Як згадував Rocketmagnet, ваша помилка зростатиме з часом. Модель помилок, яка зазвичай використовується в інерціальній навігації, є експоненціальним зростанням.
Щоб мінімізувати це, ви повинні надати зовнішні оновлення. Зазвичай механізм - це фільтр Кальмана. Інерційні датчики забезпечують дуже гарне оновлення високої швидкості. Ваше зовнішнє джерело забезпечує менш точні, але довгострокові стабільні оновлення з меншою швидкістю (як правило, щось на зразок GPS). Ці двоє комбінуються, щоб отримати хороше комбіноване рішення. Не всі системи використовують GPS як джерело оновлення. Наприклад, ІЧ-візуалізатор на передній панелі пульта Nintendo Wii забезпечує джерело цих оновлень.
Я наведу вам приклад вартості - це не фактор сторони речей. Я будую системи для повітряних зйомок, які використовують інерційні системи, які коштують 100 000+ євро. За допомогою цих систем та геодезичних GPS-приймачів високого класу я можу чітко визначити розташування IMU на 2 "обсяг протягом усього дня, коли покриття GPS хороше. За відсутності оновлень GPS (міські каньйони, тунелі тощо) після приблизно 60 секунд у нас є похибка приблизно 10 см. Системи з таким рівнем продуктивності, як правило, є товарами, що контролюються ІТАР, оскільки вони є пристроями класу зброї.
Інерційні системи MEMS більш низької якості використовуються цілий день у менш вимогливих програмах, що дають можливість розташування та розміщення рівня підмірного метра. Ці системи нижчої якості все ще використовують той же механізм фільтрації Кальмана. Справжнім недоліком цих одиниць нижчої вартості є те, що ваша помилка дрейфу зростатиме набагато швидшими темпами.
Редагувати:
Щоб відповісти на ваше запитання про те, що важливо шукати в IMU. Є кілька речей, які ви хочете подивитися. Перший - це стабільність температури. Деякі датчики MEMS матимуть вихідні показники, які змінюються на цілих 10% в діапазоні температур. Це може не мати значення, якщо ви знаходитесь при постійній температурі під час роботи.
Наступне, що слід врахувати, - спектральна щільність гіроскопа. Очевидно, що чим менше шум, тим краще. Наступне посилання надає документацію про те, як пройти від спектральної щільності шуму до дрейфу (у градусах за одиницю часу). http://www.xbow.com/pdf/AngleRandomWalkAppNote.pdf
Для прискорення ви хочете подивитися на чутливість та упередженість, крім шуму. Рівень шуму дасть вам уявлення про те, як швидко ви збираєтесь інтегрувати помилки.