2、惯性导航基础（上）：加速度计与陀螺仪的工作原理、比力方程与角速度测量、IMU的误差模型
各位同学，欢迎来到惯性导航的第一课。说实话，惯性导航是组合导航的“灵魂”。你GPS信号丢了，靠什么撑？靠IMU。你飞控姿态稳不稳，靠什么？还是靠IMU。所以这一章，咱们把IMU的底细摸清楚。
我个人习惯把IMU拆成两样东西来看：加速度计和陀螺仪。一个管“线运动”，一个管“角运动”。咱们一个一个说。
2.1 加速度计的工作原理
加速度计测量的是什么？很多人会脱口而出：“加速度呗。” 嗯，对了一半。它测量的其实是比力（Specific Force），也就是物体受到的惯性力与重力的合力，再除以质量。说白了，就是单位质量上受到的“非引力外力”。
为什么会这样？你想想看，一个自由落体的加速度计，它输出是0。因为它和重力一起往下掉，内部检测质量处于“失重”状态。所以加速度计测不到重力，它测的是“除了重力以外的力”。
常见的加速度计有几种：
- 压阻式：利用硅微结构的应力变化，电阻值改变。优点是便宜，缺点是温漂大。我在早期做飞控时用过，温度一变，零偏就飘，后来果断换了。
- 电容式：检测质量位移改变电容。精度高，功耗低，是目前MEMS IMU的主流。
- 谐振式：频率变化反映加速度。精度最高，但成本也高，一般用在战术级IMU里。
咱们做低成本无人机，用的基本都是MEMS电容式加速度计。比如MPU6050、ICM-20602这些，都是电容式的。
核心公式：比力方程
加速度计的输出 f 可以表示为：
f = a - g其中 a 是载体相对于惯性空间的加速度，g 是重力加速度矢量。注意符号！我见过不少新手把符号搞反，结果姿态解算出来是倒着的。
我的经验： 在无人机上电初始化时，加速度计读到的值应该是 [0, 0, 9.8] 左右（如果z轴朝上）。如果读出来是 [-9.8, 0, 0]，说明你的坐标系定义和芯片坐标系没对齐。我曾经因为这个排查了整整一下午，最后发现是安装方向转了90度。
2.2 陀螺仪的工作原理
陀螺仪测量角速度。在MEMS世界里，它靠的是科里奥利效应（Coriolis Effect）。
简单说：一个质量块在某个方向上高速振动，当载体旋转时，质量块会受到一个垂直于振动方向和旋转轴方向的力，这个力就是科里奥利力。通过检测这个力的大小，就能反推出角速度。
嗯，这里要注意：MEMS陀螺仪测的是角速度，不是角度。你要得到角度，得对时间积分。而积分就会带来漂移——这是所有低成本IMU的痛点。
常见的陀螺仪类型：
- 振动式MEMS陀螺：目前消费级和工业级无人机的绝对主力。比如InvenSense、Bosch、ST的产品线。
- 光纤陀螺（FOG）：精度高，但体积大、成本高，一般用在工业级或军用级。
- 激光陀螺（RLG）：顶级精度，但价格感人，咱们做低成本的基本不用想。
对于低成本无人机，我们关注的是MEMS陀螺的这几个指标：
| 指标 | 典型值（消费级） | 典型值（工业级） | 说明 |
|---|---|---|---|
| 量程 | ±250 ~ ±2000 °/s | ±500 ~ ±1000 °/s | 无人机一般用±500或±1000就够 |
| 零偏稳定性 | 10 ~ 100 °/h | 1 ~ 10 °/h | 这个值决定了你能纯惯性飞多久 |
| 角度随机游走 | 0.1 ~ 1 °/√h | 0.01 ~ 0.1 °/√h | 影响姿态估计的噪声水平 |
避坑指南： 我曾经在一个项目中选了某款号称“工业级”的MEMS陀螺，零偏稳定性标称5°/h。结果实际测试时，温度从25°C升到60°C，零偏直接漂了50°/h。后来仔细看手册才发现，那个5°/h是在恒温条件下测的。所以，一定要看全温范围的指标，别被实验室数据忽悠了。
2.3 IMU的误差模型
好了，现在你知道加速度计和陀螺仪怎么工作的了。但实际器件不是理想的，它们有误差。咱们做组合导航，必须把这些误差建模出来，才能在滤波器中补偿掉。
IMU的误差模型，我习惯分成两大类：确定性误差和随机性误差。
2.3.1 确定性误差
这类误差可以通过标定来消除。主要包括：
- 零偏（Bias）：即使没有输入，传感器也有输出。比如陀螺静止时读出来不是0，而是某个常数。
- 比例因子（Scale Factor）：实际输入和输出之间的比例关系不是严格的1:1。比如你转100°/s，它可能读出102°/s。
- 交叉耦合（Cross-axis Sensitivity）：X轴的输入会在Y轴上产生输出。说白了就是轴没对准。
- 非线性度：输出和输入不是严格的线性关系。
标定方法有很多，六位置法、速率法、温箱标定等等。对于低成本无人机，我建议至少做零偏和比例因子的标定，效果立竿见影。
2.3.2 随机性误差
这类误差是随机的，无法完全消除，只能通过滤波来抑制。主要包括：
- 角度随机游走（Angle Random Walk, ARW）：陀螺白噪声积分后产生的角度误差。说白了就是噪声越积越大。
- 速率随机游走（Rate Random Walk, RRW）：零偏的缓慢漂移，通常建模为一阶马尔可夫过程。
- 量化噪声：ADC量化带来的误差，一般影响较小。
常用的IMU误差模型（离散时间形式）：
ω_meas = ω_true + b_g + n_g
a_meas = a_true + b_a + n_a
其中：
b_g(k+1) = b_g(k) + w_bg (陀螺零偏随机游走)
b_a(k+1) = b_a(k) + w_ba (加速度计零偏随机游走)
n_g ~ N(0, σ_g²) (陀螺白噪声)
n_a ~ N(0, σ_a²) (加速度计白噪声)
w_bg ~ N(0, σ_bg²) (零偏驱动噪声)
w_ba ~ N(0, σ_ba²) (零偏驱动噪声)这个模型，就是咱们后面做卡尔曼滤波的基础。你想想看，如果不建模零偏的随机游走，滤波器会把零偏当成真实角速度去积分，角度误差会越来越大。所以，一定要把零偏也作为状态量来估计。
我的建议： 拿到一款新的IMU，先做Allan方差分析。它能帮你把ARW、RRW、零偏稳定性这些参数都提取出来。我每次换IMU芯片，第一件事就是跑Allan方差，看看这个芯片的“底子”怎么样。如果ARW太大，说明噪声水平高，后面滤波器的协方差矩阵就要设大一些。
2.4 小结
这一章咱们讲了加速度计和陀螺仪的工作原理，比力方程和角速度测量，还有IMU的误差模型。说白了，就是让你明白：IMU不是完美的，它有各种误差。但只要我们理解了这些误差的来源和特性，就能通过标定和滤波来补偿它们。
下一章，咱们会讲惯性导航的“核心算法”——姿态解算和捷联惯导更新。到时候你会看到，今天讲的误差模型是怎么用到实际代码里的。
好，今天就到这里。有问题随时交流。