第2章传感器基础与误差模型

第2章：传感器基础与误差模型

各位同学，咱们今天聊聊传感器的基础。说实话，做融合最怕什么？最怕你连手里的传感器是什么脾气都没摸清楚，就开始往上堆算法。我见过太多人，一上来就搞卡尔曼滤波，结果传感器本身的误差模型都没建对，最后滤波结果比原始数据还离谱。

这一章，咱们就踏踏实实地把常见传感器的类型、误差来源、以及怎么用数学去描述这些误差，掰扯清楚。

2.1 常见传感器类型

做多源融合，你手里得有牌。常见的牌就这四种：IMU、GPS、相机、激光雷达。每种牌的打法不一样，脾气也不一样。

2.1.1 IMU（惯性测量单元）

IMU 这东西，说白了就是测量加速度和角速度的。它内部有加速度计和陀螺仪。加速度计测比力，陀螺仪测角速度。嗯，这里要注意，IMU 测的是「比力」，不是重力，也不是运动加速度，是物体受到的合力减去重力后的那个东西。

我个人习惯把 IMU 看作是「短时高精度、长时必漂移」的传感器。为什么？因为它靠积分。你想想看，加速度积分一次得速度，再积分一次得位置。积分一次误差就放大一次，两次积分下来，位置误差随时间平方增长。我在项目中遇到过，一个工业级 IMU，纯惯性导航跑 60 秒，位置误差能到几十米。

2.1.2 GPS（全球定位系统）

GPS 正好和 IMU 互补。它长时稳定，短时容易受干扰。GPS 的更新频率一般只有 10Hz 左右，而且信号容易被遮挡。在城市峡谷、隧道、高架桥下，GPS 基本就废了。

我曾经在深圳做路测，经过一段两边都是高楼的窄路，GPS 定位直接跳到了马路对面的人行道上。所以，做融合时，千万别把 GPS 当唯一真理。

2.1.3 相机

相机是个好东西，信息量巨大。它能告诉你「这是什么」，但很难直接告诉你「它在哪里」。相机的核心问题是深度信息缺失。单目相机尤其明显，你看到一张图片，但不知道那个物体离你 5 米还是 50 米。

双目相机可以解决一部分深度问题，但基线长度限制了有效测距范围。我建议，如果你要做视觉定位，最好配合 IMU 做 VIO（视觉惯性里程计），这样能互补。

2.1.4 激光雷达

激光雷达是直接测距的。它发射激光束，测量反射时间，直接得到点云数据。精度高，但成本也高。激光雷达的优点是直接、可靠，不受光照影响。缺点是点云稀疏，而且对雨雾天气敏感。

我记得有一次在雾天测试，16 线激光雷达的有效探测距离直接从 100 米掉到了 30 米。所以，做融合时，天气因素一定要考虑进去。

  核心观点： 没有完美的传感器。IMU 短时准、长时漂；GPS 长时稳、短时跳；相机信息多、深度缺；激光雷达精度高、成本高。融合的本质就是取长补短。

2.2 误差源分析

传感器都有误差。但误差和误差不一样。有些误差是随机的，有些是系统性的。咱们得把它们分开处理。

2.2.1 噪声

噪声是随机的、高频的。你拿一个静止的 IMU 看它的输出，会发现数值一直在跳。这就是噪声。噪声的均值一般是零，但方差不为零。处理噪声，通常用低通滤波或者卡尔曼滤波。

2.2.2 漂移

漂移是低频的、缓慢变化的。IMU 的零偏会随着温度和时间缓慢变化。GPS 的时钟漂移也会导致定位误差。漂移比噪声难处理，因为它不是零均值的，而且变化规律不确定。

我处理漂移的习惯是：能在线估计就在线估计，不能估计就定期标定。比如 IMU 的零偏，每次上电后静止几秒钟，取平均作为初始零偏估计。

2.2.3 偏差

偏差是系统性的、固定的。比如 IMU 的安装偏差、GPS 的天线相位中心偏差、相机的内参标定误差。偏差一旦确定，就是常数。所以偏差可以通过标定来消除。

我曾经遇到过一个案例，激光雷达和 IMU 的安装角度偏差了 0.5 度，结果融合出来的轨迹在 100 米外偏了将近 1 米。后来重新标定了一下，问题就解决了。所以，标定真的很重要。

避坑指南： 千万不要把偏差当成噪声来处理。偏差是确定性的，噪声是随机性的。用处理噪声的方法去处理偏差，结果只会更差。我曾经犯过这个错误，后来花了整整一周才排查出来。

2.3 数学模型建立

有了误差分析，咱们得用数学把误差描述出来。这样才能在算法里处理它们。

2.3.1 IMU 误差模型

IMU 的误差模型可以写成这样：

ω_m = ω_t + b_g + n_g
a_m = a_t + b_a + n_a

其中，ω_m 是测量角速度，ω_t 是真实角速度，b_g 是陀螺仪零偏，n_g 是陀螺仪噪声。加速度计同理。

零偏 b 通常建模为随机游走：

b_dot = n_b

也就是说，零偏本身也在缓慢变化，变化量是高斯白噪声。这个模型在卡尔曼滤波里非常常用。

2.3.2 GPS 误差模型

GPS 的误差模型相对简单：

p_gps = p_true + e_gps

其中 e_gps 通常建模为高斯白噪声，但实际中它是有色噪声，尤其是多路径效应导致的误差。不过，在大多数融合算法里，我们仍然把它近似为白噪声。

2.3.3 相机误差模型

相机的误差主要来自像素噪声和标定误差。像素噪声通常建模为高斯分布，标定误差则体现在内参矩阵 K 和畸变参数上。

u = K * [R|t] * P + n_cam

其中 u 是像素坐标，P 是三维点，K 是内参矩阵，n_cam 是像素噪声。

2.3.4 激光雷达误差模型

激光雷达的误差主要来自测距噪声和角度噪声。测距噪声通常与距离的平方成正比：

r_m = r_t + n_r,  n_r ~ N(0, σ_r²)
θ_m = θ_t + n_θ,  n_θ ~ N(0, σ_θ²)

其中 σ_r 和 σ_θ 是激光雷达的标称精度参数。

个人经验： 实际项目中，传感器的噪声参数往往比数据手册上的大 2-3 倍。我建议你拿到传感器后，先做一次 Allan 方差分析，把真实的噪声参数测出来。别信手册，信自己测的数据。

2.4 知识体系总览

下面这张图，是我自己画的。它把本章的核心逻辑串起来了。你一看就明白：传感器类型、误差来源、数学模型，这三者是怎么对应的。

这张图从左到右，从上到下，把本章的知识结构理清楚了。你以后做融合时，遇到问题就回来看看这张图，思路会清晰很多。

好了，这一章就到这里。传感器基础打牢了，后面讲融合算法时，你才能理解为什么卡尔曼滤波要那样设计，为什么有些参数要那样调。下一章，咱们开始讲数据预处理，包括时间同步和空间对齐。嗯，那又是另一门学问了。

📚 课程目录