第2章 MEMS惯性传感器

2、MEMS惯性传感器：从原理到实战

做惯导这些年，我摸过不少传感器。从最初几万块的光纤陀螺，到如今几十块的MEMS芯片，技术迭代快得让人感慨。今天咱们聊聊MEMS惯性传感器——说白了，就是加速度计和陀螺仪这对“黄金搭档”。

你想想看，一个手机里就藏着好几颗MEMS传感器。但要把它们用在行人导航上，光会读数据可不够。你得懂原理，懂误差，懂怎么分析噪声。嗯，这里面的门道，我踩过的坑还真不少。

2.1 MEMS加速度计原理

加速度计的原理，其实没那么玄乎。它内部有个微小的“质量块”，用硅微加工工艺做出来的。当外界有加速度时，质量块会移动，改变电容值。测出电容变化，就能反推出加速度。

我习惯把加速度计想象成弹簧秤。你想想，弹簧秤挂个重物，弹簧会拉伸。加速度计里的质量块也一样，只不过这个“弹簧”是硅材料做的，肉眼根本看不见。

核心要点：MEMS加速度计测量的是比力（Specific Force），不是纯粹的加速度。它包含重力分量。这就是为什么静止时，加速度计输出不是0，而是1g（约9.8 m/s²）。

常见的加速度计类型有：

电容式：精度高，功耗低，目前最主流
压阻式：响应快，但温漂大
热对流式：结构简单，但精度一般

我在项目中遇到过一个问题：某款加速度计在温度变化时，零偏漂移特别厉害。后来查资料才发现，是封装应力导致的。从那以后，我选型时都会特别关注温漂指标。

2.2 MEMS陀螺仪原理

陀螺仪比加速度计复杂一些。它利用的是科里奥利效应——说白了，就是一个振动的质量块，在旋转时会受到一个垂直于振动方向的力。

我刚开始学的时候，总觉得科里奥利力很抽象。后来做了个简单实验：拿个水杯，沿着直线移动，同时旋转杯子。你会发现水面的波动方向很诡异——这就是科里奥利效应在起作用。

MEMS陀螺仪的核心结构是：

驱动模态：让质量块持续振动
检测模态：测量科里奥利力引起的位移
闭环控制：保持振动幅度稳定

实战经验：陀螺仪启动时，输出会有一段不稳定期。我建议上电后等2-3秒再开始采集数据。曾经有个项目，因为没等这个稳定时间，导致初始对准偏差了5度，整个导航结果都废了。

2.3 传感器误差模型

没有完美的传感器。MEMS器件天生就有各种误差。我习惯把误差分成两类：确定性误差和随机误差。

确定性误差——可以标定补偿的：

误差类型	描述	典型值（消费级）
零偏（Bias）	静止时输出不为0	±50 mg（加速度计）
比例因子（Scale Factor）	输入输出斜率偏差	±1%
交叉耦合	轴间串扰	±2%
非线性	输出与输入不成正比	±0.5% FS

随机误差——只能用统计方法处理的：

角度随机游走（ARW）：陀螺仪的高频噪声
速度随机游走（VRW）：加速度计的高频噪声
零偏不稳定性（Bias Instability）：低频漂移
量化噪声：ADC转换带来的

注意：我曾经犯过一个错误——把消费级MEMS的零偏当成常数去补偿。结果发现，每次开机零偏都不一样。后来才明白，MEMS的零偏是逐次启动变化的，必须每次重新标定。

2.4 Allan方差分析

Allan方差，说白了就是看传感器噪声的“颜色”。它能帮我们把不同类型的噪声分离开。

我刚开始做Allan方差时，觉得公式很复杂。后来发现，理解它的核心就一句话：在不同时间尺度上，看数据的稳定性。

具体做法是：

采集长时间静态数据（至少1小时，我建议2小时以上）
按不同时间长度分组（τ = 1s, 2s, 4s, 8s...）
计算每组方差的平均值
画log-log曲线

典型的Allan方差曲线长这样：

这张图怎么看？我教你个窍门：

曲线最低点对应的τ值，就是传感器的最佳积分时间
最低点的纵坐标，就是零偏不稳定性——这是衡量传感器精度的关键指标
斜率-1/2的段，对应角度随机游走——积分时间越长，噪声积累越慢

实战技巧：做Allan方差分析时，数据长度很关键。我一般要求至少是最大相关时间的10倍。比如想看τ=1000s的噪声特性，就得采集10000s（约2.8小时）的数据。曾经有个同事只采了10分钟数据，画出来的曲线全是假的。

最后，给个代码片段，方便你快速上手：

import numpy as np
import matplotlib.pyplot as plt

def allan_variance(data, fs):
    """
    计算Allan方差
    data: 传感器数据（一维数组）
    fs: 采样频率（Hz）
    """
    N = len(data)
    max_power = int(np.log2(N)) - 1
    tau = []
    adev = []
    
    for i in range(1, max_power):
        m = 2**i
        tau.append(m / fs)
        
        # 分组求平均
        n_groups = N // m
        groups = data[:n_groups * m].reshape(n_groups, m)
        means = np.mean(groups, axis=1)
        
        # 计算Allan方差
        adev.append(np.sqrt(0.5 * np.mean(np.diff(means)**2)))
    
    return np.array(tau), np.array(adev)

# 使用示例
# tau, adev = allan_variance(gyro_data, fs=100)
# plt.loglog(tau, adev)
# plt.xlabel('τ (s)')
# plt.ylabel('Allan Deviation')
# plt.grid(True)
# plt.show()

我的建议：拿到新传感器，第一件事就是做Allan方差分析。它能告诉你这个传感器的“底子”怎么样。如果零偏不稳定性超过0.1°/s，那做零速修正时就要格外小心了。

好了，MEMS传感器的原理和误差分析就聊到这儿。记住一句话：懂原理才能用好传感器，懂误差才能做好导航。这些基础打牢了，后面讲零速修正算法时，你才能理解为什么有些参数要那样设。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

2、MEMS惯性传感器：从原理到实战

2.1 MEMS加速度计原理

2.2 MEMS陀螺仪原理

2.3 传感器误差模型

2.4 Allan方差分析