1.一种阵列式冗余imu信息融合的方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种阵列式冗余imu信息融合的方法，其特征在于：步骤1中各imu之间的时间延时step计算公式如下；
3.如权利要求1所述的一种阵列式冗余imu信息融合的方法，其特征在于：步骤1中根据不同场景和要求为设计了两种标定方式，分别为：1)以精密转台提供参考信息的解析标定；2)以地球重力提供参考消息的简易数值优化标定；
4.如权利要求3所述的一种阵列式冗余imu信息融合的方法，其特征在于：以地球重力提供参考消息的简易数值优化标定的具体实现方式如下；
5.如权利要求1所述的一种阵列式冗余imu信息融合的方法，其特征在于：步骤2中，对标定好的冗余imu数据先进行如下处理，
6.如权利要求1所述的一种阵列式冗余imu信息融合的方法，其特征在于：基于注意力机制的软加权方法的具体实现方式如下；
7.如权利要求1所述的一种阵列式冗余imu信息融合的方法，其特征在于：步骤4中，对于利用imu阵列进行导航与控制场景，将imu阵列融合成一个更加精准的虚拟imu，回归虚拟imu的解码器结构如下：输入层接收经过软加权机制处理后的特征，连接到具有若干个3*3卷积核的卷积层，以捕捉局部特征，并使用批量归一化和relu激活函数；之后再连接一个具有若干个3*3卷积核的卷积层，进一步提炼特征，同样使用批量归一化和relu激活函数；随后接入扁平化层将卷积层输出的多维数据展平成一维，以便全连接层可以处理；最后通过全连接层并使用线性激活函数，直接输出回归的虚拟imu数据；若采用高精度imu作为监督信息，则：
8.如权利要求1所述的一种阵列式冗余imu信息融合的方法，其特征在于：对于车辆导航定位场景，利用imu阵列回归速度信息作为虚拟里程计，辅助导航系统的系统约束，此时的解码器结构设计为：输入层接收经过软加权机制处理后的特征，连接到具有若干个3*3卷积核的卷积层，以捕捉局部特征，并使用批量归一化和relu激活函数；之后连接一个具有若干个3*3卷积核的卷积层，进一步提炼特征，同样使用批量归一化和relu激活函数；随后接入扁平化层将卷积层输出的多维数据展平成一维，以便全连接层可以处理；最后通过全连接层并使用线性激活函数，直接输出回归的速度数据；损失函数为：
9.如权利要求1所述的一种阵列式冗余imu信息融合的方法，其特征在于：在穿戴式设备或增强现实与虚拟现实这类需要行人运动跟踪和活动分类的场景中，对于活动识别任务的分类解码器结构设计为：第一个全连接层设计为有1024神经元的层，以便能够处理较高维度的输入，激活函数使用relu，为非线性变换提供激活；第二个全连接层减少神经元数量，使用512个神经元，继续使用relu激活函数；之后中间层逐步降低特征维度，每层递减神经元数，第三层256个神经元，第四层128个神经元，以有助于逐步综合特征，逐渐靠近目标输出的维度；输出层采用4个神经元与softmax激活，输出一个概率分布，表示输入数据属于每个类别的概率；损失函数为：
10.一种阵列式冗余imu信息融合的装置，其特征在于，包括：