第三节：核心传感器（二）——IMU的加速度计与陀螺仪

好，咱们接着聊传感器。上一节我们把激光雷达聊透了，这一节轮到另一个关键角色——惯性测量单元，也就是IMU。

说实话，IMU这玩意儿在扫地机器人里，地位有点特殊。它不像激光雷达那样直接给你一张地图，它更像一个“感觉器官”。你闭着眼睛走路，靠内耳前庭感知自己是加速了还是转弯了——IMU干的就是这个活。

我刚开始做机器人那会儿，总觉得IMU数据很“干净”，后来发现根本不是那么回事。今天咱们就把它的底裤扒干净。

一、加速度计：你到底在测什么？

加速度计，顾名思义，测加速度。但这里有个坑——它测的不是运动加速度，而是比力。

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，它读数是0吗？不是。它读出来的是1g，方向竖直向上。为什么？因为桌面在推着它，抵抗重力。

我在项目中遇到过一件事：有个同事把加速度计水平安装，然后说“我明明没动，怎么读数不是0？”——嗯，这就是没搞懂比力的概念。

所以，如果你想从加速度计里提取运动加速度，得先把重力分量去掉。怎么去？用姿态估计。这又绕回到陀螺仪了——你看，传感器之间就是这么耦合的。

加速度计的工作原理

现在主流的MEMS加速度计，用的是电容式检测原理。内部有一个微小的质量块，被弹簧悬着。当有加速度时，质量块会偏移，改变电容极板之间的距离，电容值就变了。测出电容变化，就能反推出加速度。

我习惯把这种结构想象成一个弹簧秤——只不过这个秤特别小，小到肉眼看不见。

参数	典型值（消费级）	说明
量程	±2g ~ ±16g	扫地机器人一般用±2g或±4g
灵敏度	16384 LSB/g（±2g时）	数字输出时的分辨率
噪声密度	100~300 μg/√Hz	决定了你能分辨多小的加速度

二、陀螺仪：角速度是怎么测出来的？

陀螺仪测的是角速度，单位是rad/s或者°/s。MEMS陀螺仪的原理比加速度计复杂一些，它利用了科里奥利效应。

简单说：一个质量块在高速振动，如果整个芯片在旋转，质量块就会受到一个垂直于振动方向和旋转轴方向的力——科里奥利力。测出这个力的大小，就能算出角速度。

我记得第一次看MEMS陀螺仪的内部结构图时，觉得这东西简直像微雕艺术品。一个硅片上刻着梳齿状的电极，质量块以几千赫兹的频率振动着——你想想看，这得多精密。

三、零偏：IMU的“原罪”

零偏，也叫bias，是IMU最让人头疼的问题之一。

什么叫零偏？理想情况下，IMU静止时，加速度计应该只读到重力，陀螺仪应该读到0。但现实是，即使静止不动，陀螺仪输出也不是0，而是某个小常数——这就是零偏。

为什么会这样？因为制造工艺不可能完美。微小的结构不对称、残余应力、温度变化，都会导致零偏。

我曾经吃过一次大亏：一个项目里，我用IMU做航位推算，跑了10分钟，位置误差就漂了十几米。查了半天，发现是陀螺仪的零偏没校准好。从那以后，我每次上电都会做一次零偏校准。

零偏的数学模型

我们通常把零偏建模为两部分：

• 常值零偏（b_c）：上电后基本不变的部分，可以通过静态校准去掉。
• 零偏不稳定性（b_instability）：随时间缓慢变化的部分，需要用滤波器估计。

在代码里，我一般这样处理：

// 静态零偏校准：采集N个静止样本取平均
float calibrate_gyro_bias() {
    float sum = 0;
    for (int i = 0; i < 1000; i++) {
        sum += read_gyro();
        delay(1);
    }
    return sum / 1000.0f;
}

// 使用时减去零偏
float gyro_rate = read_gyro() - gyro_bias;

四、噪声模型：IMU的“性格”

IMU的噪声，说白了就是输出信号上的随机抖动。你拿一个静止的加速度计，看它的输出，会发现它在某个值附近来回跳——这就是噪声。

IMU的噪声通常用角度随机游走（ARW）和速率随机游走（RRW）来描述。这两个名字听起来吓人，其实意思很简单：

• 角度随机游走：陀螺仪的白噪声积分后，角度误差会像随机游走一样扩散。
• 速率随机游走：陀螺仪的零偏漂移，导致角速度估计有低频误差。

你想想看，如果陀螺仪噪声很大，积分出来的角度就会越来越不准。这就是为什么纯IMU导航撑不了几分钟的原因。

Allan方差：分析噪声的利器

我习惯用Allan方差来分析IMU的噪声特性。这个方法很简单：采集一段长时间的静态数据，然后计算不同时间尺度上的方差。

Allan方差曲线能告诉你：

• 曲线斜率为-1/2的部分：对应角度随机游走
• 曲线最低点：对应零偏不稳定性
• 曲线斜率为+1/2的部分：对应速率随机游走

嗯，这里要注意，Allan方差分析需要至少几小时的数据才可靠。我一般会采集4~6小时，然后离线分析。

五、实战中的IMU处理流程

说了这么多理论，咱们落地到扫地机器人上。我一般这样处理IMU数据：

1. 上电校准：机器人静止3秒，采集陀螺仪和加速度计的均值，作为初始零偏。
2. 低通滤波：加速度计和陀螺仪都做一阶低通滤波，截止频率20Hz左右，滤掉高频振动。
3. 温度补偿：如果IMU有温度传感器，做简单的线性温度补偿。
4. 姿态解算：用Mahony或Madgwick滤波器融合加速度计和陀螺仪，得到roll/pitch/yaw。
5. 在线零偏估计：在姿态解算中，把陀螺仪零偏作为状态量，用卡尔曼滤波实时估计。

我曾经试过跳过温度补偿这一步，结果夏天和冬天的零偏差了将近一倍。从那以后，我再也不敢省这个环节了。

小结

IMU是个好东西，但也是个“娇气”的传感器。它告诉你加速度和角速度，但每个数据都带着零偏和噪声。你得学会跟它打交道：校准它、滤波它、融合它。

下一节，咱们聊聊怎么把IMU和激光雷达的数据融合起来——这才是SLAM的核心所在。