2. 噪声特性分析：Allan方差原理、随机游走、速率随机游走、量化噪声、零偏不稳定性

各位好，我是老张。今天咱们聊聊IMU噪声分析里最核心的工具——Allan方差。说实话，我刚入行那会儿，看到一堆噪声术语头都大了。什么随机游走、量化噪声，感觉像在学量子物理。后来做项目多了才发现，这些东西说白了就是告诉你：你的IMU到底有多「脏」。

嗯，咱们先搞清楚一件事：为什么要分析噪声特性？

你想想看，IMU输出的数据里，哪些是真实运动，哪些是传感器自己「抖」出来的？如果不分清楚，你后面做滤波、做导航，全白搭。Allan方差就是一把尺子，帮你量出每种噪声的「分量」。

2.1 Allan方差原理——噪声的「光谱分析仪」

Allan方差最早是搞原子钟的人发明的，用来分析频率稳定度。后来被我们做惯导的「借」过来，发现分析IMU噪声特别好使。

它的核心思想很简单：把一段长时间的静态数据切成很多小段，每段算一个平均值，然后看这些平均值之间的差异。差异越大，说明噪声越厉害。

具体怎么算？我直接给公式：

σ²(τ) = (1/2) * ⟨(θ̄(t+τ) - θ̄(t))²⟩

其中τ是相关时间，θ̄是每段数据的平均值。⟨·⟩表示取期望（其实就是平均）。

我个人习惯用对数坐标画Allan方差曲线。横轴是τ（时间），纵轴是σ(τ)（噪声幅度）。不同噪声在曲线上会呈现不同的斜率，一眼就能认出来。

我给大家画了一张图，把整个噪声分析框架串起来：

这张图把五种主要噪声在Allan方差曲线上的位置和斜率都标出来了。你拿到一个IMU的数据，画个Allan方差图，对照这张图就能知道你的传感器噪声「成分」是什么。

2.2 五种噪声的「真面目」

下面我一个一个讲。每种噪声我都会说清楚它的物理含义、在Allan方差曲线上的表现，以及我实际项目中踩过的坑。

2.2.1 量化噪声

量化噪声是ADC采样时产生的。说白了，就是模拟信号变成数字信号时，精度不够导致的「四舍五入」误差。

举个例子：你的ADC是16位的，量程是±10V，那么最小分辨率就是20V/65536 ≈ 0.3mV。任何小于0.3mV的变化都测不到，这就是量化噪声的来源。

在Allan方差曲线上，量化噪声的斜率是-1。也就是说，在短时间尺度上（τ很小），它占主导地位。

2.2.2 角度/速度随机游走

这个噪声是陀螺仪和加速度计最核心的指标之一。它代表的是角速度或加速度的白噪声积分后产生的角度或速度误差。

你想想看：如果陀螺仪输出有白噪声，积分一次就变成了随机游走。这就是为什么IMU不能长时间纯积分定位——误差会随时间发散。

在Allan方差曲线上，随机游走的斜率是-1/2。它通常出现在中等时间尺度上。

噪声类型	Allan方差斜率	物理单位	典型来源
量化噪声	-1	°/s 或 m/s²	ADC量化
角度/速度随机游走	-1/2	°/√h 或 m/s/√h	白噪声积分
零偏不稳定性	0（谷底）	°/h 或 mg	1/f 噪声
速率随机游走	+1/2	°/h/√h 或 m/s²/√h	角加速度噪声
速率斜坡	+1	°/h² 或 m/s²/h	温度漂移

2.2.3 零偏不稳定性

这是我最关心的指标之一。零偏不稳定性代表的是传感器零偏在长时间内的波动幅度。说白了，就是你的IMU「静止时输出值」到底稳不稳。

在Allan方差曲线上，它表现为一个「谷底」——曲线的最低点。这个谷底对应的τ值，就是传感器最稳定的时间尺度。

我记得有一次做高精度导航项目，客户要求零偏不稳定性低于0.01°/h。我们测了好几款光纤陀螺，只有一款能达到。后来发现，温度控制是关键——温度波动1°C，零偏不稳定性可能翻倍。

