Este trabalho apresenta um estudo e implementação de um sistema de navegação inercial, utilizado para estimar coordenadas cartográficas e reconstruir a trajetória percorrida por um veículo terrestre (no caso, um automóvel). O sistema emprega uma técnica denominada "fusão sensorial". A fusão sensorial é obtida a partir de um filtro de Kalman discreto que combina os dados provenientes de uma unidade de medição inercial (UMI) do tipo strapdown, de baixo custo, com informações externas fornecidas por um velocímetro e um conjunto de marcas topográficas ("landmarks"). Estas medidas são então processadas pelo filtro, produzindo estimativas de aceleração, velocidade e posição. São apresentadas as modelagens terrestre e cinemática do veículo, e também as principais fontes de erros que degradam o processo de estimação, incluindo algumas técnicas que minimizam o crescimento destes erros. Finalmente o sistema é modelado de forma estocástica no espaço de estados discreto, e resultados gráficos são apresentados. Estes resultados indicam que não é possível reconstruir as trajetórias de forma satisfatória utilizando-se apenas a UMI, devido a sua baixa precisão. No entanto, a fusão sensorial desenvolvida neste trabalho permite reconstruir as trajetórias com expressiva melhora.

This work presents a study and implementation of an inertial navigation system, designed to estimate chart coordinates and to reconstruct a terrain trajectory of a vehicle (in this case, an automobile). The system uses a technique named "sensor fusion". The sensor fusion is implemented by a discrete Kalman Filter, that processes the data coming from an low cost strapdown inertial measurement unit (IMU), and them combines external information provide by the vehicle speedometer and a set of landmarks. These measurements are processed by the Kalman Filter, producing acceleration, speed and position estimates. It is presented the terrestrial and kinematical vehicle modeling, and the principal errors sources that degrades the estimation process, including some techniques to minimize the growth of errors. Finally, the system is modeled as a discrete state space stochastic system, and graphic results are presented. These results indicate that it is impossible to reconstruct the trajectories successfully using only the IMU, due to its low accuracy. However, the sensor fusion algorithm developed in this work succeed to reconstruct the trajectories with a notable improvement.