第2章 IMU基础

IMU基础：加速度计与陀螺仪工作原理、IMU测量模型与误差分析

各位同学，欢迎来到第二章。上一章我们聊了IMU在SLAM系统里的定位，说白了它就是机器人的“内耳”，负责感知自身的运动。今天咱们就深入这“内耳”的内部，看看加速度计和陀螺仪到底是怎么工作的，以及它们身上那些“小毛病”——误差，我们该怎么处理。

我个人习惯，在讲任何传感器之前，先搞清楚它的物理原理。知其然，更要知其所以然。这样在后续做数据融合时，你才能理解为什么会有那些奇奇怪怪的噪声，以及该怎么去补偿。

加速度计，顾名思义，就是测量加速度的。但这里有个坑，我刚开始做项目时也犯过迷糊——它测量的不是运动加速度，而是比力（Specific Force）。

什么叫比力？说白了，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，它测出来的数值是多少？是0吗？不是。它测出来的是1个g（约9.8 m/s²），方向竖直向上。为什么？因为桌面给它一个向上的支撑力，抵消了重力，这个支撑力就是比力。

所以，加速度计其实是个“力传感器”，它测量的是外界施加在它检测质量上的力。常见的MEMS加速度计，内部有一个微小的质量块，连着弹簧。当有加速度时，质量块会移动，导致电容或电阻变化，我们通过检测这个变化就能反推出加速度。

    核心公式： a_measured = a_true + g + b_a + n_a
    
其中 a_measured 是测量值，a_true 是运动加速度，g 是重力加速度，b_a 是零偏，n_a 是噪声。

嗯，这里要注意，重力分量是始终存在的。所以在做姿态解算时，我们经常利用加速度计来估计俯仰角和横滚角，因为它能感知到重力在机体坐标系下的投影。

陀螺仪测量的是角速度。MEMS陀螺仪的原理稍微复杂一点，它利用了科里奥利力（Coriolis Effect）。

简单来说，让一个质量块在一个方向上高速振动，如果此时系统绕着垂直于振动方向的轴旋转，质量块就会在第三个方向上受到一个科里奥利力，导致它发生位移。检测这个位移，就能算出角速度。

我在项目中遇到过一个问题：陀螺仪对温度特别敏感。有一次在户外测试，中午温度高，陀螺仪的零偏漂移得厉害，导致积分出来的角度直接飞了。后来我加了温度补偿模型，才把这个问题压下去。

个人经验： 陀螺仪的数据不能直接积分用。因为积分会累积误差，哪怕是很小的零偏，积分几秒钟后，角度误差就会大到不可接受。所以，必须配合其他传感器（比如视觉或加速度计）进行修正。

搞清楚了原理，我们来看看IMU的测量模型。一个理想的IMU，输出应该是真实值。但现实很骨感，IMU的输出包含各种误差。我把它们分为两大类：确定性误差和随机误差。

这类误差是可以通过标定来补偿的。比如：

这些误差，我们通常会在IMU上电后，通过六面法或转台进行标定。我个人习惯，每次项目开始前，都会先做一次静态标定，记录下零偏的初始值。

这类误差是随机的，无法完全消除，只能用滤波或概率模型来描述。最常见的两种：

为什么会这样？因为MEMS器件的物理特性决定了它会有布朗运动，导致零偏随机波动。

避坑指南： 我曾经在VIO系统中，因为忽略了陀螺仪的随机游走，导致系统在长时间静止后，位置估计会缓慢漂移。后来在状态向量中加入了零偏的随机游走模型，用卡尔曼滤波实时估计，才解决了这个问题。记住，IMU的误差模型不是一成不变的，它需要在线估计。

为了让大家更直观地理解本章的知识结构，我画了一张图。它展示了从物理原理到测量模型，再到误差分析的完整链路。

这张图清晰地展示了：加速度计和陀螺仪基于不同的物理原理，输出各自的测量值。这些测量值通过一个统一的测量模型（包含真实值、重力、零偏和噪声）来描述。最后，我们需要对误差进行分类分析，确定性误差通过标定补偿，随机误差则通过滤波算法（如卡尔曼滤波）在线估计。

在实际的SLAM系统中，我们不会直接使用IMU的原始数据。通常的做法是：

上电初始化： 静止几秒钟，采集数据，计算初始零偏。
预积分（Pre-integration）： 对两帧图像之间的IMU数据进行积分，得到相对运动增量。这样做的好处是，避免了每次优化时都要重新积分，大大提高了计算效率。
在线估计： 在VIO系统中，将IMU的零偏作为状态量的一部分，放入卡尔曼滤波或图优化中，实时更新。

我记得有一次，在调试一个无人机平台时，发现悬停时高度一直在缓慢下降。排查了半天，发现是加速度计的零偏估计不准，导致重力补偿有残留。后来我把加速度计的零偏也加入到了状态向量中，问题就解决了。所以，不要小看任何一个误差项，它可能会在积分过程中被放大，最终毁掉你的定位精度。

好了，关于IMU的基础原理和误差模型，我们就聊到这里。这些概念是后续所有IMU相关算法（如预积分、多传感器融合）的基石。希望大家能动手写个小程序，采集一下自己手机或开发板上的IMU数据，看看静止时的零偏和噪声是什么样的。实践出真知。