第四章 传感器仿真：惯性测量单元(IMU)仿真、GPS/北斗仿真、导引头仿真
传感器仿真，说白了就是给导弹造一双「眼睛」和一副「内耳」。
我做了这么多年半实物仿真，最深的体会就是：传感器模型的好坏，直接决定了你的制导律能不能飞起来。你想想看，导弹飞在天上，它怎么知道自己在哪？怎么知道目标在哪？全靠这些传感器。
这一章，咱们就聊聊三种核心传感器的仿真：IMU、卫星导航、导引头。嗯，一个一个来。
4.1 惯性测量单元(IMU)仿真
IMU是导弹的「内耳」。它测量加速度和角速度，然后通过积分算出位置和姿态。说白了，就是靠「猜」——从已知的初始状态，一步步推算下一步。
4.1.1 IMU的数学模型
IMU的核心输出就两个：比力（加速度）和角速度。但真实世界里，IMU输出不是理想值，它带着一堆误差。
我个人习惯把IMU误差分成三类：
- 常值偏置：每次开机都有的固定偏差。比如加速度计偏0.01g，陀螺偏0.1°/s。
- 随机游走：随时间缓慢漂移的误差。这个最难搞，我当年在项目里被它坑过好几次。
- 噪声：高频随机抖动，一般用高斯白噪声模拟。
下面是我常用的IMU仿真模型，用C++写的：
// IMU仿真模型
struct ImuData {
double acc[3]; // 比力，m/s^2
double gyro[3]; // 角速度，rad/s
double timestamp;
};
class ImuSimulator {
private:
double acc_bias[3]; // 加速度计偏置
double gyro_bias[3]; // 陀螺偏置
double acc_noise_std; // 加速度计噪声标准差
double gyro_noise_std;// 陀螺噪声标准差
public:
ImuSimulator() {
// 初始化偏置，典型值
acc_bias[0] = 0.01; // 10mg
gyro_bias[0] = 0.001; // 0.001 rad/s ≈ 0.057°/s
}
ImuData simulate(double true_acc[3], double true_gyro[3]) {
ImuData data;
// 加偏置和噪声
for(int i=0; i<3; i++) {
data.acc[i] = true_acc[i] + acc_bias[i] +
gaussian_random() * acc_noise_std;
data.gyro[i] = true_gyro[i] + gyro_bias[i] +
gaussian_random() * gyro_noise_std;
}
return data;
}
};4.1.2 惯性导航解算
有了IMU数据，接下来就是导航解算。说白了，就是积分。
姿态更新用四元数，位置更新用比力方程。我习惯用下面这个流程：
- 读取陀螺角速度，更新四元数（姿态）
- 用四元数把比力从机体坐标系转到导航坐标系
- 减去重力加速度，得到真正的加速度
- 积分一次得速度，再积分一次得位置
嗯，这里要注意：积分步长一定要跟仿真步长匹配。我见过有人用1ms的IMU数据，但导航解算步长设了10ms，结果姿态发散得一塌糊涂。
4.2 GPS/北斗仿真
卫星导航是导弹的「眼睛」之一。它提供绝对位置信息，但更新频率低（一般10Hz），而且容易受干扰。
4.2.1 卫星导航仿真模型
GPS/北斗仿真其实没那么复杂。核心就是：在真实位置上叠加误差。
误差来源主要有：
- 星历误差：卫星轨道预报不准
- 电离层延迟：信号穿过电离层时的折射
- 多径效应：信号反射造成的干扰
- 接收机噪声：硬件本身的测量误差
我一般用一阶马尔可夫过程来模拟这些误差，因为它的时间相关性更接近真实情况：
// GPS仿真模型
class GpsSimulator {
private:
double pos_error[3]; // 位置误差，米
double vel_error[3]; // 速度误差，m/s
double tau; // 相关时间常数
double update_rate; // 更新频率，Hz
public:
GpsData simulate(double true_pos[3], double true_vel[3]) {
GpsData data;
// 一阶马尔可夫过程更新误差
for(int i=0; i<3; i++) {
