📚 课程目录第4章 IMU传感器原理

4. IMU传感器原理

各位同学，欢迎来到状态估计的基础章节。说实话，这部分内容看起来像是数学课，但它是整个传感器融合的“内功心法”。我在做第一个多传感器融合项目时，就是因为没吃透这些基础，结果数据融合出来全是噪声，定位轨迹像喝醉了酒。从那以后，我养成了一个习惯：任何融合算法，先问自己一句——它的概率模型是什么？

这一章，我们就把这些“内功”捋一遍。别怕，我会用项目里的实际例子帮你理解。

传感器数据天生带噪声。你测一个距离，10次有10个不同的值。那真实值到底是多少？

概率论就是用来描述这种“不确定性”的数学工具。说白了，我们不是在求一个确定的值，而是在求一个概率分布——真实值最可能落在哪里。

这两个公式是贝叶斯滤波的基石。我建议你记牢它们，因为后面几乎每天都在用。

我的经验： 在激光雷达和毫米波雷达融合时，条件概率用来表达“如果目标真实存在，雷达检测到它的概率”。这个值直接影响你最终是否相信这个观测。

两个传感器如果互相独立，它们的联合概率就是各自概率的乘积。但现实中，很多传感器是相关的——比如GPS和IMU，它们都受温度影响。这时候就要用协方差来描述这种相关性。

协方差矩阵是卡尔曼滤波里的核心参数。我见过不少新手直接把协方差矩阵设成对角阵（假设所有变量独立），结果融合效果很差。嗯，这里要注意：实际系统中，状态变量之间几乎总是相关的。

高斯分布，也叫正态分布，是传感器建模中最常用的分布。为什么？因为中心极限定理告诉我们：大量独立随机变量的和，趋近于高斯分布。传感器噪声恰好符合这个条件。

高斯分布有两个参数：均值 μ 和方差 σ²。均值是“最可能的值”，方差是“不确定度”。

核心公式：

p(x) = (1 / √(2πσ²)) * exp(-(x - μ)² / (2σ²))

在多维情况下，变成多元高斯分布：

p(x) = (1 / √((2π)^k |Σ|)) * exp(-0.5 * (x - μ)^T Σ^{-1} (x - μ))

其中 Σ 是协方差矩阵，|Σ| 是它的行列式。

线性变换后仍是高斯分布：如果 x ~ N(μ, Σ)，那么 y = Ax + b ~ N(Aμ + b, AΣA^T)。这个性质是卡尔曼滤波能解析求解的关键。
条件分布和边缘分布也是高斯分布：这意味着你可以从联合高斯分布中，轻松提取出某个子集的条件分布。我在做视觉SLAM时，经常用这个性质来“边缘化”掉路标点，只保留相机位姿。

避坑指南： 我曾经在项目中直接用高斯分布建模IMU的零偏，结果发现实际数据有长尾效应（重尾分布）。后来改用学生t分布才解决问题。记住：高斯分布不是万能的，但它是最简单的起点。

贝叶斯滤波是所有递归状态估计方法（卡尔曼滤波、粒子滤波等）的底层框架。它的核心思想很简单：用先验知识 + 当前观测 = 后验估计。

公式长这样：

P(x_k | z_{1:k}) = [P(z_k | x_k) * P(x_k | z_{1:k-1})] / P(z_k | z_{1:k-1})

翻译成人话：

贝叶斯滤波分两步：预测和更新。预测用运动模型，更新用观测模型。卡尔曼滤波就是在线性高斯假设下，对这两步的解析解。

我的习惯： 在设计任何融合算法前，我都会先画出贝叶斯滤波的框图，标清楚“预测步用什么模型”、“更新步用什么观测”。这个习惯帮我避免了很多逻辑混乱。

这两个概念经常被混淆。我简单说说它们的区别。

MLE的思想是：找一组参数，使得当前观测数据出现的概率最大。

公式：θ_MLE = argmax P(z | θ)

它只依赖观测数据，不依赖先验。在数据量足够大时，MLE是渐近无偏的。

举个例子：你测了10次距离，假设噪声是高斯分布，MLE给出的均值就是这10次测量的算术平均。

MAP的思想是：找一组参数，使得在给定观测下，参数的后验概率最大。

公式：θ_MAP = argmax P(θ | z) = argmax P(z | θ) * P(θ)

它结合了似然和先验。当先验是均匀分布时，MAP退化为MLE。

我在做GPS/IMU融合时，IMU的零偏先验通常来自出厂标定。这个先验信息在MAP框架下可以自然地融入估计过程，让零偏估计更稳定。

避坑指南： 我曾经在标定IMU加速度计时，直接用MLE估计零偏，结果因为数据量不够大，估计值漂移严重。后来改用MAP，加上出厂标定的先验，结果稳定多了。所以，当你的先验信息可靠时，别犹豫，用MAP。

下面这张图，把本章的核心概念串起来了。你可以把它当作一个“思维导图”，随时回来对照。

这张图里，从上到下是一个递进关系。概率论是语言，高斯分布是工具，贝叶斯滤波是框架，MLE/MAP是求解方法。你想想看，卡尔曼滤波、粒子滤波、甚至深度学习里的变分推断，都能在这个框架里找到位置。