3、惯性测量单元(IMU)：加速度计、陀螺仪、磁力计的工作原理与特性，IMU误差模型
各位工程师朋友，今天我们来聊聊IMU。这东西在运动控制里太常见了，无人机、机器人、汽车导航，哪哪都有它。说白了，IMU就是三个传感器的组合：加速度计、陀螺仪、磁力计。它们各司其职，又互相配合。
我个人习惯把IMU比作人体的感官系统。加速度计像你的前庭系统，感知身体倾斜；陀螺仪像你的半规管，感知旋转；磁力计像你的方向感，告诉你哪边是北。三个一起工作，才能让机器知道自己「在哪、怎么动、朝哪走」。
核心要点：IMU不是单个传感器，而是一个传感器融合系统。每个传感器都有短板，但组合起来就能互补。
3.1 加速度计：感知重力与线加速度
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。你想想看，当它静止时，测到的就是重力加速度g。当它运动时，测到的就是运动加速度加上重力。
我在项目中遇到过一个问题：无人机悬停时，加速度计读数明明是[0, 0, -1]g，但飞机却在缓慢漂移。后来发现是加速度计安装有微小倾斜，导致重力分量泄漏到了水平轴。嗯，这里要注意，加速度计对安装角度极其敏感。
工作原理：常见的是MEMS电容式加速度计。内部有一个微小的质量块，通过弹簧悬挂在固定电极之间。当有加速度时，质量块位移，改变电容值。通过测量电容变化，就能反推出加速度。
| 参数 | 典型值 | 说明 |
|---|---|---|
| 量程 | ±2g ~ ±16g | 选型时留30%余量 |
| 噪声密度 | 100~300 μg/√Hz | 越低越好，但成本高 |
| 零偏稳定性 | ±10~±50 mg | 温度变化会漂移 |
实战技巧：加速度计在静止时可以用来计算俯仰角和横滚角。公式很简单：θ = atan2(ax, sqrt(ay² + az²))。但注意，它无法测量偏航角，因为重力方向不提供水平信息。
3.2 陀螺仪：感知角速度
陀螺仪测量的是角速度，单位是°/s。它不直接给出角度，而是给出旋转的快慢。要得到角度，需要积分。但积分会累积误差，这就是为什么陀螺仪长时间工作会漂移。
我曾经调试一个四足机器人的平衡控制，发现陀螺仪积分出来的角度在10秒内就偏了5度。机器人直接摔了。后来我加了加速度计辅助修正，才稳住。说白了，陀螺仪适合短时间高动态，不适合长时间纯积分。
工作原理：MEMS陀螺仪基于科里奥利效应。一个质量块在驱动方向高速振动，当有角速度输入时，会产生科里奥利力，使质量块在检测方向位移。通过电容检测这个位移，就能得到角速度。
注意：陀螺仪对振动非常敏感。电机振动、机架共振都会引入噪声。我建议在安装时加橡胶减震垫，并在软件里做低通滤波。截止频率一般设在20~50Hz。
陀螺仪的关键指标是零偏稳定性（bias stability）和角度随机游走（angle random walk, ARW）。零偏稳定性决定了长时间积分后的角度误差，ARW决定了短时间内的噪声水平。
// 陀螺仪积分示例（简化版）
float angle = 0;
float gyro_rate = readGyro(); // 单位：°/s
float dt = 0.01; // 采样周期：10ms
angle += gyro_rate * dt; // 简单积分
// 实际项目中要加：
// 1. 零偏补偿
// 2. 温度补偿
// 3. 限幅防积分饱和
3.3 磁力计：感知方向
磁力计测量的是地球磁场。它告诉你哪个方向是北。但问题是，地球磁场很弱（约0.5高斯），很容易被电机、电源线、铁磁性材料干扰。
我记得有一次做AGV小车导航，磁力计读数在电机启动时直接跳了30度。查了半天，发现是电机电缆没有屏蔽，磁场干扰直接耦合到了磁力计。后来把磁力计移到远离电机的位置，并加了软磁屏蔽罩，问题才解决。
工作原理：常见的是各向异性磁阻（AMR）效应。某些铁磁材料的电阻会随外部磁场方向变化。通过测量电阻变化，就能得到磁场方向。
磁力计需要做硬铁校准和软铁校准。硬铁校准是消除传感器本身的零偏，软铁校准是消除周围铁磁材料造成的磁场扭曲。我建议每次上电都做一次快速校准。
校准方法：让设备在水平面旋转360度，记录X、Y轴的最大最小值。然后计算偏移量：offset_x = (max_x + min_x) / 2。同理Y轴。这样就能得到校准后的值。
3.4 IMU误差模型
IMU的误差模型，说白了就是描述「传感器实际输出」与「理想输出」之间的差异。我把它分为三类：确定性误差、随机误差、温度相关误差。
确定性误差：
- 零偏（Bias）：传感器静止时输出不为零。比如陀螺仪静止时输出0.1°/s，这就是零偏。
- 比例因子（Scale Factor）：输入与输出之间的比例关系不准确。比如输入1g，输出0.98g。
- 轴间对准误差（Misalignment）：三个轴不是完美的90度正交。这会导致一个轴的加速度泄漏到另一个轴。
随机误差：
- 白噪声（White Noise）：高频随机波动，可以通过低通滤波抑制。
- 随机游走（Random Walk）：低频漂移，积分后误差会随时间增长。
- 闪烁噪声（Flicker Noise）：1/f噪声，低频段明显。
温度相关误差：温度变化会导致零偏和比例因子漂移。我建议做温度补偿，至少记录不同温度下的零偏值，做线性插值补偿。
我的经验：在项目初期，先花一天时间做IMU的静态和动态标定。静态标定：记录静止时的零偏。动态标定：用转台给已知角速度，拟合比例因子。这一步做好了，后面融合算法会省很多事。
下面这张图展示了IMU误差模型的整体框架，以及各误差源对最终姿态估计的影响路径：
从图中可以看出，三个传感器的误差会经过误差模型「放大」或「耦合」，最终影响融合算法的输出。所以，做好误差建模和补偿，是IMU应用的关键一步。
重要提醒：不要指望IMU本身有多准。误差模型只是第一步，真正的精度提升要靠传感器融合。我见过太多人花大价钱买高精度IMU，结果算法一塌糊涂，还不如用便宜的IMU配好算法。
最后说一句，IMU的误差模型不是一成不变的。它会随温度、时间、振动而变化。我建议在系统运行过程中做在线校准，比如在静止时更新零偏估计，在直线运动时更新比例因子。这样系统才能长期稳定工作。
公众号:蓝海资料掘金营，微信deep3321