pos_error[i] = pos_error[i] * exp(-dt/tau) +
gaussian_random() * sigma_pos;
data.pos[i] = true_pos[i] + pos_error[i];
}
return data;
}
};4.2.2 组合导航仿真
实际工程中，IMU和GPS是配合使用的。IMU提供高频但会漂移的导航信息，GPS提供低频但绝对准确的位置修正。
我常用的组合方式是松耦合：
- IMU做纯惯性解算，输出高频导航结果
- GPS每100ms输出一次位置和速度
- 用卡尔曼滤波器融合两者，估计IMU的误差并修正
说白了，就是用GPS的绝对信息去「拽」住IMU的漂移。这个思路在工程上非常成熟，也是半实物仿真里必须复现的核心逻辑。
4.3 导引头仿真
导引头是导弹的「眼睛」。它负责测量目标相对于导弹的视线角。这个信号直接决定了制导律的输入。
4.3.1 导引头类型与仿真
常见的导引头有几种：
| 类型 | 工作原理 | 典型应用 | 仿真难点 |
|---|---|---|---|
| 红外导引头 | 探测目标热辐射 | 空空导弹 | 背景干扰、大气衰减 |
| 雷达导引头 | 发射电磁波并接收回波 | 地空导弹 | 多路径、杂波 |
| 激光导引头 | 接收目标反射的激光 | 制导炸弹 | 大气散射、编码识别 |
我主要做雷达导引头仿真，这里重点说说它。
4.3.2 雷达导引头仿真模型
雷达导引头的核心输出是视线角（LOS）和视线角速率。仿真时，我一般分三步：
- 几何计算：根据导弹和目标的位置，算出真实的视线角
- 误差叠加：加上导引头的测量误差（角度噪声、角闪烁等）
- 跟踪特性：模拟导引头伺服系统的动态响应
下面是一个简化的雷达导引头仿真代码：
// 雷达导引头仿真
class SeekerSimulator {
private:
double angle_noise_std; // 角度测量噪声
double bandwidth; // 伺服带宽，Hz
double los_rate_prev; // 上一帧的视线角速率
public:
SeekerOutput simulate(Vector3 missile_pos, Vector3 target_pos) {
// 1. 计算真实视线角
Vector3 los_vector = target_pos - missile_pos;
double true_azimuth = atan2(los_vector.y, los_vector.x);
double true_elevation = asin(los_vector.z / los_vector.norm());
// 2. 加噪声
double measured_azimuth = true_azimuth +
gaussian_random() * angle_noise_std;
// 3. 伺服动态（一阶低通滤波）
double dt = 0.001; // 1ms仿真步长
double alpha = 2 * M_PI * bandwidth * dt;
los_rate = (1 - alpha) * los_rate_prev +
alpha * (measured_azimuth - last_azimuth) / dt;
return SeekerOutput(measured_azimuth, los_rate);
}
};4.3.3 导引头仿真中的常见坑
我踩过的坑，分享几个：
- 角闪烁：目标不是点，而是有尺寸的。雷达回波的中心会跳动，这个在仿真里一定要加，否则制导精度会偏乐观。
- 盲距：雷达导引头在距离目标很近时，会进入盲区。仿真里要处理这个切换逻辑。
- 视线角速率计算：直接用差分法算角速率，噪声会被放大。我习惯用卡尔曼滤波或者平滑算法。
4.4 传感器仿真框架图
下面这张图，是我做半实物仿真时常用的传感器仿真架构。它把IMU、GPS、导引头三个模块串在一起，形成一个完整的传感器数据流。
这张图里，真实状态同时输入到三个传感器模块。IMU输出高频但带漂移的数据，GPS输出低频但绝对准确的数据，导引头输出目标相对信息。最后，IMU和GPS的数据进入组合导航滤波器，得到最优的导航估计。
嗯，这就是传感器仿真的核心逻辑。说白了，就是「真实状态 + 误差模型 = 传感器输出」。你把这个框架搭好了，剩下的就是往里面填具体的参数和算法。
公众号:蓝海资料掘金营，微信deep3321