第二章 惯性传感器误差：陀螺仪与加速度计的“性格缺陷”

各位同学，大家好。上一章我们聊了惯性导航的基本原理，今天咱们来点实在的——传感器误差。说实话，我做了十几年惯导，最头疼的就是这帮传感器。它们就像有性格缺陷的孩子，你得摸透它们的脾气，才能用好它们。

你想想看，一个理想的陀螺仪，应该完美感知角速度。但现实呢？它会有漂移、刻度不准、安装歪了……这些误差如果不处理，导航结果会越跑越偏。我当年刚入行时，就吃过这个亏，后面会跟大家细说。

2.1 陀螺仪误差模型——角速度测量的“三座大山”

陀螺仪的误差，我习惯把它分成三类：漂移、刻度因子误差、安装误差。这三类误差，说白了就是“零偏、比例、方向”三个问题。

2.1.1 漂移（Bias）——最头疼的“慢性病”

漂移是什么？就是陀螺仪静止时，输出却不归零。比如你把它放桌上不动，它告诉你“我在转”，这就是漂移。

漂移的数学模型很简单：

ω_measured = ω_true + ε_b + n

其中 ε_b 是常值漂移，n 是随机噪声。常值漂移可以标定补偿，但随机噪声就麻烦了。

我在项目中遇到过：有一次做车载导航，陀螺仪漂移标定后，静态精度0.01°/s，看起来不错。但车子一开起来，振动环境下漂移直接翻倍。嗯，这里要注意——实验室标定和实际工况是两码事。

2.1.2 刻度因子误差（Scale Factor Error）——比例尺不准

刻度因子误差，就是陀螺仪输出和真实角速度之间的比例关系不准。比如真实转10°/s，它输出9.8°/s，这就是刻度因子误差。

模型如下：

ω_measured = (1 + S) · ω_true + ε_b

S 就是刻度因子误差，通常用ppm（百万分之一）表示。高精度光纤陀螺能做到10ppm以内，MEMS陀螺可能到1000ppm以上。

避坑指南：我曾经遇到过一台陀螺仪，常温下标定得好好的，温度一升高到60°C，刻度因子变了5%。从那以后，我养成了习惯——做温度补偿模型，至少覆盖-40°C到85°C。

2.1.3 安装误差（Misalignment）——装歪了

安装误差，说白了就是陀螺仪的敏感轴和载体坐标系没对齐。你以为是绕X轴转，它测到的却是X和Y的混合。

安装误差矩阵是个3×3的矩阵：

ω_measured = M · ω_true + ε_b

其中 M = [1, α_xy, α_xz; 
          α_yx, 1, α_yz; 
          α_zx, α_zy, 1]

α_xy 表示X轴对Y轴的耦合系数。理想情况下M是单位阵，但实际总有几毫弧度到几度的偏差。

2.2 加速度计误差模型——比陀螺仪“老实”一点

加速度计的原理比陀螺仪简单，误差模型也类似，但有个特殊项——g灵敏度。

2.2.1 加速度计的主要误差项

加速度计的误差模型：

a_measured = (1 + S_a) · a_true + ε_ba + M_a · a_true + n_a

其中：

• ε_ba：零偏（bias），单位m/s²或μg
• S_a：刻度因子误差
• M_a：安装误差矩阵
• n_a：随机噪声

我个人习惯：加速度计的零偏比陀螺仪好处理。因为重力是已知的，你可以通过六位置法（正反六个方向）把零偏和刻度因子都标出来。

2.2.2 g灵敏度——加速度计的特殊问题

这个我要重点说一下。有些加速度计，你给它一个横向的g值（比如9.8m/s²），它的输出会受影响。这就是g灵敏度。

模型里加一项：

a_measured = ... + G · g + ...

G是g灵敏度系数，单位是μg/g。好的加速度计能做到10μg/g以下，差的可能到100μg/g以上。

我曾经踩过的坑：有次做无人机惯导，选了款便宜的MEMS加速度计。地面测试一切正常，但飞机一转弯（产生向心加速度），高度通道就发疯。查了三天，最后发现是g灵敏度在作怪。从那以后，我选加速度计必看g灵敏度指标。

2.3 随机误差建模——用Allan方差“解剖”噪声

前面说的都是确定性误差，可以标定补偿。但随机误差呢？它没法直接减掉，只能建模然后用滤波器处理。

Allan方差，就是分析随机噪声的“手术刀”。它能把不同时间尺度上的噪声成分分离出来。

2.3.1 Allan方差的基本思想

你采集一段静态数据，然后按不同时间长度τ来分段，计算每段平均值的方差。τ从0.01秒到几百秒，画出一条曲线。

这条曲线能告诉你：

• 量化噪声：斜率-1，高频段
• 角度随机游走：斜率-0.5，中频段
• 零偏不稳定性：曲线最低点
• 速率随机游走：斜率+0.5
• 速率斜坡：斜率+1，低频段

2.3.2 实际操作步骤

我给大家一个简单的Python代码，用来计算Allan方差：

import numpy as np

def allan_variance(data, max_tau):
    """计算Allan方差"""
    N = len(data)
    tau_list = []
    avar_list = []
    
    for tau in range(1, max_tau + 1):
        # 分段
        m = N // tau
        if m < 2:
            break
        
        # 计算每段均值
        segments = data[:m*tau].reshape(m, tau)
        means = np.mean(segments, axis=1)
        
        # Allan方差
        avar = 0.5 * np.mean((means[1:] - means[:-1])**2)
        
        tau_list.append(tau)
        avar_list.append(avar)
    
    return np.array(tau_list), np.array(avar_list)

注意：实际使用时，τ的范围要覆盖1/10采样频率到1/10总时长。数据长度至少需要10⁵个点，否则低频段不可靠。

2.3.3 从Allan方差提取噪声参数

得到Allan方差曲线后，怎么提取参数？我习惯用最小二乘拟合：

# 假设已经得到 tau 和 avar
# 拟合角度随机游走（ARW）
arw = np.sqrt(avar[np.argmin(np.abs(tau - 1))])  # τ=1s时的值

# 拟合零偏不稳定性
bias_instability = np.min(avar)  # 曲线最低点

# 拟合速率随机游走
# 在斜率+0.5的区域取点拟合

2.4 本章知识体系

下面这张图，是我自己总结的传感器误差知识框架，大家看看：

这张图把本章的核心内容串起来了。左边是陀螺仪误差，中间是加速度计误差，右边是随机误差建模。三者共同构成了惯性传感器误差的完整画像。

2.5 本章小结

好了，这一章的内容就这些。总结一下：

• 陀螺仪误差：漂移、刻度因子、安装误差，三个都要管
• 加速度计误差：类似陀螺仪，但多了个g灵敏度
• 随机误差：用Allan方差分析，提取噪声参数用于滤波器

说实话，这些内容看起来枯燥，但实际工程中每一个细节都可能让你加班到深夜。我当年在实验室标定陀螺仪，连续干了三天三夜，就为了把漂移曲线拟合得更准一点。嗯，这些经验，希望大家能少走弯路。

---

公众号:蓝海资料掘金营，微信deep3321