设计了自适应渐变故障容错方法；2015年南京航空航天大学的研究者结合小波包分解与支持向量机进行陀螺仪故障诊断；2020年有研究者提出了基于奇偶空间生成的改进主成分分析故障检测算法，以更好地处理动态环境下的故障检测。对于MEMS IMU阵列，可以借鉴上述方法进行进一步研究，以开发出高稳定性、高准确性和快速性的故障检测与隔离方案。

文章最后对MEMS IMU阵列技术的研究现状进行了总结，并展望了未来研究方向。当前研究主要呈现两大特点：一是在校准方法上，大多依赖高精度转台，少数研究者提出了无需外部设备的自校准方法；二是在数据融合方法上，以卡尔曼滤波及其扩展方法为主流，通过融合提升阵列测量的稳定性。作者认为，未来需要在以下几个方面进行深入研究：首先，需研究低成本校准方法，探索新的自校准技术，并解决如何准确校准具有不同安装误差角甚至大安装误差角的惯性传感器阵列的问题。其次，数据融合技术作为核心，其精度和可靠性需进一步优化提升，可以探索将卡尔曼滤波与神经网络相结合的新型融合方法。再者，当阵列中传感器数量不断增加时，理论上能降低噪声方差至1/√N的“√N规则”其有效性边界有待进一步探究。最后，随着阵列规模扩大，采集信息复杂、数据量巨大，研究具备高稳定性、高精度和快速性的故障检测与隔离方法变得至关重要。

这篇由广西科技大学团队撰写的综述文章，系统性地梳理了MEMS IMU阵列技术从概念提出到应用探索近二十年的发展脉络。文章不仅详细阐释了该技术的原理、校准、数据融合和故障检测四大关键技术的研究现状与具体方法，还指出了当前存在的挑战和未来的潜在研究方向。其价值在于为惯性导航领域的研究者与工程师提供了一份全面的技术概览与文献索引，强调了通过系统级设计和信号处理手段，利用低成本器件实现高精度导航的可行性与巨大潜力，对于推动该技术的进一步发展和应用具有重要的指导意义。