如今,随着商场引导顾客、消防员救援定位等一系列与室内定位有关的应用需求的增长,室内定位逐渐成为一个热门话题。无线射频识别、WIFI、超声波、红外线等基于无线信号的室内定位技术,需事先部署信号接收器或发射器,而惯性导航是基于行人航位推算的定位技术,不依赖于外部辅助设施,通过惯性传感器的测量,得到行人运动信息,实现对行人位置的估算。由于惯性传感器误差的不断累积,惯性导航的定位结果会不断偏移。本文主要针对卡尔曼滤波在行人惯性导航系统的应用展开研究,从影响卡尔曼滤波性能的三个关键因素:动态过程建模的准确性、异常值的抗干扰能力、系统噪声和观测噪声的有效估计入手,构建合适的卡尔曼滤波器以改善定位结果。对于行人运动这一非线性过程,仅仅由零速更新算法和离散卡尔曼滤波过程无法完全反映运动状态。在状态估计点进行泰勒展开,分析误差状态的传播过程从而推导出应用于行人惯性导航系统的扩展卡尔曼滤波,由实验可知其模型的准确性。而自适应滤波的引入能进一步提高系统的鲁棒性,抑制异常值的干扰。Sage-Husa滤波常用于估计未知的噪声特性,而在行人惯性导航系统中,该方法会导致滤波结果发散,因而需要对系统噪声和观测噪声具体分析。对于系统噪声而言,其传感器本身的误差并不是一个不可估计的量,基于零偏建模和基于Allan方差建模的方法能有效估计传感器的误差,并实时补偿传感器的测量值。对于观测噪声而言,观测量是由零速判定的条件确定的,零速假设与真实速度的误差反映了观测误差,由此可以推导出观测噪声协方差的理论值。实验结果表明,系统噪声的有效估计能修正系统状态的偏移,而观测噪声协方差的理论推导值能避免滤波的过度修正或修正不足,简化了经验值的调整过程。