近年来,人们生活水平不断提升,汽车的使用也愈加频繁,但在使用过程中,依然会遇到很多问题。为了更加方便人们的生活,智能汽车随之出现,也成为各位专家学者和行业人士研究的重点。在对智能车研究的过程中,研究者利用先进的科学技术优化对车辆的控制,来保证车辆行驶更加安全。车辆对自己运动状态的感知是汽车智能化研究的重点,而运动的参数估计又是其关键。其中,描述车辆运动状态的指标主要有车辆的位移、速度、还有姿态等。因此,车辆的姿态是描述车辆运动的重要参数之一。本文将选取智能车运动参数中的姿态进行研究,对于姿态的估计,提出基于多尺度和自适应梯度下降的姿态估计方法,分别从双姿态模型,多尺度姿态估计方法、自适应梯度下降姿态估计方法三个方面进行相关研究。具体的研究方法和创新性为:1、由于四元数姿态估计具有全局非奇异性,但计算量较大,高阶罗德里格斯参数(HOMRP)姿态估计的计算量虽然比较小,但计算过程中会出现奇异性。对于两种方法的优点与不足,设计基于双姿态的估计模型,在汽车的不同姿态解算状态下,切换到不同的姿态模型中,既可以很好地发挥出两种模型的优点,同时可以避免它们的不足。2、提出基于多尺度的姿态估计方法。介绍了小波多尺度原理,在HOMRP模型的基础上,结合卡尔曼滤波方法,然后用多尺度算法去优化该模型,并且用仿真实验来验证该方法是有效的,即用该方法计算可以获得更准确的姿态角。3、提出自适应梯度下降的姿态估计方法。介绍了梯度下降的原理,并且基于四元数模型,用梯度下降法去优化该模型,同时用PLS算法去动态确定梯度下降的步长,以达到自适应的效果,其间还用均值滤波去处理加速度计的数据输入,以达到抑制运动噪声的目的。接着对该方法做了仿真实验,证明了此方法可以让姿态角的解算更加精准。最后,本文用IMU惯导传感器和计算机进行了车载测试,具体操作为:将IMU惯导传感器置于汽车上,用计算机采集数据并且通过算法对其进行姿态解算。对自适应梯度下降和常用的四元数方法对比,可以看出自适应梯度方法对姿态解算的有效性;对多尺度和HOMRP方法进行对比,证实了多尺度方法可以提高姿态解算的精度;最后综合比较了三种方法,证明了本文提出方法可以提高运动汽车的姿态估计精度和收敛性,将此方法用在智能车中,可以更好地控制车辆的运动,保障智能车行驶的安全性。