1. 课程导入

当你驾驶一辆搭载组合辅助驾驶的车辆驶入长隧道，卫星定位信号瞬间消失，中控屏上的车道级定位却仍能保持连续；当车辆以80 km/h通过连续弯道，车身姿态估计没有出现明显漂移；当冬季低温冷启动后，横摆角速度的零偏没有让车道保持功能产生画龙——这些体验背后，都离不开一颗车规级惯性测量单元（IMU）与一套可靠的惯性导航工程实现。本课程要解决的，正是从“传感器能出数”到“数据可信、误差可控、系统可交付”的完整工程链路。

一、学习目标：从器件到系统的四层能力

本课程不是单纯的传感器选型课，也不是纯算法推导课，而是面向量产落地的惯性工程课。学完后，你应当具备四层能力：

• 器件层：读懂车规IMU的数据手册，理解零偏、标度因数、噪声密度、带宽、温度特性等参数的真实含义与测试条件。
• 误差层：能建立确定性误差与随机误差模型，区分可标定项与不可标定项，理解Allan方差、随机游走、零偏不稳定度的工程用途。
• 算法层：掌握姿态解算、捷联惯导递推、组合导航滤波的基本结构，知道误差状态卡尔曼滤波为何适合车载场景。
• 工程层：能设计标定流程、温度补偿策略、在线估计方案，并针对隧道、地库、颠簸、高温等场景做验证与复盘。

二、核心概念：五个必须建立的心智模型

第一，惯性测量是相对测量。IMU输出的是角速度和比力，积分才能得到姿态、速度和位置，因此误差会随时间累积。第二，车规不等于消费级加外壳，它强调温度范围、振动可靠性、功能安全与批量一致性。第三，误差分为确定性误差与随机误差，前者可标定，后者只能建模与滤波。第四，惯导与卫星、轮速、视觉是互补关系，组合导航的本质是用外部观测约束惯性递推的发散。第五，标定与补偿是量产必修课，没有温度补偿的IMU在车规场景中几乎不可用。

三、方法流程：一条可复用的工程主线

面对一个车载定位项目，建议按以下主线推进，避免“先调滤波、后补标定”的常见倒序：

1. 需求分解：明确姿态精度、航向保持时间、隧道长度、温度范围与功能安全等级。
2. 器件选型：依据零偏不稳定度、角度随机游走、量程与带宽匹配场景。
3. 离线标定：完成零偏、标度因数、非正交误差与安装误差的转台或现场标定。
4. 温度建模：采集全温域数据，建立零偏与标度因数的温度补偿曲线。
5. 随机建模：用Allan方差提取噪声参数，作为滤波器Q矩阵输入。
6. 组合导航：构建误差状态卡尔曼滤波，融合GNSS、轮速与车辆约束。
7. 场景验证：在隧道、地库、颠簸、高低温条件下做回归测试与复盘。

典型车规IMU关键参数关注顺序：
1. 零偏不稳定度      → 决定长时间航向保持能力
2. 角度随机游走      → 决定姿态发散速度
3. 标度因数误差      → 决定大角速度下的比例误差
4. 全温零偏变化      → 决定冷启动与温变场景可用性
5. 带宽与延迟        → 决定动态响应与融合时序
6. 振动与冲击指标    → 决定整车寿命内可靠性

四、案例与场景：为什么隧道是试金石

以长隧道为例：车辆进入隧道后GNSS失锁，系统只能依赖IMU递推。若IMU零偏不稳定度为1°/h，航向误差在60秒内可能累积到约0.017°，看似很小；但若达到10°/h，60秒航向误差约0.17°，在100米行驶距离上横向位置误差可达约0.3米，足以影响车道级定位。更关键的是，隧道内温度、振动与车辆加减速会同时激励标度因数误差与安装误差，若未做温度补偿与在线估计，误差会进一步放大。

五、常见误区与复盘清单