3. 校准基础理论：校准的数学本质

做传感器融合这些年，我见过太多人把校准当成「玄学」——拿个磁力计转几圈，或者对着 IMU 晃一晃，就觉得完事了。其实校准没那么神秘，它的数学本质就是参数估计。说白了，就是根据一堆带噪声的观测数据，反推出传感器内部那些「隐藏」的误差参数。

你想想看，一个加速度计，理想情况下三轴输出应该是 0g、0g、1g（静止时）。但实际读出来呢？可能有偏置、有刻度误差、还有轴间非正交。这些未知数就是我们要估计的参数。校准，就是解这个方程。

3.1 最小二乘法原理

最小二乘法，我愿称之为「校准界的瑞士军刀」。它的思想特别朴素：让预测值和真实值的差的平方和最小。为什么是平方？不是绝对值？不是四次方？

我个人习惯从几何角度理解：平方和最小，等价于在欧几里得空间中找一条距离所有点最近的直线。而且平方误差对大的偏差惩罚更重——这在实际中很有用，因为传感器偶尔会蹦出个野值，平方项会让优化器自动「重视」这些大偏差。

数学上，最小二乘问题可以写成：

minimize:  Σ (y_i - ŷ_i)²

其中：
  y_i  = 第 i 个观测值（传感器读数）
  ŷ_i  = 第 i 个预测值（模型输出）
  Σ    = 对所有 N 个样本求和

我记得刚入行时，用最小二乘法校准一个三轴磁力计。当时数据量不大，直接手算伪逆矩阵就搞定了。后来数据量大了，才改用 QR 分解和 SVD。但核心思想没变——就是让残差平方和最小。

3.2 线性回归与非线性回归

校准模型分两种：线性的，和非线性的。区分标准很简单——看待估计参数是否以线性形式出现在模型中。

类型	模型形式	校准方法	典型场景
线性回归	y = a·x + b	闭式解（伪逆）	加速度计偏置与刻度
非线性回归	y = a·sin(b·x + c)	迭代优化（LM、G-N）	磁力计硬铁/软铁校准

线性回归的好处是——有解析解。你不需要猜初始值，不需要调迭代步长，直接一个矩阵乘法就出结果。我在项目中经常先用线性模型做个粗校准，再切换到非线性模型精调。

非线性回归就麻烦一些。比如磁力计的椭球拟合校准，模型是：

(x - x₀)² / a² + (y - y₀)² / b² + (z - z₀)² / c² = 1

这里有 9 个参数（3 个中心 + 3 个半轴 + 3 个旋转角），而且参数之间互相耦合。这时候就得用 Levenberg-Marquardt 算法迭代求解。我曾经踩过一个坑——初始值给得太离谱，算法直接发散，校准结果比不校准还差。

3.3 校准的评估指标

校准做完了，怎么知道好不好？不能光看拟合曲线「看起来挺顺眼」。我们需要量化指标。

3.3.1 残差（Residual）

残差就是每个点的预测误差：e_i = y_{i - ŷi。我习惯先画残差分布图——如果残差随机分布在零线附近，说明模型没问题。如果残差有明显的趋势（比如随着输入增大而增大），说明模型结构选错了。}

举个例子，校准一个温度传感器。如果残差在低温区全是正的、高温区全是负的，那说明你的线性模型不够用，得考虑二阶项。

3.3.2 均方根误差（RMSE）

RMSE 是最常用的综合指标：

RMSE = sqrt( (1/N) · Σ (y_i - ŷ_i)² )

它的单位跟原始数据一样，所以很好理解。比如加速度计校准后 RMSE = 0.02g，意思就是平均每个点的误差大约 0.02g。

我个人习惯把 RMSE 拆成三部分看：

• 偏差（Bias）：残差的均值。如果非零，说明校准有系统误差。
• 标准差（Std）：残差的标准差。反映随机噪声的大小。
• 最大误差（Max Error）：残差的最大绝对值。这个指标很关键——有些传感器 99% 的点都很好，但偶尔蹦出一个大误差，就会把定位直接带偏。

3.4 校准流程总览

说了这么多，咱们把整个校准流程串起来。下面这张图是我做项目时常用的校准框架：

这个流程我用了很多年。核心就一句话：先采集好数据，选对模型，用最小二乘估计参数，最后用 RMSE 和残差分布验证结果。如果评估不通过，别硬撑——回去检查数据质量，或者换个模型结构。