惯性测量单元（IMU）已经成为智能汽车导航系统中必备的器件,其能以较高的频率为系统提供位置,速度,姿态等信息。但纯惯性导航系统的误差会随着时间的推移而持续积累,特别当系统使用低成本IMU时,纯惯性导航系统运行时间超过一分钟后其提供的位置信息便不再具有参考性,故通过引入外部参考信息以抑制系统误差便变得很有价值。通常车辆导航系统会通过引入全球卫星导航系统（GNSS）信号来修正惯性导航系统积累的误差,但GNSS信号在如室内,高楼遮挡的场景中不可见。随着物联网与机器人技术的发展,有越来越多的车辆开始运动于GNSS信号不可见的场景中。车辆导航系统在GNSS信号不可见的场景中最常用的辅助参考信息为车辆里程计和车辆动态模型约束。上述方法能抑制系统的部分误差,但无法抑制系统航向角误差,故针对上述情况,在给车辆加入里程计与车辆动态模型约束后引入了车辆之间距离与角度约束,以期抑制车辆航向角误差。本文在协同系统各载体之间建立距离约束与角度约束,并利用拓展卡尔曼滤波（EKF）将上述数据进行融合。为研究上述协同算法的有效性,本文首先对系统进行了可观测性分析。该分析中包括单独基于距离或角度的协同约束和同时基于距离与角度的协同约束。通过可观测性分析得出在加入了新的约束后系统的可观测性得以提高。而后为了进一步提高协同约束对系统误差抑制的能力,本文对协同载体的导航编队进行了分析,通过分析得出了适合本实验的导航编队,并通过仿真验证了这一结论。本文最后一部分介绍了实验平台的搭建过程与实验验证的结果。本系统中包含三个运动载体,其在结合了里程计与车辆动态模型的基础上加入了载体之间的距离与角度约束。通过分析实验结果可得,在加入基于距离与角度的约束后,系统的航向误差,位置误差得到一定程度的抑制。