2. 惯性测量单元(IMU)误差模型
各位同学，咱们今天聊聊IMU的误差模型。说实话，我刚入行那会儿，总觉得IMU数据挺准的，毕竟厂家给的数据手册上写得漂漂亮亮。直到有一次做车载导航，车子停在原地，IMU输出的速度却在慢慢飘——嗯，从那以后我就明白了，搞导航，不懂误差模型，那就是在裸奔。
IMU由陀螺仪和加速度计组成。它们各自的误差，说白了就是测量值和真实值之间的偏差。咱们得把这些偏差拆开来看，一个一个建模，才能在后处理中补偿掉。
核心思想：误差模型不是用来吓人的，是用来“算账”的。你知道了误差长什么样，就能在算法里把它扣掉。
2.1 陀螺仪误差模型
陀螺仪测的是角速度。但实际输出里，混进了好几种“脏东西”。我个人习惯把它们分成五类：常值漂移、角度随机游走、速率斜坡、标度因数误差、安装误差。
2.1.1 常值漂移 (Bias)
这个最好理解。陀螺仪静止时，输出应该为零。但实际不是，它有个固定的偏置。比如你放那儿不动，它告诉你每秒转了0.01度——这就是常值漂移。
数学表达：
ω_measured = ω_true + ε_bias + noise我在项目中遇到过，有些MEMS陀螺的常值漂移能到每秒几度。你想想看，如果不管它，积分出来的姿态几分钟就飞了。
避坑指南：常值漂移可以通过静态标定来估计。我曾经在实验室里把IMU放平，采集10分钟数据取平均，就能得到一个比较稳的bias估计值。
2.1.2 角度随机游走 (Angle Random Walk, ARW)
这个稍微绕一点。陀螺输出的噪声是白噪声，但积分之后，它就变成了随机游走。说白了，就是噪声在角度域里“散步”，越走越远。
为什么会这样？因为积分是个累加过程，白噪声的方差会随时间线性增长。角度误差的标准差跟√t成正比。
σ_θ(t) = ARW × √tARW的单位通常是 °/√h。数值越小，说明陀螺越安静。我记得有一次做无人机航测，用的工业级IMU，ARW大概0.01°/√h，飞半小时角度漂移还能接受。
2.1.3 速率斜坡 (Rate Ramp)
这个误差比较隐蔽。它指的是陀螺的常值漂移随时间缓慢变化，像个斜坡一样往上爬或往下掉。原因通常是温度变化或者器件老化。
模型：
ε_bias(t) = ε_0 + r × t这里的r就是速率斜坡系数。我建议大家在长时间导航时，一定要考虑这个项。否则你会发现，一开始标定好的bias，过半小时就不准了。
2.1.4 标度因数误差 (Scale Factor Error)
陀螺输出的角速度值和真实值之间，存在一个比例偏差。比如你转了100度/秒，它输出98度/秒，这就是标度因数误差。
模型：
ω_measured = (1 + s) × ω_true + ...s就是标度因数误差，通常用ppm（百万分之一）表示。高精度光纤陀螺的标度因数误差能做到10ppm以内，但MEMS的就差一些，可能到几千ppm。
注意：标度因数误差在大角速度下影响特别大。我做过一个高动态飞行试验，转弯时角速度很大，标度因数误差直接导致姿态解算发散。后来加了在线标定才稳住。
2.1.5 安装误差 (Misalignment Error)
IMU的三个轴应该互相垂直，但实际装配时总有偏差。比如X轴和Y轴不是严格90度，差了0.1度。这个误差在数学上表现为一个耦合矩阵。
模型：
ω_measured = M × ω_true + ...其中M是一个3×3矩阵，对角线接近1，非对角线是小量。我习惯用三个角度（α, β, γ）来描述轴间偏差。
| 误差类型 | 典型值（MEMS） | 典型值（光纤陀螺） |
|---|---|---|
| 常值漂移 | 0.1 ~ 10 °/s | 0.001 ~ 0.1 °/h |
| 角度随机游走 | 0.1 ~ 1 °/√h | 0.001 ~ 0.01 °/√h |
| 标度因数误差 | 1000 ~ 10000 ppm | 1 ~ 100 ppm |
| 安装误差 | 0.1 ~ 1 ° | 0.001 ~ 0.01 ° |
2.2 加速度计误差模型
加速度计和陀螺仪类似，也有自己的“毛病”。不过加速度计对重力敏感，标定起来更方便一些。咱们重点讲三个：零偏、标度因数误差、安装误差。
2.2.1 零偏 (Bias)
加速度计静止时，理论上只感受重力。但实际输出里，除了重力分量，还有一个固定的偏置。这就是零偏。
模型：
a_measured = a_true + b_a + noise零偏的单位是m/s²或mg（1g = 9.8 m/s²）。MEMS加速度计的零偏通常在10~100mg之间。你想想看，100mg的零偏，积分10秒就产生0.5m/s的速度误差，再积分就是米级的位置误差。
经验之谈：加速度计零偏可以通过六位置法标定。把IMU的六个面分别朝上，采集数据，就能解算出三个轴的零偏。我每次做标定都会重复三次取平均，这样更稳。
2.2.2 标度因数误差 (Scale Factor Error)
和陀螺仪一样，加速度计的输出也存在比例偏差。比如真实加速度是10m/s²，它输出9.8m/s²，差了2%。
模型：
a_measured = (1 + s_a) × a_true + ...标度因数误差在低精度MEMS里可能到1%~5%，高精度伺服加速度计能做到0.01%以下。我建议大家在选型时，先看看自己的应用场景。做手机导航，5%的误差也能忍；做导弹制导，0.01%都嫌多。
2.2.3 安装误差 (Misalignment Error)
加速度计的三个敏感轴也不一定完全正交。这个误差和陀螺的安装误差类似，可以用一个3×3矩阵来描述。
完整模型：
a_measured = M_a × (I + S_a) × a_true + b_a + noise其中M_a是安装误差矩阵，S_a是标度因数误差对角阵，b_a是零偏。这三个参数合在一起，就是加速度计误差模型的全部家当。
总结一下：IMU误差模型就是给测量值“卸妆”。陀螺仪有5个参数要操心，加速度计有3个。搞清楚了这些，你就能在组合导航里把它们估计出来，然后补偿掉。
2.3 知识体系结构图
下面这张图，是我自己画的IMU误差模型结构。你可以把它当成一张“地图”，学完这章后，闭着眼睛也能画出每个误差项的位置和关系。
这张图把陀螺仪和加速度计的误差项分成了两个模块。左边蓝色是陀螺仪，右边橙色是加速度计。你注意看，标度因数误差和安装误差是两者共有的，而陀螺仪多了角度随机游走和速率斜坡——这是因为角速度积分后对噪声更敏感。
学习建议：别死记硬背这些误差项。你只要记住一个原则——任何测量都有偏差，偏差可以建模，模型可以补偿。剩下的，就是数学活儿了。
公众号:蓝海资料掘金营，微信deep3321