4. INS误差模型：位置误差、速度误差、姿态误差、惯性器件误差
做组合导航这些年，我最大的体会就是：不懂误差模型，就别谈卡尔曼滤波。你想想看，卡尔曼滤波的核心就是“预测+修正”，而预测靠的就是INS的力学编排。但INS本身有误差，你得先知道这些误差怎么传播，才能设计出靠谱的滤波器。
说白了，误差模型就是INS的“病历本”。你得知道它哪里会疼，疼起来是什么规律，才能对症下药。这一章，我就带你把这本“病历本”翻个底朝天。
核心观点：INS误差模型是卡尔曼滤波状态方程的基础。位置误差、速度误差、姿态误差、惯性器件误差，这四大类构成了我们滤波器的状态向量。
4.1 为什么需要误差模型？
我刚开始做INS的时候，有个误区：觉得INS解算出来的位置、速度、姿态就是真值。后来有一次做车载实验，跑了一个小时，位置漂了快两公里。嗯，从那以后我就明白了——INS的误差是随时间累积的。
卡尔曼滤波要做的，就是利用GPS等外部信息，去估计并修正INS的误差。但前提是，你得有一个数学模型来描述这些误差是怎么变化的。这个模型，就是INS误差模型。
它主要解决三个问题：
- 误差怎么来的？——惯性器件有偏置、噪声
- 误差怎么传？——位置误差影响速度误差，速度误差影响姿态误差，环环相扣
- 误差怎么修？——知道了误差的传播规律，才能设计反馈校正
4.2 位置误差
位置误差，说白了就是INS算出来的位置和真实位置之间的差。在导航坐标系（通常是n系，即东北天坐标系）下，位置误差通常用纬度误差δφ、经度误差δλ、高度误差δh来表示。
它的微分方程长这样：
δφ_dot = δV_N / (R_M + h) - V_N * δh / (R_M + h)²
δλ_dot = δV_E * sec(φ) / (R_N + h) + V_E * sec(φ) * tan(φ) * δφ / (R_N + h) - V_E * sec(φ) * δh / (R_N + h)²
δh_dot = δV_U看着有点复杂是吧？其实核心就一句话：位置误差的变化率，主要由速度误差决定。你速度算错了，位置就会越偏越远。
我的经验：在实际项目中，高度通道的误差是最头疼的。因为重力加速度的补偿不准，高度误差会指数发散。所以大多数组合导航系统，都会用气压计或GPS高度来约束高度通道。我曾经在一个无人机项目里忘了加高度约束，结果飞了10分钟，高度误差就超过了100米……
4.3 速度误差
速度误差δV，是INS解算的速度与真实速度的偏差。它的微分方程是INS误差模型里最核心的部分：
δV_dot = f^n × φ - (2ω_ie^n + ω_en^n) × δV + δg^n + C_b^n * δf^b我来拆解一下这个公式：
- f^n × φ：这是姿态误差引起的比力投影误差。你姿态偏了1度，比力投影就偏了，速度自然就偏了。
- (2ω_ie^n + ω_en^n) × δV：这是哥里奥利力和向心力的误差项。说白了就是地球自转和载体运动引起的耦合误差。
- δg^n：重力异常误差。地球重力场不是完美的椭球，这个误差虽然小，但长时间累积也不可忽视。
- C_b^n * δf^b：加速度计误差投影到导航系。这是惯性器件误差的直接体现。
你看，速度误差的传播，和姿态误差、加速度计误差都有关。这就是为什么INS误差模型是个耦合系统。
4.4 姿态误差
姿态误差φ（也叫失准角），是INS解算的姿态与真实姿态之间的偏差。它的微分方程是：
φ_dot = -ω_in^n × φ + δω_in^n - C_b^n * δω_ib^b这里有个关键点：姿态误差的传播，主要受陀螺仪误差δω_ib^b的影响。陀螺漂移是姿态误差的主要来源。
我记得有一次做船载实验，用的光纤陀螺，零偏稳定性标称0.01°/h。结果跑了一天，姿态误差才0.5度，效果很好。但后来换了一款MEMS陀螺，零偏稳定性0.1°/h，同样的实验，姿态误差直接飙到了5度。所以啊，陀螺仪精度直接决定了姿态误差的发散速度。