2.2.4 速率随机游走

这个噪声比随机游走「高一级」。它是角加速度的白噪声积分产生的。在Allan方差曲线上，斜率是+1/2。

实际中，速率随机游走通常来自传感器内部的机械谐振或电路噪声。它出现在长时间尺度上，说明你的IMU在「慢变」方面有问题。

嗯，这里要注意：速率随机游走和随机游走容易搞混。我刚开始也分不清，后来记住一句话：随机游走是速度/角速度的积分，速率随机游走是加速度/角加速度的积分。

2.2.5 量化噪声（再补充一点）

前面说了量化噪声的基本概念。这里补充一个实际案例。

我曾经调试一个无人机飞控，发现悬停时高度一直在抖。查了半天，发现是加速度计的量化噪声太大，导致垂直通道的积分误差累积。后来在软件里加了一个小技巧：对原始数据进行过采样，等效提高了ADC分辨率。效果立竿见影。

2.3 如何用Allan方差分析实际数据

理论讲完了，咱们来点实操。我一般用Python做Allan方差分析，代码不长，但很实用。

import numpy as np
import matplotlib.pyplot as plt

def allan_variance(data, fs):
    """
    计算Allan方差
    data: 输入数据（一维数组）
    fs: 采样频率（Hz）
    """
    n = len(data)
    max_m = int(np.log2(n))
    tau = np.zeros(max_m)
    avar = np.zeros(max_m)
    
    for m in range(1, max_m + 1):
        # 计算每个时间段的平均值
        n_segments = n // (2**m)
        if n_segments < 2:
            break
        
        # 分组求平均
        segments = data[:n_segments * 2**m].reshape(-1, 2**m)
        means = np.mean(segments, axis=1)
        
        # 计算Allan方差
        diff = means[1:] - means[:-1]
        avar[m-1] = 0.5 * np.mean(diff**2)
        tau[m-1] = 2**m / fs
    
    return tau, np.sqrt(avar)

# 使用示例
fs = 100  # 100Hz采样
data = np.random.randn(10000)  # 模拟数据
tau, adev = allan_variance(data, fs)

# 画图
plt.loglog(tau, adev, 'b-', linewidth=2)
plt.xlabel('相关时间 τ (s)')
plt.ylabel('Allan标准差 σ(τ)')
plt.grid(True, which='both', linestyle='--', alpha=0.6)
plt.show()

这段代码的核心逻辑就是前面说的：分段求平均，然后算相邻段平均值的差异。代码里我用了2的幂次来分段，这样计算效率高，而且τ值在对数坐标上均匀分布。

2.4 噪声参数提取——从曲线到数字

画完Allan方差曲线，下一步就是提取具体的噪声参数。方法很简单：对曲线的不同斜率段做线性拟合，然后反推噪声系数。

举个例子，随机游走的系数怎么算？

在斜率-1/2的段上，取一个τ值，对应的Allan标准差σ(τ)，那么随机游走系数就是：

ARW = σ(τ) * √τ

单位是°/√h（陀螺）或 m/s/√h（加速度计）。

零偏不稳定性的提取更直接：找到曲线的最低点，那个σ值就是零偏不稳定性。

我一般会写一个自动提取脚本，把五种噪声参数一次性算出来。但刚开始学习时，我建议你手动在曲线上标出各段，然后分段拟合。这样对噪声的「感觉」会更直观。

好了，关于噪声特性分析就讲到这里。Allan方差这个工具，你用得越多，对IMU的理解就越深。下次拿到一个新IMU，别急着上板子，先采一段静态数据，画个Allan方差曲线看看——你会发现很多有意思的东西。

---

公众号:蓝海资料掘金营，微信deep3321