针对无外界参考信息的双惯导系统长期使用后系统参数发生变化导致导航精度降低，且系统间缺少信息融合的问题，提出了一种同等精度双惯导协同误差估计与信息融合算法。首先以两套旋转式惯导间相对速度误差与位置误差作为观测量，建立包含陀螺和加速度计零偏的导航误差模型。然后分析了不同转序下各状态量的可观测性，采用 Kalman 滤波对各参数进行有效估计，估计完成后对双惯导系统进行误差补偿及信息融合。仿真结果表明，所提算法对陀螺零偏估计精度优于0.002(?) / h ，加速度计零偏估计精度优于 4 μg ，在抑制误差发散的同时，提高了旋转式惯导导航精度。

精确定位和准确构建地图（SLAM）是电缆沟巡检机器人顺利完成巡检任务的基础。传统激光 SLAM算法在电缆沟环境中容易产生“长廊效应”，且容易在 z 轴方向上产生漂移。针对上述问题，提出了一种基于多传感器融合的改进扩展卡尔曼滤波激光雷达测距与制图（EKF_LOAM）算法。通过扩展卡尔曼滤波器（EKF）将车轮里程计和惯性里程计融入 LeGO_LOAM 算法框架中来抑制“长廊效应”，在 EKF_LOAM 算法的基础上引入 IMU 的 z 轴线速度测量值，并设计基于特征点数量的自适应协方差计算方程，约束由面特征点严重缺失引起的 z 轴漂移。分别在虚拟和真实电缆沟环境中开展实验，结果显示所提算法的最终行进误差比 LeGO_LOAM 算法的行进误差减小了超过 40%，比 Cartographer 算法的行进误差减小 4.57%，z 轴方向误差比 EKF_LOAM 算法减小 49%，证明了所提算法在电缆沟环境中优于传统的 LeGO_LOAM、Cartographer 和 EKF_LOAM 算法，更适用于电缆沟巡检任务。

针对在卫星信号拒止、视觉系统退化场景中无人机 MEMS-IMU 零偏无法准确估计并补偿导致导航误差迅速发散的问题，提出一种基于改进长短时记忆（LSTM）网络的零偏在线标定方法。首先，为解决 MEMS-IMU 零偏数据非线性强、传统循环时间网络训练效果差的问题，设计序列到序列的LSTM 神经网络结构，引入教师强迫机制，提高了网络特征学习能力。然后，在导航过程中使用训练后的网络对 MEMS-IMU 零偏在线标定，补偿后的 IMU 量测与视觉信息联合优化，保证了导航定位精度。实验结果表明，在纯惯性导航实验中，所提方法的绝对位置误差比传统 LSTM 方法减小了 6.5%；在 EUROC 数据集下进行的视觉惯性组合导航实验中，所提方法的平均绝对位置误差比传统 LSTM 方法减小了 15%。

惯性平台系统温度过高和剧烈变化是影响惯性导航系统导航精度的重要因素。为提升惯性平台系统的散热能力，提出了基于微型槽和充氦气的改进散热方法，并对散热效果进行分析。以某平台系统结构为对象，根据惯性平台系统传热机理，分析了当前惯性平台散热能力较差的原因。针对微型槽增大面积、填充氦气等散热方法开展数值仿真分析，并通过缩比样件的散热实验进行验证。实验结果表明，在强迫对流的基础上将两种方法结合使用，可使平台温度较改进前降低 9.7 ℃，有效证明了两种散热方法的可行性及散热效果，为后续惯性平台系统的热设计提供指导。