第3章传感器模型与噪声特性

第3章：传感器模型与噪声特性

各位同学，今天我们来聊聊传感器。说实话，做飞控这么多年，我最大的体会就是——算法再牛，也架不住传感器数据是坨屎。你想想看，姿态控制说白了就是「测量-计算-执行」的闭环，测量这一步要是歪了，后面全白搭。

这一章我会把陀螺仪、加速度计、磁力计、GPS这几个核心传感器的模型和噪声特性掰开揉碎了讲。嗯，还会重点说说Allan方差分析——这可是我当年被坑过好几次才真正搞明白的工具。

先说陀螺仪。它的核心输出是角速度，单位一般是 °/s 或 rad/s。理想情况下，陀螺仪的输出就是真实的角速度。但现实嘛……

我习惯把陀螺仪模型写成这样：

ω_meas = ω_true + b_gyro + n_gyro + S_gyro · ω_true + ...

这里面：

加速度计呢？它测量的是比力（specific force），也就是物体受到的惯性力减去重力。模型类似：

a_meas = a_true - g + b_acc + n_acc + S_acc · a_true

这里有个关键点——加速度计分不清重力加速度和运动加速度。我在做四旋翼悬停测试时就遇到过，电机振动导致加速度计数据全是毛刺，姿态解算直接崩了。后来加了低通滤波才稳住。

实战建议： 陀螺仪适合短时间高动态的姿态跟踪，加速度计适合长时间低动态的姿态参考。两者互补，这就是互补滤波和卡尔曼滤波的底层逻辑。

磁力计，说白了就是个电子指南针。它测量的是地球磁场矢量。模型长这样：

m_meas = R · m_earth + b_mag + n_mag + H_mag · m_meas

其中 R 是旋转矩阵，b_mag 是硬铁偏差（比如电路板上的永磁体），H_mag 是软铁偏差（磁场畸变）。

我曾经在某个项目中，磁力计数据怎么校准都不对。折腾了两天，最后发现是机架上的一颗螺丝钉被磁化了……嗯，从那以后我每次装机都会用消磁器处理所有金属件。

GPS模型相对简单一些：

p_meas = p_true + n_gps

位置误差 n_gps 一般是高斯白噪声，水平精度在 2-5 米左右（单点定位）。但要注意，GPS 的更新频率很低（5-10Hz），而且高楼遮挡时信号会跳变。

注意： 磁力计在室内或靠近高压线时基本废掉。GPS 在隧道或密集城区也会失效。所以飞控系统必须有多传感器冗余，不能依赖单一来源。

噪声和漂移，这是传感器最让人头疼的两个问题。我简单分个类：

你想想看，陀螺仪的角速度积分一次就是角度。如果零偏是 0.1°/s，积分 10 秒就偏了 1°。这就是为什么纯陀螺仪姿态解算会越飘越远——说白了就是漂移在作怪。

加速度计也有类似问题，但它的漂移主要来自温度变化和安装误差。我习惯在每次上电后做一次静态校准，采集 100 组数据取平均，把零偏先扣掉。

好了，终于到了我最想讲的部分——Allan方差。这玩意儿是分析传感器噪声特性的利器。为什么用它？因为传统的方差只能告诉你「数据有多散」，但Allan方差能告诉你「不同时间尺度上的噪声成分」。

说白了，Allan方差就是把数据按不同时间长度分段，然后看每段的方差变化。公式长这样：

σ²(τ) = ½ · E[(θ(t+τ) - θ(t))²]

其中 θ(t) 是累积角度，τ 是相关时间。实际计算时，我们取不同 τ 值，画出 log-log 曲线。

我画了一张图，帮你理解Allan方差的分析流程：

从图上你能看到，Allan方差曲线在不同 τ 区间有不同的斜率。我总结一下规律：

实际项目中，我一般会采集 2-3 小时的静态数据来做Allan方差分析。为什么这么久？因为你要看到低频段的漂移特性，时间太短根本看不出来。

  核心结论： Allan方差曲线的最低点对应的 τ 值，就是传感器的最佳积分时间。在这个时间尺度上，噪声对姿态估计的影响最小。

举个例子，某款MEMS陀螺仪的Allan方差曲线在 τ=100s 时达到最小值 0.01°/s。这意味着如果你用 100 秒的滑动窗口做零偏估计，精度最高。我当年做无人机长航时飞行时，就用这个参数设计了自适应零偏补偿算法，效果立竿见影。

小技巧： 如果你手头没有Allan方差分析工具，可以用 MATLAB 的 allanvar 函数，或者 Python 的 allantools 库。我自己写了个脚本，每次拿到新传感器都会跑一遍，把噪声参数存到配置文件里。

好了，这一章的内容就到这里。传感器模型和噪声特性是飞控系统设计的基石，你把这些搞清楚了，后面的滤波器和控制器设计才能有的放矢。记住一句话：知己知彼，百战不殆——传感器就是你的「知彼」工具。

公众号:蓝海资料掘金营，微信deep3321