第1章：IMU测量模型与误差分析

大家好，我是你们这门课的主讲。做惯导这么多年，我最大的体会就是：搞懂IMU的误差模型，比学会融合算法更重要。为什么？因为你的算法再牛，输入的数据是垃圾，输出也一定是垃圾。今天我们就来把IMU的底裤扒干净。

1.1 加速度计测量模型

先看加速度计。理想情况下，加速度计输出的是比力——也就是物体受到的惯性力与重力的合力。但现实嘛，总是不完美的。

我习惯把加速度计的测量模型写成这样：

a_m = S_a * (a_true + b_a + n_a) + 其他误差

其中：

• a_m：测量值，你从芯片读到的那个数
• a_true：真实比力，我们想要的东西
• S_a：尺度因子矩阵，包含尺度误差和交轴耦合
• b_a：零偏，随时间缓慢变化
• n_a：白噪声，高频随机波动

说白了，你读到的加速度 = 真实值经过缩放、旋转、加偏置、再加噪声。每一步都是坑。

1.2 陀螺仪测量模型

陀螺仪的原理类似，但更敏感。我做过一个项目，陀螺仪零偏漂移了0.1°/s，积分10分钟，姿态就偏了60度。你说可怕不可怕？

陀螺仪的模型：

ω_m = S_g * (ω_true + b_g + n_g) + 其他

参数含义和加速度计基本一致：

• ω_m：角速度测量值
• ω_true：真实角速度
• S_g：尺度因子矩阵
• b_g：陀螺零偏
• n_g：陀螺白噪声

1.3 误差来源深度解析

好，我们来逐个拆解这些误差。你想想看，一个IMU芯片内部，微米级的结构，温度一变、电压一抖，输出就变了。

1.3.1 零偏（Bias）

零偏就是IMU静止时，输出不为0的那个值。比如加速度计平放着，理论上应该输出[0, 0, g]，但实际可能是[0.02, -0.01, 9.81]。这0.02就是零偏。

零偏又分两种：

• 常值零偏：上电后基本固定，可以通过标定去掉
• 零偏稳定性：随时间缓慢变化，是VIO系统最大的敌人

1.3.2 尺度因子（Scale Factor）

尺度因子说白了就是增益误差。你输入1g，它输出0.98g，那尺度因子就是0.98。这个误差通常是非线性的，跟输入大小有关。

1.3.3 交轴耦合（Cross-axis Coupling）

这个比较隐蔽。理想情况下，IMU的三个轴应该是完全正交的。但制造工艺嘛，总有偏差。X轴感受到的加速度，可能会串到Y轴上去。这就是交轴耦合。

我习惯用矩阵来表示：

S = [s_xx, s_xy, s_xz;
     s_yx, s_yy, s_yz;
     s_zx, s_zy, s_zz]

对角线是尺度因子，非对角线是交轴耦合系数。好的IMU，非对角线系数一般在1%以内。便宜的MEMS，可能到5%。

1.4 Allan方差分析实战

好了，理论说完了，我们来点实际的。Allan方差是分析IMU随机误差的利器。我当年第一次用Allan方差时，觉得这东西太神奇了——它能从一段静态数据里，把各种噪声成分分离出来。

1.4.1 基本原理

Allan方差的思路很简单：对一段静态数据，取不同时间长度的子段，计算每个子段的均值，再求这些均值的方差。随着子段长度变化，方差曲线会呈现不同的斜率，对应不同的噪声源。

1.4.2 代码实战

下面是我常用的Allan方差计算代码，你们可以直接拿去用：

import numpy as np
import matplotlib.pyplot as plt

def allan_variance(data, fs):
    """
    计算Allan方差
    data: 输入数据（一维）
    fs: 采样频率（Hz）
    """
    N = len(data)
    max_m = int(np.log2(N)) - 1
    tau = np.zeros(max_m)
    adev = np.zeros(max_m)
    
    for m in range(1, max_m + 1):
        # 计算子段长度
        L = 2**m
        tau[m-1] = L / fs
        
        # 计算每个子段的均值
        num_clusters = N // L
        cluster_means = np.zeros(num_clusters)
        for i in range(num_clusters):
            cluster_means[i] = np.mean(data[i*L:(i+1)*L])
        
        # 计算Allan方差
        if num_clusters > 1:
            adev[m-1] = np.sqrt(0.5 * np.mean(
                (cluster_means[1:] - cluster_means[:-1])**2
            ))
    
    return tau, adev

# 使用示例
# 假设你有一段静态IMU数据
# tau, adev = allan_variance(gyro_data, 100)
# plt.loglog(tau, adev)
# plt.xlabel('时间 (s)')
# plt.ylabel('Allan标准差')
# plt.grid(True)
# plt.show()

1.4.3 结果解读

Allan方差曲线通常呈现这样的特征：

• 斜率-1/2段：对应白噪声，也就是角度随机游走（ARW）或速度随机游走（VRW）
• 斜率0段（平坦区）：对应零偏稳定性
• 斜率+1/2段：对应速率斜坡（Rate Ramp），通常是温度漂移

从曲线上，我们可以提取三个关键指标：

指标	含义	单位
角度随机游走	白噪声强度	°/√h
零偏稳定性	曲线最低点	°/h
速率斜坡	长周期漂移	°/h²

1.5 本章知识体系

为了让大家更直观地理解本章的知识结构，我画了一张图：

这张图把本章的知识脉络串起来了。从上到下，从IMU到具体传感器，再到测量模型、误差来源，最后用Allan方差做分析，提取关键指标。你把这个图记在脑子里，后面学融合算法时就会清晰很多。