第三章：IMU测量模型与预积分
做VINS这么多年，我越来越觉得IMU预积分是整个系统里最精妙的设计之一。它不像视觉特征匹配那样直观，但恰恰是它，让紧耦合的VINS系统真正跑得稳、跑得快。今天咱们就来聊聊IMU的测量模型、噪声特性，以及预积分这个核心工具。
3.1 IMU的加速度计与陀螺仪模型
先说说IMU到底测的是什么。加速度计测的是比力，不是重力加速度。什么意思呢？就是它测的是物体受到的合外力加速度，减去重力。陀螺仪测的是角速度，这个相对直观一些。
数学模型其实不复杂。对于加速度计：
a_m = R^T * (a - g) + b_a + n_a其中a_m是测量值，R是旋转矩阵，a是真实加速度，g是重力向量，b_a是加速度计偏差，n_a是高斯白噪声。
陀螺仪模型类似：
ω_m = ω + b_g + n_gω_m是测量角速度，ω是真实角速度，b_g是陀螺仪偏差，n_g是噪声。
我在项目中遇到过一个问题：IMU刚上电时，偏差b_a和b_g往往比较大。如果不做初始化校准，后面整个系统都会飘。嗯，这里要注意，偏差不是固定不变的，它会随着温度和时间缓慢漂移。
核心要点：IMU测量模型的核心就是「测量值 = 真实值 + 偏差 + 噪声」。这个公式虽然简单，但后续所有预积分和状态估计都建立在这个基础上。
3.2 IMU噪声与偏差特性
噪声和偏差，这两个概念容易混淆。我简单解释一下：
- 噪声（n_a, n_g）：高频随机分量，均值零，白噪声假设。说白了就是每次测量都会有的随机抖动。
- 偏差（b_a, b_g）：低频缓慢变化的分量，通常建模为随机游走。你想想看，IMU用久了，偏差会慢慢漂移。
为什么会这样？因为MEMS传感器的物理特性决定了它不可能完美。温度变化、机械应力、甚至电源波动都会影响偏差。
我记得有一次做无人机实验，IMU刚开机时偏差稳定，飞了十分钟后，陀螺仪偏差漂了将近0.1 rad/s。如果不做在线估计，姿态早就翻车了。
| 参数 | 典型值（消费级IMU） | 典型值（工业级IMU） |
|---|---|---|
| 加速度计噪声密度 | 100-300 μg/√Hz | 10-50 μg/√Hz |
| 陀螺仪噪声密度 | 0.01-0.05 °/s/√Hz | 0.001-0.005 °/s/√Hz |
| 加速度计偏差稳定性 | 0.1-1 mg | 0.01-0.1 mg |
| 陀螺仪偏差稳定性 | 1-10 °/h | 0.1-1 °/h |
实战技巧：如果你用的是消费级IMU（比如MPU6050），建议在初始化阶段采集5-10秒的静态数据，取平均作为初始偏差估计。这能省去后面很多麻烦。
3.3 IMU预积分理论
好，现在进入重头戏——预积分。为什么需要预积分？
传统做法是把IMU测量值直接积分，得到两帧之间的相对位姿变化。但问题是，每次优化时，只要位姿变了，积分就要重新算。这计算量太大了，尤其是滑动窗口里有很多帧的时候。
预积分的思路很巧妙：把两帧之间的IMU测量值积分结果，变成一个「相对约束」。这个约束只跟两帧的相对位姿有关，跟绝对位姿无关。这样一来，优化时只需要更新相对位姿，不用重新积分。
数学上，预积分量是这样定义的：
ΔR_ij = ∏ exp((ω_m - b_g) * Δt)
Δv_ij = ∑ R_i * (a_m - b_a) * Δt
Δp_ij = ∑ (Δv * Δt + 0.5 * R_i * (a_m - b_a) * Δt²)这里ΔR_ij、Δv_ij、Δp_ij就是预积分量。它们只依赖于IMU测量值和偏差，跟绝对位姿无关。
我个人习惯把预积分理解成「IMU测量值的压缩表示」。你想想看，原本几百个IMU数据点，压缩成三个量（旋转、速度、位置增量），再加上一个协方差矩阵。这效率提升是巨大的。
注意：预积分量依赖于偏差b_a和b_g。当偏差更新时，预积分量需要重新计算或线性修正。我建议在优化迭代中，如果偏差变化不大，用一阶线性近似修正；如果偏差变化大，就重新积分。
3.4 预积分在因子图中的作用
因子图是VINS系统的骨架。每个因子代表一个约束，节点代表状态变量。预积分因子就是连接两个关键帧之间的IMU约束。
在因子图中，预积分因子扮演什么角色？
- 提供帧间运动约束：告诉优化器，两帧之间的相对运动应该符合IMU测量值
- 约束尺度：单目视觉无法确定绝对尺度，IMU预积分提供了尺度信息
- 平滑轨迹：视觉特征可能丢失或误匹配，IMU预积分保证轨迹的平滑性
我曾经在一个室内定位项目中，视觉特征经常因为光照变化而丢失。全靠IMU预积分撑着，系统才能持续输出稳定的位姿估计。说白了，预积分就是VINS系统的「安全带」。
下面这张图展示了预积分在因子图中的位置：
从图中可以看到，预积分因子像链条一样把关键帧串起来。视觉因子则连接关键帧和路标点。两者配合，就构成了完整的VINS因子图。
预积分因子还有一个重要特性：它提供了相对约束，而不是绝对约束。这意味着即使全局位姿有漂移，帧间相对运动依然准确。这个特性在回环检测时特别有用。
总结一下：预积分把IMU测量值转化为因子图中的边约束。它让优化问题变得稀疏、高效，同时保证了系统的鲁棒性。没有预积分，紧耦合VINS的计算量会大一个数量级。
好了，关于IMU测量模型和预积分，核心内容就是这些。从测量模型到噪声特性，再到预积分理论和因子图应用，每一步都有它的工程意义。我个人觉得，理解预积分的关键在于「相对约束」这个思想——它把时间序列上的积分问题，转化成了空间上的约束问题。这个思路，在很多机器人问题里都能看到影子。
避坑指南：我曾经在实现预积分时，忽略了偏差更新对预积分量的影响。结果优化迭代时，预积分量一直用旧偏差，导致收敛很慢。后来加了一阶线性修正，效果立竿见影。如果你也在写预积分代码，记得处理偏差更新。
公众号:蓝海资料掘金营，微信deep3321