第四章：IMU原理与测量模型——加速度计与陀螺仪
各位同学，欢迎来到第四章。这一章我们聊聊IMU，也就是惯性测量单元。说实话，IMU这东西看着简单，就一个加速度计加一个陀螺仪，但里面的门道可不少。我在飞控和VIO项目里吃过不少IMU的亏，今天把这些经验掰开了揉碎了讲给你听。
4.1 加速度计原理
加速度计测量的是什么？很多人以为是「速度变化率」，其实不对。它测量的是「比力」（specific force），也就是物体受到的惯性力与重力的合力，再除以质量。
你想想看，一个静止放在桌面上的加速度计，它读数是0吗？不是。它读出来的是重力加速度g，方向向上。为什么？因为桌面给它一个支持力，抵消了重力。加速度计测的就是这个支持力产生的加速度。
我当年刚入行时，死活想不通一个问题：自由落体的加速度计读数为什么是0？后来才明白，因为它和重力一起下落，没有支持力了。嗯，这个坑我踩过，希望你一次就懂。
常见的加速度计有几种：
- 电容式MEMS加速度计：利用质量块位移改变电容，精度适中，消费级产品常用
- 压阻式：利用压阻效应，响应快但温漂大
- 谐振式：精度最高，但成本也高，工业级才用
在VIO方案里，我们用的基本都是MEMS电容式。便宜、体积小、功耗低，够用。
4.2 陀螺仪原理
陀螺仪测角速度，这个好理解。但MEMS陀螺仪的原理和传统机械陀螺完全不同。它用的是科里奥利效应（Coriolis effect）。
简单说：一个质量块在某个方向振动，如果系统有旋转，就会在垂直方向产生科里奥利力。测这个力的大小，就能算出角速度。
我记得第一次调试陀螺仪数据时，发现静止状态下输出居然有0.1 rad/s的漂移。我当时以为是传感器坏了，查了半天手册才发现——嗯，这是正常的，MEMS陀螺仪天生就有零偏。
陀螺仪的关键指标：
- 量程：常见±250/500/1000/2000 °/s
- 零偏稳定性：这个最重要，决定了你能做多长时间的积分
- 角度随机游走：噪声的积分效应，影响姿态估计精度
核心要点：加速度计和陀螺仪是互补的。加速度计低频准、高频噪；陀螺仪高频准、低频漂。VIO里用IMU预积分，就是利用这个互补特性。
4.3 IMU噪声模型
IMU的噪声模型，说白了就是回答一个问题：测量值和真实值之间差了多少，这个差是怎么分布的？
标准模型长这样：
ω_m = ω_t + b_g + n_g
a_m = a_t + b_a + n_a其中：
- ω_m, a_m 是测量值
- ω_t, a_t 是真实值
- b_g, b_a 是零偏（bias），随时间缓慢变化
- n_g, n_a 是白噪声
零偏怎么建模？一般用随机游走（random walk）：
b_g_dot = n_bg
b_a_dot = n_ba这里n_bg和n_ba也是白噪声。所以整个IMU噪声模型，本质上是「白噪声驱动随机游走，随机游走产生零偏」。
我在项目中遇到过一个问题：用IMU做纯积分定位，10秒后位置漂了十几米。查来查去，发现是零偏模型没建对，把白噪声当成了零偏。这个教训让我学会了——一定要区分「噪声」和「零偏」，它们是两回事。
实战技巧：在VIO初始化时，前几帧的IMU数据可以用来估计初始零偏。我习惯取前200个IMU样本的平均值作为初始零偏估计，然后从后续测量中减去。
4.4 Allan方差分析
Allan方差，说白了就是告诉你：在不同时间尺度上，IMU的噪声表现怎么样。
为什么要做这个？因为IMU的噪声不是单纯的白噪声。它里面有：
- 量化噪声：ADC采样带来的
- 角度随机游走：白噪声积分的结果
- 零偏不稳定性：低频漂移
- 速率随机游走：零偏的变化率
- 速率斜坡：温度引起的趋势项
Allan方差曲线长什么样？横轴是时间τ，纵轴是Allan方差σ(τ)。在双对数坐标下，不同噪声类型对应不同斜率的直线：
| 噪声类型 | 斜率 | 物理含义 |
|---|---|---|
| 量化噪声 | -1 | ADC分辨率限制 |
| 角度随机游走 | -1/2 | 白噪声积分 |
| 零偏不稳定性 | 0 | 曲线最低点 |
| 速率随机游走 | +1/2 | 零偏漂移 |
| 速率斜坡 | +1 | 温度等趋势项 |
下面这张图展示了Allan方差分析的核心流程：
实际做Allan方差分析时，我建议你至少采集2小时的静态数据。别偷懒，半小时的数据根本看不出零偏不稳定性。我曾经为了赶进度只采了20分钟，结果Allan方差曲线在长τ段全是噪声，完全没法用。
注意：Allan方差分析的前提是数据平稳。如果温度在采集过程中剧烈变化，或者有振动干扰，分析结果会严重失真。我习惯在恒温环境下做这个实验，或者同时记录温度数据做补偿。
4.5 实战：如何用Allan方差配置VIO参数
好了，理论讲完了，说点实际的。你拿到一个IMU，怎么用Allan方差的结果去配置VIO？
以我最常用的BMI088为例：
- 采集数据：静止放置，100Hz采样，采集3小时
- 计算Allan方差：用Python的allantools库，一行代码搞定
- 读取参数：
- 角度随机游走（ARW）：从τ=1s处读取，单位°/√h
- 零偏不稳定性：曲线最低点的值，单位°/h
- 速率随机游走：长τ段的斜率
- 配置VIO：把ARW作为IMU噪声协方差，零偏不稳定性作为零偏随机游走的协方差
代码示例（Python）：
import allantools as at
import numpy as np
# 假设data是陀螺仪z轴数据，单位rad/s
# 采样频率100Hz
rate = 100.0
taus, adev, adev_err, adev_n = at.oadev(data, rate=rate, data_type='freq')
# 找到曲线最低点（零偏不稳定性）
min_idx = np.argmin(adev)
bias_instability = adev[min_idx] # 单位rad/s
# 在τ=1s处读取角度随机游走
idx_1s = np.argmin(np.abs(taus - 1.0))
angle_random_walk = adev[idx_1s] # 单位rad/s/√Hz
print(f"零偏不稳定性: {bias_instability:.6f} rad/s")
print(f"角度随机游走: {angle_random_walk:.6f} rad/s/√Hz")嗯，这里要注意：Allan方差给出的角度随机游走单位是rad/s/√Hz，但VIO里用的协方差矩阵需要的是rad²/s²。记得要平方一下。
我的习惯：每次换IMU型号，或者换了新的硬件平台，我都会重新做一次Allan方差分析。别偷懒，不同批次的IMU参数可能差20%。
好了，这一章的内容就到这里。IMU的原理和噪声模型是VIO的基石，你理解得越深，后面做预积分、做初始化就越顺手。下一章我们聊聊视觉和IMU的联合标定，那个更有意思。
公众号:蓝海资料掘金营，微信deep3321