第二节 传感器误差模型：零偏、标度因数、交轴耦合、随机游走、高斯白噪声的数学建模

各位同学，咱们今天来聊聊传感器误差模型。说实话，这是整个飞控系统里最「磨人」的部分。你想想看，一个IMU（惯性测量单元）从流水线上下来，它天生就是「不完美」的。我做了这么多年飞控，见过太多因为误差模型没建好，导致无人机在天上画「8」字的案例了。

嗯，咱们得先把这些误差拆开来看。我习惯把它们分成两大类：确定性误差和随机性误差。确定性误差，说白了就是可以通过标定来补偿的；随机性误差，那是老天爷给的，只能靠滤波去估计。

2.1 零偏（Bias）—— 最熟悉的「陌生人」

零偏是什么？就是传感器在静止状态下，输出却不归零。比如一个加速度计平放着，理论上应该输出[0, 0, g]，但实际输出可能是[0.02, -0.01, 9.82]。这多出来的0.02和-0.01，就是零偏。

数学上，零偏模型很简单：

y_measured = y_true + b + n

其中b就是零偏，n是噪声。但这里有个坑——零偏不是一成不变的。我记得有一次做高塔巡检项目，无人机刚起飞时零偏很小，飞了20分钟后，IMU温度升高了，零偏直接漂了0.5度/秒。嗯，这就是所谓的「零偏稳定性」问题。

我个人习惯把零偏拆成两部分：

• 常值零偏（b_0）：出厂时就有，可以通过六位置法标定去掉。
• 温漂零偏（b_T）：随温度变化，需要建温度补偿模型。

2.2 标度因数（Scale Factor）—— 你以为是1，其实不是

标度因数，说白了就是传感器的「放大倍数」不准。理想情况下，输入1度/秒的角速度，陀螺应该输出1度/秒。但实际可能是0.98或者1.02。

模型长这样：

y_measured = (1 + s) * y_true + b + n

这里的s就是标度因数误差，通常用ppm（百万分之一）来表示。比如一个1000ppm的陀螺，意味着每转一圈，误差会累积0.36度。你想想看，如果飞10分钟，这个误差能有多大？

标度因数还有个让人头疼的特点——它和输入量的大小有关。小信号时标度因数误差大，大信号时反而准一些。我建议在做标定时，至少取3个不同的输入速率点，比如100°/s、200°/s、300°/s，然后拟合出一条曲线。

传感器类型	典型标度因数误差	影响
消费级MEMS陀螺	1000 - 5000 ppm	航向角快速发散
工业级MEMS陀螺	100 - 500 ppm	可支撑10分钟导航
光纤陀螺（FOG）	< 50 ppm	可用于战术级导航

2.3 交轴耦合（Cross-axis Coupling）—— 三个轴在「打架」

交轴耦合，这是最容易被忽略的误差。你想想看，理想的IMU，三个轴应该是完美正交的。但实际加工时，X轴和Y轴之间可能差了0.1度，Y轴和Z轴之间可能差了0.2度。这就导致一个问题：当你在X轴输入一个角速度时，Y轴和Z轴也会感应到信号。

数学上，交轴耦合用一个3x3的矩阵来表示：

y_measured = M * y_true + b + n

其中 M = [1, m_xy, m_xz;
          m_yx, 1, m_yz;
          m_zx, m_zy, 1]

这里的m_xy表示X轴对Y轴的耦合系数，通常用百分比表示。比如m_xy = 0.01，意味着X轴输入100°/s时，Y轴会多输出1°/s。

我记得有一次做四旋翼的悬停测试，发现飞机总是往一个方向偏。查了半天，最后发现是加速度计的交轴耦合没补偿。你想想看，重力在Z轴是1g，如果Z轴对X轴有1%的耦合，那X轴就会多出0.01g的假信号。这个假信号会被飞控当成水平加速度，然后飞机就开始「溜冰」了。

2.4 随机游走（Random Walk）—— 误差在「散步」

随机游走，这是随机性误差里最让人头疼的。它不像零偏那样是个固定值，也不像白噪声那样均值为零。随机游走的特点是：误差会随着时间累积。

数学上，随机游走可以用积分形式表示：

b(t) = b(t-1) + w(t)

其中w(t)是高斯白噪声。你看，每一时刻的零偏，都是上一时刻的零偏加上一个随机增量。这就导致零偏会像喝醉了酒一样，慢慢悠悠地到处「散步」。

在飞控里，我们通常用Allan方差来分析随机游走。Allan方差能告诉你：

• 角度随机游走（ARW）：陀螺的噪声积分特性，单位是°/√h
• 速率随机游走（RRW）：零偏的长期漂移特性，单位是°/h/√h

我建议你在做传感器选型时，一定要看数据手册里的ARW指标。消费级MEMS陀螺的ARW通常在0.1-0.5°/√h，而工业级的能做到0.01°/√h以下。这个指标直接决定了你的姿态估计算法能撑多久。

2.5 高斯白噪声（Gaussian White Noise）—— 最「老实」的误差

高斯白噪声，这是所有误差里最「善良」的一个。为什么这么说？因为它有明确的统计特性：均值为零，方差固定，不同时刻之间不相关。

数学上，高斯白噪声n(t)满足：

E[n(t)] = 0
E[n(t) * n(t+τ)] = σ² * δ(τ)

其中σ²是方差，δ(τ)是狄拉克函数。说白了就是：噪声的均值是0，功率是σ²，而且不同时刻的噪声互不相关。

在卡尔曼滤波里，高斯白噪声是最好处理的。你只需要给它一个协方差矩阵R，滤波器就能自动把它「消化」掉。但要注意，实际传感器的噪声往往不是纯白噪声，而是有色噪声。比如MEMS陀螺的低频噪声就比高频大得多。

我个人习惯的做法是：先采集一段静态数据，然后做功率谱密度分析。如果发现低频段有「1/f噪声」的特征，那就不能简单用白噪声模型了，得考虑在状态向量里增加一个「一阶马尔可夫过程」来建模。

2.6 完整的误差模型

好了，我们把上面这些误差都加起来，一个完整的传感器误差模型就是：

y_measured = (I + S) * M * y_true + b + n

其中：
- I 是单位矩阵
- S 是标度因数误差矩阵（对角阵）
- M 是交轴耦合矩阵（非对角阵）
- b 是零偏（包含常值零偏和随机游走）
- n 是高斯白噪声

这个模型看起来复杂，但实际使用时，我们通常只保留最主要的几项。比如消费级飞控，标度因数和交轴耦合可以合并成一个「综合误差矩阵」，然后通过在线标定去估计。

下面这张图，是我自己总结的传感器误差建模流程，你可以参考一下：

嗯，到这里，传感器误差模型的数学基础就讲完了。你可能会问：「这么多误差，我到底该先处理哪个？」我的建议是：先搞定确定性误差，再处理随机性误差。先把零偏、标度因数、交轴耦合这些「硬伤」通过标定去掉，剩下的随机游走和白噪声，交给卡尔曼滤波去处理。

记住一句话：标定做得好，滤波省一半。我在项目里见过太多人，卡尔曼滤波调了几个月都调不好，结果一查，是标定没做干净。所以，别急着上滤波，先把误差模型建扎实了。

---