4、加速度计校准实践：数据采集流程设计、Python实现最小二乘参数估计、校准结果验证方法、温漂补偿策略
好，咱们直接进入正题。加速度计校准这件事，说白了就是让传感器说人话。你从芯片读出来的原始数据，跟真实的物理加速度之间，隔着一层误差。这层误差怎么去掉？就是今天要聊的。
4.1 数据采集流程设计
数据采集是校准的第一步，也是最容易翻车的一步。我见过不少工程师，算法写得飞起，结果数据采得稀烂，最后校准出来还不如不校。
核心原则：让加速度计在已知姿态下静止，记录数据。
具体怎么做？我个人习惯用六位置法。就是把传感器分别朝上、朝下、朝左、朝右、朝前、朝后，每个位置静止采集个几十秒。
六位置法采集步骤：
- 将IMU水平放置，Z轴朝上（感受重力+g），采集30秒
- 翻转180度，Z轴朝下（感受重力-g），采集30秒
- 将IMU侧立，X轴朝上，采集30秒
- 翻转180度，X轴朝下，采集30秒
- 将IMU侧立，Y轴朝上，采集30秒
- 翻转180度，Y轴朝下，采集30秒
这里有个坑，我曾经吃过亏——采集时一定要保证IMU完全静止。你手抖一下，数据就废了。建议用夹具固定，或者至少把IMU放在水平桌面上。
小技巧：每个位置采集前，先等个2-3秒，让传感器稳定下来。别一放上去就开始采，那会儿数据还在震荡。
4.2 Python实现最小二乘参数估计
数据采完了，接下来就是数学活了。加速度计的误差模型，说白了就是一个线性模型：
a_measured = S * a_true + b + noise其中S是比例因子矩阵，b是零偏。我们想求的就是S和b。
最小二乘法怎么用？你想想看，我们已知每个位置的理论加速度（比如Z轴朝上时，理论值是[0, 0, g]），又测到了实际值。这不就是解一个超定方程组吗？
直接上代码：
import numpy as np
def calibrate_accel(measured_data, reference_data):
"""
加速度计最小二乘校准
measured_data: 测量值，形状 (n, 3)
reference_data: 参考值，形状 (n, 3)
"""
n = measured_data.shape[0]
# 构造矩阵 A 和向量 b
A = np.zeros((3*n, 7))
b = np.zeros(3*n)
for i in range(n):
mx, my, mz = measured_data[i]
rx, ry, rz = reference_data[i]
# 第 i 个测量点的 X 轴方程
A[3*i, 0] = mx
A[3*i, 1] = my
A[3*i, 2] = mz
A[3*i, 3] = 1
b[3*i] = rx
# Y 轴方程
A[3*i+1, 0] = 0
A[3*i+1, 1] = mx
A[3*i+1, 2] = 0
A[3*i+1, 3] = 0
A[3*i+1, 4] = my
A[3*i+1, 5] = mz
A[3*i+1, 6] = 1
b[3*i+1] = ry
# Z 轴方程
A[3*i+2, 0] = 0
A[3*i+2, 1] = 0
A[3*i+2, 2] = mx
A[3*i+2, 3] = 0
A[3*i+2, 4] = 0
A[3*i+2, 5] = my
A[3*i+2, 6] = 1
b[3*i+2] = rz
# 最小二乘求解
x, residuals, rank, s = np.linalg.lstsq(A, b, rcond=None)
# 提取参数
Sxx, Sxy, Sxz, bx = x[0], x[1], x[2], x[3]
Syx, Syy, Syz, by = 0, x[4], 0, x[5]
Szx, Szy, Szz, bz = 0, 0, x[6], x[7]
S = np.array([[Sxx, Sxy, Sxz],
[Syx, Syy, Syz],
[Szx, Szy, Szz]])
b = np.array([bx, by, bz])
return S, b
# 使用示例
# S, b = calibrate_accel(measured, reference)
# 校准后的数据：a_calibrated = np.linalg.inv(S) @ (a_raw - b)嗯，这里要注意一点。我刚开始做的时候，直接把所有参数都放开去拟合，结果发现矩阵奇异。后来才意识到，加速度计的交叉轴耦合其实很小，没必要全放开。一般只拟合对角线比例因子和零偏就够了。
4.3 校准结果验证方法
参数算出来了，怎么知道校得好不好？不能光看残差小就觉得万事大吉。
我常用的验证方法有三个：
- 模长检验法：静止时，加速度计输出的模长应该等于g。把校准后的数据算一下模长，看看是不是稳定在9.8左右。
- 重复性检验：同一个位置，多采几次数据，看看校准后的结果是否一致。
- 角度检验：把IMU转个已知角度，看看校准后的输出跟理论值差多少。
验证代码示例：
def validate_calibration(raw_data, S, b, g=9.8):
# 校准
calibrated = np.linalg.inv(S) @ (raw_data - b).T
calibrated = calibrated.T
# 计算模长
norm = np.linalg.norm(calibrated, axis=1)
# 统计
mean_norm = np.mean(norm)
std_norm = np.std(norm)
error = np.abs(mean_norm - g)
print(f"平均模长: {mean_norm:.4f} m/s²")
print(f"模长标准差: {std_norm:.4f} m/s²")
print(f"与g的偏差: {error:.4f} m/s²")
if error < 0.05:
print("校准效果良好")
else:
print("校准效果一般，建议检查数据")
return mean_norm, std_norm, error我记得有一次，模长检验通过了，但角度检验一塌糊涂。后来发现是数据采集时IMU没放正，参考值给错了。所以说，验证不能只做一项。
4.4 温漂补偿策略
温度漂移是加速度计校准里最头疼的问题。你室温下校得好好的，拿到户外一用，数据又飘了。
为什么会这样？因为MEMS传感器的零偏和比例因子都跟温度有关。说白了，就是温度变了，误差模型也跟着变。
温漂补偿的常见做法有两种：
| 方法 | 原理 | 适用场景 |
|---|---|---|
| 查表法 | 在不同温度下标定，建立温度-参数查找表 | 温度变化范围大，精度要求高 |
| 多项式拟合 | 用多项式拟合零偏随温度的变化曲线 | 温度变化规律明显，计算资源有限 |
我个人更推荐查表法，虽然前期工作量大了点，但效果最稳定。具体做法是：
- 把IMU放进温箱，从-40°C到85°C，每10°C一个点
- 每个温度点做一次六位置法校准
- 记录每个温度下的零偏和比例因子
- 运行时根据当前温度，插值查表得到补偿参数
注意：温箱实验一定要给足稳定时间。我曾经为了赶进度，温度到了就立刻采数据，结果数据全是乱的。每个温度点至少稳定15分钟再开始采集。
如果你没有温箱条件，也可以用一种简化方法——只补偿零偏的温度漂移。因为实际应用中，零偏受温度影响最大，比例因子的变化相对较小。你可以让IMU自然升温（比如从冷启动到稳定工作），记录温度变化过程中的零偏变化，然后拟合一条曲线。
嗯，关于加速度计校准，今天就聊这么多。下一章咱们讲陀螺仪的校准，那又是另一番天地了。