3、传感器误差模型：IMU零偏与噪声、GNSS多路径效应、轮速里程计刻度因子、视觉特征退化

做多传感器融合定位，说白了就是跟各种误差打交道。你想想看，每个传感器都有自己的“脾气”，摸不透这些脾气，融合出来的结果就是一团浆糊。这一章，我就把几个最要命的误差模型掰开揉碎了讲。

3.1 IMU零偏与噪声：那个永远在漂的家伙

IMU这东西，我刚开始接触时觉得它挺神奇的。但用久了才发现，它就是个“慢性漂移患者”。你把它放桌上一动不动，它输出的速度却在慢慢变化——这就是零偏在作怪。

零偏（Bias），说白了就是传感器在静止状态下，输出值不为零的那个固定偏移。陀螺仪有角速度零偏，加速度计有加速度零偏。这个值每次开机都不一样，而且随着温度、时间慢慢变化。

我个人习惯把零偏建模成两部分：

• 常值零偏：开机后基本固定的偏移，可以在初始化时标定掉
• 零偏稳定性：随时间缓慢变化的残余部分，通常用随机游走模型描述

噪声则是另一回事。它比零偏更“随机”，是传感器内部电子元件热运动、量化误差等造成的白噪声。IMU的噪声通常用角度随机游走（ARW）和速度随机游走（VRW）来量化。

陀螺仪模型: ω_measured = ω_true + b_g + n_g
加速度计模型: a_measured = a_true + b_a + n_a

其中:
b_g ~ N(0, σ_bg²)   # 陀螺零偏
b_a ~ N(0, σ_ba²)   # 加速度计零偏
n_g ~ N(0, σ_ng²)   # 陀螺白噪声
n_a ~ N(0, σ_na²)   # 加速度计白噪声

3.2 GNSS多路径效应：城市峡谷里的幽灵

GNSS在开阔地带表现很好，但一进城市峡谷就“精神分裂”。为什么？多路径效应是罪魁祸首。

卫星信号本来走直线，但遇到高楼、地面、树木就会反射。接收机同时收到直达信号和反射信号，两者叠加后，伪距和载波相位测量值就出现了偏差。这个偏差有时能到几十米，甚至导致定位完全跳飞。

多路径效应的特点：

• 非高斯性：误差分布不是正态的，有长尾特性
• 相关性：同一颗卫星的多路径误差在时间上相关，不是白噪声
• 环境依赖性：不同地点、不同时刻，多路径模式完全不同

我在项目中遇到过最头疼的情况——高架桥下停车。GNSS信号被桥体遮挡，反射信号反而更强，定位直接偏到桥的另一侧车道。后来怎么解决的？用信噪比（SNR）和卫星仰角做质量评估，低信噪比、低仰角的观测值直接降权或剔除。

3.3 轮速里程计刻度因子：车轮不是完美的圆

轮速里程计看起来简单——车轮转一圈，车走πD的距离。但现实中的车轮，嗯，没那么理想。

刻度因子（Scale Factor），就是实际车轮周长与理论周长之间的比例偏差。这个偏差来源很多：

• 轮胎气压变化（气压低了，滚动半径变小）
• 轮胎磨损（花纹磨平了，周长减小）
• 车辆负载（载重不同，轮胎形变不同）
• 转弯时内外轮差（差速器的影响）

刻度因子通常建模为：

v_true = s * v_measured

其中:
s = 1 + δs
δs ~ N(0, σ_s²)   # 刻度因子误差，通常1%~5%

我个人习惯把刻度因子放进状态向量里在线估计，而不是固定标定。因为轮胎气压会随温度变化，固定值根本扛不住。在卡尔曼滤波里，把刻度因子作为增广状态，和位置、姿态一起估计，效果会好很多。

3.4 视觉特征退化：当相机“瞎了”的时候

视觉SLAM依赖特征点匹配。但有些场景，特征点就是不够用，或者匹配质量极差。这就是视觉特征退化。

常见的退化场景：

• 弱纹理区域：白墙、地面、天空——特征点稀疏得像沙漠里的绿洲
• 重复纹理：砖墙、地毯、百叶窗——特征点很多，但匹配全是歧义
• 光照变化：白天到黑夜、阴影移动——同一个特征点，外观完全变了
• 运动模糊：快速旋转或颠簸——图像糊成一片，特征提取直接失败

视觉特征退化怎么检测？我常用两个指标：

1. 特征点数量：少于阈值（比如20个）就报警
2. 特征分布均匀性：用图像网格统计，如果特征点集中在某个区域，说明退化风险高

一旦检测到退化，就要调整融合策略。我的做法是：

• 降低视觉观测的权重，甚至完全禁用视觉
• 切换到IMU+轮速里程计的纯惯导模式
• 等视觉恢复后，再用重定位找回全局位姿

3.5 误差模型总结：一张图看懂

下面这张图，我把四种传感器误差模型的核心逻辑画出来了。你一看就明白它们各自的特点和应对思路。

这张图的核心逻辑很简单：每个传感器都有自己的“软肋”，IMU怕漂移、GNSS怕反射、轮速怕刻度不准、视觉怕退化。融合定位的本质，就是知道什么时候该信谁，什么时候该怀疑谁。