注意：姿态误差和速度误差是强耦合的。姿态误差会导致比力投影错误，从而产生速度误差；而速度误差又会影响姿态更新中的地球自转项。这个耦合关系，在卡尔曼滤波中必须正确处理。
4.5 惯性器件误差
惯性器件误差，包括陀螺仪误差和加速度计误差。它们通常被建模为：
| 误差类型 | 陀螺仪 | 加速度计 |
|---|---|---|
| 常值偏置 | ε_b (°/h) | ∇_b (m/s²) |
| 随机游走 | 随机游走噪声 | 随机游走噪声 |
| 刻度因子误差 | δK_g | δK_a |
| 安装误差 | δM_g | δM_a |
在卡尔曼滤波中，我们通常只把常值偏置作为状态量来估计。为什么呢？因为随机游走是白噪声驱动的，没法直接估计；刻度因子和安装误差，一般通过标定来补偿，不在线估计。
陀螺仪常值偏置的模型很简单：
ε_dot = 0 + 白噪声加速度计常值偏置也一样：
∇_dot = 0 + 白噪声说白了，就是认为偏置是缓慢变化的，用随机游走模型来描述。
4.6 完整的误差状态向量
把上面这些误差综合起来，就得到了卡尔曼滤波的状态向量。我常用的15维状态向量是这样的：
X = [δφ, δλ, δh, δV_N, δV_E, δV_U, φ_N, φ_E, φ_D, ε_x, ε_y, ε_z, ∇_x, ∇_y, ∇_z]^T其中：
- 前3个：位置误差
- 中间3个：速度误差
- 再3个：姿态误差
- 再3个：陀螺仪常值偏置
- 最后3个：加速度计常值偏置
这个15维状态向量，是组合导航中最经典、最常用的配置。当然，如果你用的IMU精度很高，或者应用场景特殊，也可以减少或增加状态量。比如有些系统会把刻度因子也加进去，变成21维甚至更高。
我的建议：刚开始做组合导航，先用15维状态向量。它足够覆盖主要的误差源，而且计算量适中。等把基础搞扎实了，再根据实际需求去扩展。
4.7 误差模型的物理意义
说了这么多公式，你可能有点晕。我换个角度，用物理意义来总结一下：
- 位置误差：是速度误差的积分。速度偏了，位置就跟着偏。
- 速度误差：是姿态误差和加速度计误差的积分。姿态偏了，或者加速度计有偏置，速度就会偏。
- 姿态误差：是陀螺仪误差的积分。陀螺漂移是姿态误差的根源。
- 惯性器件误差：是源头。陀螺和加速度计的误差，通过积分，一步步传递到姿态、速度、位置。
你想想看，这个链条是不是很清晰？陀螺漂移→姿态误差→速度误差→位置误差。这就是INS误差传播的主路径。
当然，实际中还有交叉耦合，比如速度误差也会反过来影响姿态误差（通过地球自转项），但主路径就是上面这个。
4.8 误差模型在卡尔曼滤波中的角色
在卡尔曼滤波中，误差模型用来构建状态转移矩阵F。F矩阵描述了状态量随时间的变化关系，也就是我们上面那些微分方程的矩阵形式。
有了F矩阵，卡尔曼滤波才能做“预测”这一步：
X_k|k-1 = F * X_k-1|k-1同时，F矩阵也用于计算状态协方差矩阵的预测：
P_k|k-1 = F * P_k-1|k-1 * F^T + Q所以，误差模型的准确性，直接决定了卡尔曼滤波的预测精度。模型建得准，滤波器收敛快、估计准；模型建得糙，滤波器可能发散。
一个小技巧：在实际工程中，我通常会在F矩阵里加一个“调谐因子”。因为理论模型和实际系统总有偏差，适当调整F矩阵中的某些参数（比如陀螺噪声的方差），能让滤波器更鲁棒。这个调谐过程，说白了就是“让模型更贴近现实”。
4.9 本章小结
这一章我们聊了INS误差模型的四大块：位置误差、速度误差、姿态误差、惯性器件误差。核心就三点：
- 误差传播是有规律的——从陀螺漂移到姿态误差，再到速度误差，最后到位置误差，环环相扣。
- 15维状态向量是标配——位置3+速度3+姿态3+陀螺偏置3+加速度计偏置3，够用且高效。
- 误差模型是卡尔曼滤波的基石——没有准确的误差模型，滤波器的预测就是瞎猜。
嗯，这一章的内容就到这里。下一章我们会把这些误差模型写成代码，看看实际中怎么用。
公众号:蓝海资料掘金营，微信deep3321