第2章 惯性导航基础（上）：IMU工作原理、加速度计与陀螺仪、比力方程与角速度测量
各位同学，咱们今天聊聊惯性导航的“心脏”——IMU。说实话，我入行那会儿，第一次拆开IMU的屏蔽罩，看着里面那块小小的MEMS芯片，心里直犯嘀咕：就这玩意儿，能扛得住导弹过载？后来干久了才明白，越精密的东西，原理往往越朴素。
2.1 IMU到底是个啥？
IMU，全称Inertial Measurement Unit，惯性测量单元。说白了，它就是一套“加速度计+陀螺仪”的组合拳。加速度计测你“动了多少”，陀螺仪测你“转了多少”。
我个人习惯把IMU比作一个盲人坐在车里——他感觉不到周围环境，但能通过屁股底下的推背感和身体倾斜，判断车在加速还是转弯。嗯，IMU就是那个盲人，只不过它用的是硅基微机械结构，不是屁股。
核心要点：IMU不依赖任何外部信号，完全靠自身惯性敏感元件推算运动。这是它和GPS、视觉传感器最本质的区别。
2.2 加速度计：比力方程的物理直觉
加速度计测的不是“加速度”，而是“比力”。这两个概念，我当年在实验室里绕了很久才绕明白。
比力方程长这样：
f = a - g其中f是比力（加速度计输出），a是物体相对于惯性空间的绝对加速度，g是重力加速度。
你想想看，如果我把加速度计平放在桌上，它输出的是多少？是0吗？不对。它输出的是1g，方向向上。为什么？因为桌面给它一个向上的支撑力，抵消了重力。加速度计测的其实是这个“支撑力”对应的等效加速度。
避坑指南：我曾经在车载测试中，把加速度计静置时的1g输出当成了零偏，结果导航解算直接飞了。记住：加速度计永远测不到自由落体状态下的重力——因为它和重力加速度方向相反，正好抵消。
实际项目中，加速度计的输出模型可以写成：
f_meas = f_true + b_a + s_a * f_true + n_a其中b_a是零偏，s_a是刻度因子误差，n_a是随机噪声。嗯，这里要注意，零偏是温度的函数，我见过最夸张的MEMS加速度计，温度从-40℃到85℃，零偏能漂移几十个mg。
2.3 陀螺仪：角速度测量的门道
陀螺仪测角速度，原理上比加速度计更“绕”。MEMS陀螺仪用的是科里奥利效应——一个振动的质量块，在旋转时会受到一个垂直于振动方向和旋转轴方向的力。
为什么会这样？简单说：旋转坐标系下，运动物体的表观加速度会多出一项。这个多出来的项，就是科里奥利加速度。陀螺仪就是靠测量这个加速度反推角速度的。
陀螺仪的输出模型：
ω_meas = ω_true + b_g + s_g * ω_true + n_g和加速度计很像，但有一个关键区别：陀螺仪的零偏b_g随时间缓慢变化，这叫“角速率随机游走”。我做过一个实验，把陀螺仪静置24小时，零偏漂移了0.5°/s。你想想，如果导航系统里不补偿这个漂移，姿态误差会随时间累积到不可接受的程度。
| 参数 | 加速度计 | 陀螺仪 |
|---|---|---|
| 测量物理量 | 比力（含重力） | 角速度 |
| 主要误差源 | 零偏、刻度因子、噪声 | 零偏、刻度因子、随机游走 |
| 温度敏感性 | 高（需温补） | 极高（需温补+标定） |
| 静态输出 | 1g（垂直方向） | 0（理想情况） |
2.4 比力方程与导航解算的关系
比力方程是惯性导航的“牛顿第二定律”。在导航坐标系下，它长这样：
a_n = C_b^n * f_b - (2ω_ie^n + ω_en^n) × v_n + g_n别被这一堆符号吓到。我拆开讲：
- C_b^n * f_b：把IMU测到的比力从载体坐标系转到导航坐标系。这一步靠陀螺仪提供的姿态矩阵完成。
- (2ω_ie^n + ω_en^n) × v_n：地球自转和载体运动引起的哥氏加速度。车载导航中，这部分量级很小，但跑高速时不能忽略。
- g_n：重力加速度，已知量。
说白了，导航解算就是三步：
- 用陀螺仪积分算姿态
- 用姿态把加速度计比力转到导航系
- 扣除重力和哥氏项，积分得速度和位置
警告：千万不要把加速度计的输出直接积分！我见过新手直接把IMU原始数据积分，结果位置误差以二次方增长。记住：必须先扣除重力，再扣除零偏，最后积分。
2.5 知识体系总览
下面这张图，是我自己画的知识结构。每次带新人，我都先让他们看这张图，再动手写代码。
这张图把本章的核心逻辑串起来了：IMU提供原始测量，加速度计和陀螺仪各有各的物理原理和误差特性，最终通过比力方程和积分，得到导航结果。
2.6 实战中的几个坑
最后，分享几个我在项目中踩过的坑：
- 零偏标定不能省：我曾经图省事，直接用芯片手册上的零偏值，结果导航精度差了3倍。后来老老实实做六位置标定，才把零偏误差压到0.5mg以内。
- 温度补偿要分段：MEMS器件的零偏-温度曲线不是线性的。我试过用二次多项式拟合，效果比线性好很多。但温度变化剧烈时，还得上分段线性插值。
- 陀螺仪积分要防饱和：角速度积分得到角度，但积分时间长了，数值误差会累积。我习惯在每次姿态更新后，对四元数做归一化，防止数值漂移。
个人经验：如果你刚开始做IMU驱动，建议先写一个简单的数据记录程序，把加速度计和陀螺仪的原始数据存下来，然后用Python离线分析。看看静态时的噪声分布，看看转动时的响应特性。这比直接上手写导航算法要稳妥得多。
好了，这一章就到这里。IMU的原理看似简单，但真正用好它，需要你对误差模型、温度特性、积分算法都有深刻理解。下一章我们接着聊惯性导航的“姿态表示”——四元数、欧拉角、旋转矩阵，这些数学工具才是把IMU数据变成可用导航信息的桥梁。
公众号:蓝海资料掘金营，微信deep3321