3、Allan方差分析：使用Allan方差识别IMU噪声类型

说实话，做IMU融合这么多年，我见过太多人一上来就调卡尔曼滤波参数。调来调去，效果还是不行。为什么？因为你根本不知道传感器里到底有什么噪声。

Allan方差，就是用来干这个的。它能把IMU里那些乱七八糟的噪声，一个个给你揪出来。我个人习惯，拿到一个新IMU，第一件事就是跑Allan方差分析。这比看数据手册靠谱多了。

3.1 什么是Allan方差？

简单说，Allan方差是一种时域分析方法。它通过不同时间尺度上的方差变化，来识别噪声类型。

你想想看，陀螺仪静止时的输出，是不是一直在跳？这些跳动里，有高频的抖动，也有缓慢的漂移。Allan方差能把这些不同频率的噪声分开。

核心思想是这样的：

• 取一段长时间的静态数据
• 按不同时间长度（τ）分段
• 计算每段的平均值
• 再算这些平均值之间的方差

嗯，这里要注意：τ从短到长，Allan方差曲线会呈现不同的斜率。每种斜率对应一种噪声类型。

3.2 三种核心噪声类型

我在项目中遇到过，很多人把这三个噪声搞混。其实它们很好区分：

噪声类型	物理含义	Allan方差斜率	典型来源
角度随机游走（ARW）	白噪声积分后的角度误差	-1/2	电子热噪声、量化噪声
零偏不稳定性（BI）	低频漂移的极限	0	1/f噪声、温度效应
速率随机游走（RRW）	角速率本身的随机漂移	+1/2	机械结构蠕变、温度梯度

说白了，ARW决定了你短时间的精度，BI决定了你长时间能稳到什么程度，RRW则告诉你漂移有多快。

3.3 实战：用Python计算Allan方差

我曾经踩过一个坑：数据采集时间不够长。Allan方差分析需要足够长的静态数据，至少1小时以上。我刚开始做时只采了10分钟，结果曲线根本看不出特征。

下面是我常用的代码，直接复制就能用：

import numpy as np
import matplotlib.pyplot as plt

def allan_variance(data, fs):
    """
    计算Allan方差
    data: 静态IMU数据（陀螺仪或加速度计）
    fs: 采样率（Hz）
    """
    N = len(data)
    max_m = int(np.log2(N)) - 1
    tau = []
    adev = []
    
    for m in range(1, max_m + 1):
        # 按2的幂次划分时间尺度
        cluster_size = 2**m
        num_clusters = N // cluster_size
        
        # 计算每个簇的平均值
        cluster_means = np.mean(
            data[:num_clusters * cluster_size].reshape(-1, cluster_size),
            axis=1
        )
        
        # 计算相邻簇均值的方差
        variance = 0.5 * np.mean(
            (cluster_means[1:] - cluster_means[:-1])**2
        )
        
        tau.append(cluster_size / fs)
        adev.append(np.sqrt(variance))
    
    return np.array(tau), np.array(adev)

# 使用示例
fs = 100  # 100Hz采样
tau, adev = allan_variance(gyro_data, fs)

# 双对数坐标绘图
plt.loglog(tau, adev, 'b-', linewidth=2)
plt.xlabel('时间 τ (s)')
plt.ylabel('Allan标准差')
plt.grid(True, which='both', ls='--')
plt.show()

3.4 如何从曲线中提取参数？

拿到Allan方差曲线后，怎么读出具体数值？我一般这样做：

1. 找ARW：在τ=1s处，读取Allan标准差的值。这个值就是角度随机游走系数，单位是 °/√h 或 deg/√hr。
2. 找BI：曲线的最低点对应的值，就是零偏不稳定性。单位是 °/h。
3. 找RRW：曲线右侧上升段的斜率，对应速率随机游走。单位是 °/h/√h。

举个例子，我上次测一个MEMS陀螺：

• ARW = 0.01 °/√h → 短时间精度不错
• BI = 5 °/h → 长时间漂移有点大
• RRW = 0.5 °/h/√h → 漂移速度中等

看到这个结果，我就知道这个陀螺适合做短时间姿态估计，不适合纯惯性导航。

3.5 知识体系总览

下面这张图，是我自己总结的Allan方差分析流程。每次做传感器评估，我都按这个步骤来：

3.6 实际项目中的注意事项

最后，分享几个我在实际项目中总结的经验：

• 数据预处理很重要：先去除明显的异常值和趋势项。我一般先用高通滤波器去掉直流分量。
• 多测几次：同一个IMU，不同温度、不同批次，Allan方差结果可能差很多。我习惯测3次取平均。
• 别只看数值：曲线形状比具体数值更重要。如果曲线不平滑，说明数据质量有问题。
• 结合应用场景：做无人机飞控，ARW比BI重要；做导航，BI比ARW重要。看需求选参数。

---

公众号:蓝海资料掘金营，微信deep3321