Seperti yang disebutkan Rocketmagnet, kesalahan Anda akan bertambah seiring waktu. Model kesalahan yang biasanya digunakan dalam navigasi inersia adalah pertumbuhan eksponensial.
Untuk meminimalkan ini, Anda harus memberikan pembaruan eksternal. Mekanisme yang biasanya digunakan adalah Filter Kalman. Sensor lembam memberikan pembaruan tingkat tinggi yang sangat baik. Sumber eksternal Anda menyediakan pembaruan stabil yang kurang akurat namun berjangka panjang dengan laju yang lebih rendah (biasanya seperti GPS). Keduanya bergabung untuk memberi Anda solusi gabungan yang baik. Tidak semua sistem menggunakan GPS sebagai sumber pembaruan. Misalnya, gambar IR di bagian depan Nintendo Wii remote memberikan sumber pembaruan ini.
Saya akan memberi Anda contoh biaya ada sisi faktor hal. Saya membangun sistem untuk survei udara yang memanfaatkan sistem inersia yang harganya 100.000+ Euro. Dengan sistem ini dan penerima GPS geodetik kelas atas, saya dapat menunjukkan lokasi IMU ke volume 2 "sepanjang hari ketika jangkauan GPS baik. Dengan tidak adanya pembaruan GPS (lembah kota, terowongan, dll.) Setelah sekitar 60 detik, kami memiliki margin kesalahan sekitar 10cm. Sistem dengan tingkat kinerja ini biasanya merupakan barang yang dikontrol ITAR karena merupakan perangkat kelas senjata.
Sistem inersia MEMS berkualitas rendah digunakan sepanjang hari dalam aplikasi yang tidak terlalu menuntut yang menghasilkan posisi dan sikap tingkat sub-meter meter. Sistem dengan kualitas lebih rendah ini masih menggunakan mekanisme Penyaringan Kalman yang sama. Kelemahan nyata dari unit biaya yang lebih rendah ini adalah bahwa kesalahan drift Anda akan tumbuh pada tingkat yang lebih cepat.
Edit:
Untuk menjawab pertanyaan Anda tentang apa yang penting untuk dicari dalam IMU. Ada beberapa hal yang ingin Anda lihat. Yang pertama adalah stabilitas suhu. Beberapa sensor MEMS akan memiliki output yang bervariasi hingga 10% dari kisaran suhu. Ini mungkin tidak masalah jika Anda berada pada suhu konstan selama operasi.
Hal berikutnya yang harus dipertimbangkan adalah kepadatan spektral noise gyro. Jelas semakin rendah jumlah kebisingan semakin baik. Tautan berikut menyediakan dokumentasi tentang cara mendapatkan dari kerapatan derau spektral ke drift (dalam derajat per satuan waktu). http://www.xbow.com/pdf/AngleRandomWalkAppNote.pdf
Untuk akselerasi Anda ingin melihat sensitivitas, dan bias di samping kebisingan. Tingkat kebisingan akan memberi Anda gambaran tentang seberapa cepat Anda akan mengintegrasikan kesalahan.