3. 传感器模型与噪声特性：IMU、磁力计、GPS
各位同学，咱们今天聊聊传感器。做飞控，说白了就是跟传感器打交道。你算法再牛，传感器数据不准，那都是白搭。我这些年踩过的坑，十有八九都跟传感器噪声有关。所以这一节，咱们把几个核心传感器的模型和噪声特性彻底讲透。
3.1 IMU模型：加速度计与陀螺仪
IMU是飞控的“内感官”。它告诉你自己身体在怎么动。但IMU的原始数据，嗯，直接拿来用是会出事的。
3.1.1 加速度计模型
加速度计测量的是比力，不是单纯的加速度。这个区别很重要。模型可以写成：
a_m = a_true + g + b_a + n_a + S_a * a_true + ...其中：
- a_m：测量值
- a_true：真实运动加速度
- g：重力加速度（这个必须分离）
- b_a：零偏（Bias）
- n_a：高斯白噪声
- S_a：尺度因子误差
我个人习惯，拿到一个新IMU芯片，第一件事就是测它的零偏稳定性。你想想看，如果零偏漂移了0.1m/s²，积分10秒就是1m/s的速度误差，这谁受得了？
关键点：加速度计在静态时，测量值就是重力向量。这是初始化姿态的重要依据。
3.1.2 陀螺仪模型
陀螺仪测量角速度。模型类似：
ω_m = ω_true + b_g + n_g + S_g * ω_true + ...陀螺仪最怕什么？零偏漂移。我在项目中遇到过，一个低成本的MEMS陀螺仪，开机半小时后零偏漂了0.5°/s。你想想，积分一分钟就是30°的姿态误差，飞机早翻过来了。
避坑指南：我曾经因为没做陀螺仪温漂补偿，导致飞机在高温环境下悬停时，航向角持续漂移。后来加了温度模型，才解决问题。
3.2 磁力计模型
磁力计是飞控的“指南针”。但它特别娇气，容易受干扰。模型如下：
m_m = R * m_true + b_h + n_m + A * m_true- m_m：测量值
- R：旋转矩阵
- m_true：真实地磁场向量
- b_h：硬铁干扰（Hard Iron）
- n_m：高斯白噪声
- A：软铁干扰矩阵（Soft Iron）
说白了，硬铁干扰是固定的偏移，比如电路板上的电流产生的磁场。软铁干扰是材料磁导率不同导致的扭曲。我建议，每次装机后，一定要做磁力计校准。怎么校？让飞机绕各个轴转几圈，采集数据拟合椭球。
小技巧：磁力计数据如果出现“跳变”，多半是附近有大电流设备在工作。我一般会在代码里加一个“磁异常检测”，发现异常就暂时不用磁力计数据。
3.3 GPS模型
GPS提供位置和速度。但它更新频率低，而且有延迟。模型可以简化为：
p_gps = p_true + n_p + b_p
v_gps = v_true + n_v- p_gps：位置测量值
- v_gps：速度测量值
- n_p：位置噪声（通常1-3米）
- n_v：速度噪声（通常0.1-0.3 m/s）
- b_p：多径效应导致的偏差
GPS的噪声特性很有意思。开阔天空下，噪声是高斯白噪声。但在城市峡谷里，多径效应会导致偏差，这个偏差可不是白噪声，是低频的、有色的。我遇到过，在楼宇间飞行时，GPS位置突然跳了10米，差点撞墙。
重要提醒：GPS的更新频率一般是5-10Hz，而IMU是100-400Hz。融合时，必须做时间戳对齐和插值。
3.4 噪声类型详解
搞懂噪声类型，才能设计好滤波器。咱们重点说两种：
3.4.1 高斯白噪声
这是最基础的噪声。特点是：
- 均值为0
- 方差固定
- 不同时刻的噪声不相关
说白了，就是“纯随机”。卡尔曼滤波器就是假设噪声是高斯白噪声。但实际中，IMU的噪声往往不是纯白的，尤其是低频部分。
3.4.2 随机游走（Random Walk）
这个要重点讲。随机游走是白噪声的积分。比如陀螺仪的角速度白噪声，积分后就成了角度随机游走。公式：
θ(t) = ∫ ω(τ) dτ → 方差随时间线性增长为什么会这样？因为白噪声的积分是布朗运动。你想想看，如果陀螺仪有0.01°/s的白噪声，积分10秒后，角度误差的标准差就是0.1°。积分100秒，就是1°。这就是为什么纯积分姿态会越飘越厉害。
避坑指南：我曾经在项目里，直接用陀螺仪积分做姿态，没考虑随机游走。结果飞行3分钟后，姿态误差超过20°，飞机直接失控。从那以后，我所有项目都必加加速度计或磁力计的修正。
3.5 知识体系总览
下面这张图，是我自己总结的传感器模型与噪声关系图。你看一眼，就能明白整体脉络。
3.6 实际应用建议
讲了这么多理论，最后给点实际建议：
- IMU选型时，重点关注零偏稳定性和角度随机游走参数。这两个参数直接决定了纯惯性导航的精度。
- 磁力计校准，我建议每次上电后做一次快速校准。环境变了，磁场就变了。
- GPS和IMU融合，一定要考虑时间延迟。我一般会在代码里维护一个延迟缓冲区。
- 噪声建模，别只盯着高斯白噪声。实际中，低频噪声（如随机游走）才是主要误差源。
个人经验：我习惯在飞控代码里加一个“传感器健康诊断”模块。实时监测各传感器的噪声方差，如果发现异常增大，就及时切换融合策略。这招救过我很多次。
好了，传感器模型和噪声特性就讲到这里。记住一句话：理解噪声，才能驾驭传感器；驾驭传感器，才能做好飞控。