1. IMU基础与传感器模型
大家好，我是你们这门课的主讲。今天咱们来聊聊IMU——惯性测量单元。这东西在机器人、自动驾驶、无人机里太常见了。说白了，它就是给系统提供加速度和角速度的传感器。但你要是以为它就是个简单的数据采集器，那可就错了。
我刚开始做SLAM那会儿，对IMU的理解特别浅。觉得不就是读个数嘛，有什么难的？结果第一次做紧耦合融合，数据一进来，定位直接飘到天上去。嗯，从那以后我才老老实实把IMU的模型和噪声特性啃了一遍。
1.1 IMU工作原理
IMU内部主要包含两个核心器件：加速度计和陀螺仪。加速度计测量的是比力（specific force），也就是物体受到的惯性力与重力的合力。陀螺仪测量的是角速度，也就是物体绕各个轴旋转的快慢。
你可能会问：为什么加速度计测的不是纯加速度？
这个问题问得好。想象一下，你站在地面上，加速度计的输出是向上的，大小是g。但你的速度并没有变化。这是因为加速度计测量的是支撑力，而不是运动加速度。这个细节，我在做VIO初始化时吃过亏，后面会详细讲。
1.2 加速度计模型
加速度计的测量模型，我习惯写成这样：
a_m = R^T * (a_w - g_w) + b_a + n_a其中：
- a_m：加速度计测量值（传感器坐标系）
- R：从世界坐标系到传感器坐标系的旋转矩阵
- a_w：物体在世界坐标系下的真实加速度
- g_w：世界坐标系下的重力向量
- b_a：加速度计偏置（bias）
- n_a：加速度计噪声
这里有个关键点：测量值减去重力项，才能得到真实的运动加速度。我在项目里见过有人直接把加速度计输出积分算速度，结果速度越来越大，最后定位完全崩了。说白了，就是忘了去掉重力。
1.3 陀螺仪模型
陀螺仪的模型相对简单一些：
ω_m = ω_t + b_g + n_g其中：
- ω_m：陀螺仪测量值
- ω_t：真实角速度
- b_g：陀螺仪偏置
- n_g：陀螺仪噪声
陀螺仪的问题在于，它对角速度积分得到角度。积分嘛，误差会累积。我曾经在一个长距离的无人机飞行测试中，陀螺仪偏置没校准好，飞了5分钟，航向角偏了30度。嗯，那次差点炸机。
1.4 测量值与真实值的关系
搞清楚测量值和真实值的关系，是做IMU预积分的基础。我画了一张图，帮你理清这个逻辑：
从这张图可以看得很清楚：测量值不是真实值，它被偏置和噪声污染了。我们做IMU预积分，本质上就是在想办法消除偏置和噪声的影响。
1.5 噪声特性分析
IMU的噪声，我把它分成两类：
| 噪声类型 | 来源 | 特性 | 处理方法 |
|---|---|---|---|
| 白噪声 | 电子热噪声、量化噪声 | 高频、零均值、方差固定 | 低通滤波、滑动平均 |
| 随机游走 | 偏置随时间缓慢变化 | 低频、累积性 | 在线估计、定期校准 |
白噪声好理解，就是高频的随机抖动。你拿着IMU静止不动，看数据，会发现它在某个值附近来回跳。这个跳动的幅度，就是白噪声的方差。
随机游走就麻烦多了。它表现为偏置的缓慢漂移。我举个例子：你早上校准好的IMU，到下午可能偏置就变了。温度变化、器件老化都会导致这个现象。我在做长时间运行的机器人项目时，就遇到过偏置漂移导致定位精度下降的问题。
重要概念：IMU的噪声通常用"噪声密度"和"偏置稳定性"两个指标来描述。噪声密度越小，偏置稳定性越高，IMU的质量就越好。选型时一定要看这两个参数。
1.6 实际使用中的注意事项
说了这么多理论，我分享几个实际经验：
- 上电预热：IMU刚上电时，内部温度还没稳定，偏置会漂移。我一般等3-5分钟再开始采集数据。
- 静止初始化：在静止状态下，可以估计出初始偏置和重力方向。这个步骤不能省。
- 温度补偿：如果工作环境温度变化大，建议做温度补偿。有些IMU芯片自带温度传感器，可以辅助校准。
小技巧：判断IMU是否静止，可以看加速度计输出的方差。如果方差小于某个阈值（比如0.01 m/s²），就认为静止了。这个方法我在多个项目中都用过，简单有效。
注意：不要直接用IMU的原始数据做积分。原始数据包含偏置和噪声，积分后误差会以时间的三次方增长。这就是为什么我们需要IMU预积分技术。
好了，这一章的内容就到这里。IMU的基础模型和噪声特性，是后面所有内容的地基。你把这个搞清楚了，后面学预积分、学融合，都会轻松很多。
下一章，我们会深入IMU预积分的核心——离散化处理。到时候我会手把手带你推导公式，还会分享我在代码实现中踩过的坑。