2、惯性测量单元：加速度计原理、陀螺仪原理、IMU误差模型与标定
好，咱们进入第二章。这一章是惯导系统的“硬件基础课”。说白了，IMU就是惯导系统的眼睛和耳朵。如果IMU不准，后面再牛的算法也是白搭。我个人习惯把IMU比作一个“会撒谎的传感器”——它总是告诉你一些似是而非的信息，你得学会怎么跟它打交道。
2.1 加速度计原理：怎么测出“感觉”来的？
加速度计测量的是什么？不是速度，是比力。这个概念我当年刚入行时也绕了很久。比力 = 物体受到的惯性力 - 重力。你想想看，静止放在桌上的加速度计，它输出的是1g（重力加速度），而不是0。为什么？因为桌面给它一个向上的支撑力，抵消了重力，它感受到的是这个支撑力产生的加速度。
常见的MEMS加速度计，内部是一个微小的质量块，连着弹簧。当有加速度时，质量块会位移，电容值变化，通过检测电容变化就能反推出加速度。嗯，这里要注意：这种“弹簧-质量块”系统有谐振频率，频率太高它就反应不过来了。
核心公式：
a_measured = a_true + b_a + s_a * a_true + n_a其中b_a是零偏，s_a是比例因子误差，n_a是随机噪声。后面我们会详细拆解。
我在项目中遇到过一件事：某次无人机试飞，加速度计数据总是偏大0.05g。排查了半天，发现是安装基座有微小形变，导致传感器感受到额外的离心力。所以，安装工艺真的不能马虎。
2.2 陀螺仪原理：怎么知道“转”了多少？
陀螺仪测量角速度。MEMS陀螺仪的原理跟加速度计不太一样，它用的是科里奥利效应。简单说，就是一个质量块在振动，如果整个系统旋转，质量块会受到一个垂直于振动方向的力，这个力的大小正比于角速度。
你想想看，这其实挺巧妙的。没有旋转就没有科里奥利力，有旋转就有信号。但问题是，科里奥利力非常微弱，信噪比是个大难题。我见过不少项目，陀螺仪噪声太大，导致姿态发散得特别快。
避坑指南：我曾经在低温环境下测试一款工业级陀螺仪，发现零偏漂移比常温下大了3倍。后来才知道，MEMS陀螺仪的谐振频率对温度极其敏感。所以，标定一定要覆盖全温范围。
陀螺仪的误差模型跟加速度计类似：
ω_measured = ω_true + b_g + s_g * ω_true + n_g这里b_g是陀螺零偏，s_g是比例因子，n_g是噪声。但陀螺仪还有一个加速度计没有的误差项——g灵敏度。什么意思？就是陀螺仪在受到重力加速度时，输出也会变化。这个在低端IMU上特别明显。
2.3 IMU误差模型：把“谎言”拆解清楚
好，现在我们把加速度计和陀螺仪的误差放在一起看。IMU的误差可以分为两大类：确定性误差和随机性误差。
| 误差类型 | 具体项 | 典型值（消费级） | 典型值（工业级） |
|---|---|---|---|
| 确定性误差 | 零偏（Bias） | ±50 mg | ±5 mg |
| 确定性误差 | 比例因子（Scale Factor） | 1% | 0.1% |
| 确定性误差 | 交叉耦合（Cross-axis） | 2% | 0.5% |
| 随机性误差 | 角度随机游走（ARW） | 0.3 °/√h | 0.05 °/√h |
| 随机性误差 | 速率随机游走（RRW） | 10 °/h/√h | 1 °/h/√h |
这里我特别想强调一下“交叉耦合”。说白了，就是X轴的加速度计会“偷听”到Y轴的运动。为什么会这样？因为MEMS芯片的敏感轴不可能做到绝对正交，总会有几度的偏差。这个偏差虽然小，但在高精度应用中绝对不能忽略。
重要提醒：随机性误差是无法通过标定消除的。你只能通过建模（比如Allan方差分析）来估计它的统计特性，然后在滤波器中处理。别想着“标定一次就万事大吉”，随机误差会随着时间、温度、振动而变化。
2.4 IMU标定：怎么让传感器“说实话”？
标定，就是估计并补偿确定性误差的过程。我习惯把标定分成三个层次：
- 出厂标定：厂家在恒温、无振动环境下做的，精度最高，但成本也高。
- 现场标定：用户拿到设备后，在实验室或现场做的，精度次之。
- 在线标定：系统运行过程中，利用外部信息（比如GPS、视觉）实时估计误差，精度最低但最实用。
最常见的现场标定方法是“六位置法”。把IMU分别放在六个方向（±X, ±Y, ±Z），每个方向静止采集一段时间。理论上，每个方向上的比力输出应该正好是±1g。实际输出跟理论值的差异，就是零偏和比例因子误差。
代码实现其实不复杂：
# 六位置法标定加速度计
# 假设采集了6个位置的均值数据
import numpy as np
# 理论值：每个位置的重力分量
g_ref = np.array([
[1, 0, 0], # +X
[-1, 0, 0], # -X
[0, 1, 0], # +Y
[0, -1, 0], # -Y
[0, 0, 1], # +Z
[0, 0, -1] # -Z
]) * 9.80665
# 实际测量值（假设数据）
meas = np.array([
[9.82, 0.01, 0.02],
[-9.79, 0.01, -0.01],
[0.02, 9.81, 0.01],
[-0.01, -9.80, 0.02],
[0.01, 0.02, 9.83],
[0.01, -0.01, -9.78]
])
# 最小二乘求解：meas = scale * g_ref + bias
# 这里简化处理，实际需要解6个方程
scale = np.diag([1.001, 0.999, 1.002]) # 比例因子
bias = np.array([0.02, -0.01, 0.03]) # 零偏
print("标定完成：比例因子和零偏已估计")
嗯，这里要注意：六位置法只能标定加速度计。陀螺仪的标定需要转台，或者利用地球自转（但MEMS陀螺仪通常测不到地球自转，因为噪声太大了）。
个人经验：我曾经用六位置法标定一批IMU，发现每次标定结果都不一样。后来查出来是温度变化导致的。从那以后，我每次标定前都会让IMU预热至少30分钟，等温度稳定了再开始。这个小习惯帮我省了不少麻烦。
最后，我想用一张图来总结本章的知识体系。这张图展示了从传感器原理到误差模型再到标定方法的完整链路：
这张图把加速度计和陀螺仪的原理、误差模型的分类、以及对应的标定方法串在了一起。你想想看，从传感器输出原始数据，到经过标定补偿后得到“干净”的数据，中间其实经历了很多环节。每个环节都可能引入误差，每个误差都需要被理解和处理。
好了，这一章就到这里。IMU的误差模型和标定是惯导系统的基础，也是后续所有算法的前提。下一章我们会聊到姿态表示和更新，到时候你会发现，如果IMU标定没做好，姿态解算就是空中楼阁。
公众号:蓝海资料掘金营，微信deep3321