4、传感器原理（下）：传感器噪声分析、Allan方差、零偏稳定性、标度因数误差、安装误差
好，咱们接着聊传感器原理。上一节我把陀螺仪和加速度计的基本工作原理讲清楚了。这一节，咱们得面对一个现实问题——传感器不完美。
你想想看，再贵的MEMS芯片，它也是个微机械结构。温度一变、振动一来、甚至你呼吸的气流都能影响它。我刚开始做惯导那会儿，拿到一块崭新的IMU，兴冲冲地往板子上一焊，结果数据一读——嗯？怎么静止不动的时候，陀螺仪还在输出0.1度每秒？
这就是噪声。咱们这一节，就是要把这些“不完美”拆开来看清楚。
4.1 传感器噪声的来源与分类
传感器噪声，说白了就是输出信号里那些你不想要的随机波动。它分两大类：
- 随机噪声：比如白噪声、随机游走。这类噪声没法完全消除，只能靠滤波。
- 确定性误差：比如零偏、标度因数误差、安装误差。这类误差可以通过标定来补偿。
我个人习惯把噪声想象成“信号上的毛刺”。你用手按住IMU，理论上输出应该是0。但实际读出来，可能是在0附近上下跳动的值。这些跳动，就是噪声。
4.2 Allan方差——噪声的“CT扫描仪”
说到噪声分析，就绕不开Allan方差。这玩意儿是干啥的？
你可以把它理解成噪声的“CT扫描仪”。它能帮你把不同时间尺度上的噪声成分一一拆解出来。比如：哪些是白噪声？哪些是随机游走？哪些是零偏不稳定性？
我记得第一次用Allan方差分析一个国产陀螺仪的数据，画出来的曲线让我大吃一惊——那个陀螺仪的低频噪声比数据手册上写的差了整整一个数量级。嗯，从那以后，我再也不完全相信数据手册了。
Allan方差的计算方法其实不复杂：
// 伪代码：Allan方差计算
for tau in 时间簇长度列表:
将原始数据按tau长度分成N段
计算每段的平均值
计算相邻段平均值的差的平方
取平均，再除以2
得到Allan方差值 σ²(τ)
画出来就是一张log-log图。横轴是时间τ，纵轴是Allan标准差。不同斜率的线段对应不同的噪声类型：
- 斜率 -1/2：角度随机游走（白噪声）
- 斜率 0：零偏不稳定性
- 斜率 +1/2：速率随机游走
- 斜率 +1：量化噪声
4.3 零偏稳定性——你永远无法消除的“常数”
零偏，就是传感器在零输入时的输出值。理论上应该是0，实际上不是。
更麻烦的是，这个零偏不是固定的。它会随着温度、时间、甚至供电电压的变化而缓慢漂移。这个漂移的程度，就是零偏稳定性。
我做过一个项目，把IMU放在恒温箱里测了24小时。结果发现，温度每变化1度，陀螺仪的零偏就漂移了0.01度/秒。你想想看，如果飞行器在户外飞行，温度变化十几度，那误差积累起来有多可怕。
零偏稳定性的单位通常是 °/h（度每小时）或 mg（毫重力加速度）。数值越小越好。比如：
| 传感器等级 | 陀螺仪零偏稳定性 | 加速度计零偏稳定性 |
|---|---|---|
| 消费级（手机用） | 10 ~ 100 °/h | 10 ~ 50 mg |
| 工业级 | 1 ~ 10 °/h | 1 ~ 10 mg |
| 战术级 | 0.1 ~ 1 °/h | 0.1 ~ 1 mg |
| 导航级 | < 0.01 °/h | < 0.01 mg |
4.4 标度因数误差——你的传感器“刻度”不准
标度因数，就是输入和输出之间的比例关系。比如陀螺仪，输入100°/s的角速度，输出应该是某个电压值或数字量。如果这个比例关系有偏差，就是标度因数误差。
举个例子：你给陀螺仪输入100°/s，它输出对应的数值。但实际计算时，你用的是理想的比例系数。结果算出来的角速度可能是98°/s或102°/s。这就是标度因数误差在作怪。
标度因数误差通常用ppm（百万分之一）或百分比表示。我见过最夸张的一次，一个廉价IMU的标度因数误差达到了5%。也就是说，你转一圈360度，它算出来可能只有342度。这种误差在姿态估计中会直接导致角度积分发散。
标定方法其实不复杂：
- 陀螺仪：放在转台上，给一个已知角速度，记录输出，拟合出真实比例系数。
- 加速度计：利用重力加速度，分别让每个轴朝上、朝下，记录输出，计算比例系数。
4.5 安装误差——三个轴“歪了”
理想情况下，IMU的三个轴应该是互相垂直的。但实际制造中，不可能做到绝对垂直。这个偏差就是安装误差。
安装误差的影响有多大？我举个例子：
假设X轴和Y轴之间有1度的安装误差。当载体绕X轴旋转时，Y轴会“看到”一个微小的角速度分量。这个分量在卡尔曼滤波里会被当成真实的运动，导致姿态估计出现偏差。
安装误差的补偿通常需要做六位置标定或多位置标定。说白了，就是把IMU放在已知姿态的位置上，记录数据，然后反算出三个轴之间的夹角偏差。
4.6 把这些误差放进卡尔曼滤波
好了，现在我们知道传感器有这么多“毛病”。那在卡尔曼滤波里怎么处理？
答案是：把误差建模成状态变量。
比如，在姿态估计的卡尔曼滤波中，状态向量通常包含：
- 姿态角（四元数或欧拉角）
- 陀螺仪零偏
- 加速度计零偏（可选）
这样，滤波器在估计姿态的同时，也在实时估计传感器的零偏。这就是所谓的“在线标定”。
我曾经在一个无人机项目里，把陀螺仪零偏作为状态量加入滤波器。结果发现，起飞后前30秒，零偏估计值从初始的0.1°/s逐渐收敛到0.02°/s。之后姿态精度明显提升。嗯，这就是卡尔曼滤波的魅力——它不仅能滤波，还能帮你“学习”传感器的特性。
最后说一句：理解传感器噪声，是设计好卡尔曼滤波的前提。你花在噪声分析上的时间，会在后续的滤波调试中十倍百倍地回报你。