3、陀螺仪校准：零偏稳定性分析、Allan方差辨识噪声、温漂补偿实战

陀螺仪校准，说白了就是跟它的「坏脾气」做斗争。我做了这么多年飞控，最头疼的就是陀螺仪。加速度计好歹还能靠重力找平，陀螺仪这家伙，你不动它，它自己还在那瞎报数。这就是零偏。

但零偏还不是最要命的。最要命的是，它的零偏会变。温度一变，它变；上电时间一长，它也变。嗯，今天我们就来彻底收拾它。

3.1 零偏稳定性：到底稳不稳？

先搞清楚两个概念：零偏和零偏稳定性。

• 零偏：陀螺仪静止时，输出值的平均值。比如你测出来是 0.01 °/s，那这就是零偏。
• 零偏稳定性：这个平均值，在长时间内能稳定在什么范围内。单位通常是 °/h。

我个人习惯把零偏稳定性理解为「陀螺仪的定力」。你想想看，一个号称零偏稳定性 10°/h 的陀螺仪，意味着它在一小时内，零偏的漂移不会超过 10 度。对于无人机来说，这基本没法用。我们做飞控，至少得 1°/h 以内，甚至 0.1°/h。

我在项目中遇到过一款国产 MEMS 陀螺仪，数据手册上写着零偏稳定性 5°/h。结果上电测试，前十分钟还行，半小时后直接漂了 30 度。后来发现是温度补偿没做好。所以，别信手册，自己测。

3.2 Allan方差：给噪声做「体检」

Allan 方差，听起来很高大上。其实它就是用来分析陀螺仪噪声成分的工具。为什么要分析？因为不同的噪声，需要用不同的滤波器去处理。

Allan 方差的核心思想很简单：把陀螺仪静止时的数据，按不同的时间长度（簇时间）分段，然后看每段平均值的波动情况。

具体步骤我列一下：

1. 采集至少 2 小时以上的静态数据。越长越好，我一般采 4 小时。
2. 计算不同簇时间 τ 下的 Allan 方差 σ²(τ)。
3. 画出 log(τ) - log(σ(τ)) 曲线。
4. 从曲线上读出关键噪声参数。

这张曲线图，你能读出五种噪声：

噪声类型	斜率	物理含义
量化噪声	-1	ADC 分辨率限制
角度随机游走	-0.5	白噪声积分结果
零偏不稳定性	0	曲线最低点，就是零偏稳定性
速率随机游走	+0.5	低频漂移
速率斜坡	+1	温度引起的趋势性漂移

为什么会这样？因为不同噪声在不同时间尺度上表现不同。短时间看，白噪声占主导；长时间看，温漂占主导。Allan 方差就是把这些噪声「分时段」揪出来。

代码示例（核心部分）：

import numpy as np
import matplotlib.pyplot as plt

def allan_variance(data, fs):
    """计算Allan方差"""
    N = len(data)
    max_pow = int(np.log2(N)) - 1
    tau = []
    sigma = []
    
    for p in range(1, max_pow):
        m = 2**p
        tau_m = m / fs
        # 分段平均
        num_clusters = N // m
        clusters = data[:num_clusters*m].reshape(num_clusters, m)
        means = np.mean(clusters, axis=1)
        # 计算方差
        var = 0.5 * np.mean((means[1:] - means[:-1])**2)
        tau.append(tau_m)
        sigma.append(np.sqrt(var))
    
    return np.array(tau), np.array(sigma)

# 使用示例
# tau, sigma = allan_variance(gyro_data, 100)  # 100Hz采样
# plt.loglog(tau, sigma)
# plt.grid(True, which='both')

3.3 温漂补偿实战：把温度「算」进去

温漂是陀螺仪最大的敌人。我做过对比测试：一个没做温补的陀螺仪，从 25°C 升到 60°C，零偏能漂 5 °/s。这什么概念？飞机直接翻跟头。

温漂补偿的思路很简单：建立温度-零偏模型。然后实时查表或计算，把零偏减去。

具体做法分三步：

1. 数据采集：把飞控放进温箱，从 -20°C 到 80°C，每 5°C 记录一次静态零偏。每个温度点保持 10 分钟。
2. 模型拟合：我一般用三阶多项式拟合。别用太高阶，容易过拟合。
3. 在线补偿：飞控运行时，读取温度传感器，代入多项式算出零偏，然后减去。

拟合代码示例：

import numpy as np

# 假设采集到的数据
temps = np.array([-20, -10, 0, 10, 20, 30, 40, 50, 60, 70, 80])
biases = np.array([0.12, 0.08, 0.03, -0.01, -0.02, 0.01, 0.06, 0.15, 0.28, 0.45, 0.68])

# 三阶多项式拟合
coeffs = np.polyfit(temps, biases, 3)
print(f"多项式系数: {coeffs}")

# 在线补偿函数
def compensate_gyro(raw_gyro, temp):
    bias = coeffs[0]*temp**3 + coeffs[1]*temp**2 + coeffs[2]*temp + coeffs[3]
    return raw_gyro - bias

嗯，这里要注意：温补模型不是一劳永逸的。同一型号的不同芯片，温漂曲线可能不一样。我建议每颗芯片单独标定。如果量产成本不允许，至少抽测 10 颗，取平均模型。

3.4 实战流程总结

好了，把今天的内容串起来。一个完整的陀螺仪校准流程应该是：

1. 静态采集：上电后静止采集 2-4 小时数据，同时记录温度。
2. Allan 方差分析：确定零偏稳定性、角度随机游走等参数。这些参数会用于后续的滤波器设计。
3. 温箱标定：建立温度-零偏模型，写入飞控参数。
4. 在线补偿：飞控运行时，实时读取温度，进行零偏补偿。
5. 验证测试：上电后静止 10 分钟，看零偏是否稳定在预期范围内。

你想想看，如果这些步骤都做到位了，你的陀螺仪基本上就「驯服」了。剩下的就是滤波器的事了——那是下一章的内容。