📚 课程目录第3章惯性导航基础（二）

3. 惯性导航基础（二）

各位同学，欢迎来到惯性导航的第二讲。上一节我们聊了聊惯性导航的基本概念和坐标系。今天，我们要深入IMU的内部，看看它到底是怎么工作的，以及它为什么会有误差。

说实话，IMU这东西，看着简单，用起来全是坑。我刚开始做融合定位那会儿，拿到一个IMU数据就直接往算法里灌，结果定位结果飘得亲妈都不认识。后来才明白，不把IMU的“脾气”摸透，融合定位就是空中楼阁。

好，我们正式开始。

3.1 IMU测量模型

IMU输出的，说白了就是两个东西：加速度和角速度。但这两个值，并不是理想值，而是被各种误差污染过的。

我们先看加速度计的测量模型。一个三轴加速度计，它的输出可以写成这样：

a_m = a_t + b_a + s_a * a_t + n_a

这里：

a_m 是测量值，也就是你从芯片读出来的数。
a_t 是真实值，你想知道的那个。
b_a 是零偏（bias），一个缓慢变化的量。
s_a 是比例因子误差（scale factor），说白了就是放大或缩小的倍数不准。
n_a 是随机噪声，白噪声为主。

陀螺仪的模型也类似：

ω_m = ω_t + b_g + s_g * ω_t + n_g

符号含义跟上面一一对应。你想想看，如果这些误差项不处理，积分出来的姿态和位置，那误差会像滚雪球一样，越来越大。

核心要点：IMU的测量模型，本质上就是“真实值 + 确定性误差 + 随机误差”。我们做算法，就是要从测量值中，尽可能地把真实值“捞”出来。

3.2 加速度计与陀螺仪原理

搞懂原理，你才能理解误差的来源。我建议你至少要知道它们是怎么工作的，哪怕只是概念层面。

3.2.1 加速度计原理

最常见的MEMS加速度计，用的是电容式原理。内部有一个微小的质量块，被弹簧悬挂着。当有加速度时，质量块会移动，导致电容变化。通过测量电容，就能反推出加速度。

嗯，这里要注意：加速度计测量的是“比力”，不是重力。它测的是物体受到的惯性力与重力的合力。所以，当加速度计静止放在桌面上时，它测到的是1g的重力加速度，而不是0。

我在项目中遇到过一个问题：有人把加速度计竖直安装，结果静态时Z轴输出是0，他以为坏了。其实不是，那是因为重力被X或Y轴分担了。所以，安装方向一定要搞清楚。

3.2.2 陀螺仪原理

MEMS陀螺仪的原理稍微复杂一点，用的是科里奥利效应。简单说，就是一个振动的质量块，当它旋转时，会受到一个垂直于振动方向的力，这个力的大小与角速度成正比。

你想想看，这个力非常微弱，所以陀螺仪对温度、振动都很敏感。这也是为什么陀螺仪的零偏稳定性通常比加速度计差的原因。

个人经验：选型时，我一般会先看陀螺仪的零偏稳定性指标。如果这个值太大，后面做零偏估计会非常痛苦。

3.3 误差模型与Allan方差分析

好，原理讲完了，我们来看看怎么分析误差。这是我最想跟你分享的部分。

IMU的误差，可以分为两类：确定性误差和随机误差。

确定性误差：包括零偏、比例因子、安装误差、交叉耦合等。这些可以通过标定来补偿。
随机误差：包括白噪声、随机游走、零偏不稳定性等。这些需要用随机模型来描述。

怎么分析随机误差？最经典的工具就是Allan方差。

3.3.1 什么是Allan方差？

Allan方差，说白了就是一种时域分析方法。它通过计算不同时间尺度上的方差，来揭示噪声的组成。

具体做法是：

采集一段长时间的静态数据（比如1小时以上）。
将数据按不同的时间长度（τ）分段。
计算每段数据的平均值，然后求相邻段平均值的差的方差。

这个方差就是Allan方差。它跟τ的关系，可以画成一条曲线。不同的噪声类型，在曲线上有不同的斜率。

3.3.2 如何解读Allan方差曲线？

我直接给你一个典型的曲线解读方法：

噪声类型	Allan方差斜率	物理意义
量化噪声	-1	ADC分辨率不够
角度/速度随机游走	-1/2	白噪声积分的结果
零偏不稳定性	0	曲线的最低点，代表零偏稳定性
角速率/加速度随机游走	+1/2	低频漂移
速率斜坡	+1	温度引起的线性漂移

我曾经用Allan方差分析过一个国产IMU，发现它的零偏不稳定性指标标称是10°/h，但实际曲线最低点对应的值却是15°/h。嗯，这就是典型的参数虚标。所以，拿到IMU后，我建议你自己跑一遍Allan方差分析，心里才有底。

3.3.3 代码实现

下面是一个简单的Allan方差计算代码，用Python写的。你可以直接拿去用。

import numpy as np
import matplotlib.pyplot as plt

def allan_variance(data, max_tau):
    """
    计算Allan方差
    :param data: 一维数组，静态IMU数据
    :param max_tau: 最大时间尺度（点数）
    :return: tau列表, allan方差列表
    """
    n = len(data)
    taus = []
    allan_vars = []
    
    for tau in range(1, max_tau + 1):
        # 分段
        m = n // tau
        if m < 2:
            break
        # 计算每段均值
        means = np.mean(data[:m*tau].reshape(m, tau), axis=1)
        # 计算相邻均值的差
        diff = np.diff(means)
        # 计算Allan方差
        var = 0.5 * np.mean(diff**2)
        taus.append(tau)
        allan_vars.append(var)
    
    return np.array(taus), np.array(allan_vars)

# 使用示例
# 假设 gyro_data 是你的陀螺仪静态数据
# taus, avars = allan_variance(gyro_data, 1000)
# plt.loglog(taus, np.sqrt(avars))
# plt.xlabel('Tau (samples)')
# plt.ylabel('Allan Deviation')
# plt.grid(True)
# plt.show()

避坑指南：我曾经犯过一个错误，就是采集数据时间不够长。Allan方差分析需要足够长的数据才能看到低频噪声的特征。一般来说，至少需要采集1小时以上的数据。如果只采集几分钟，你只能看到白噪声部分，零偏不稳定性根本看不出来。

3.4 本章知识体系

为了让你更直观地理解本章的内容，我画了一张图，把核心逻辑串起来。

这张图把本章的核心内容串起来了。从IMU测量模型出发，理解加速度计和陀螺仪的原理，然后分析误差模型，最后用Allan方差来量化随机误差。每一步都是环环相扣的。

好，今天就到这里。记住，IMU的误差分析是融合定位的基石。这块搞不明白，后面做卡尔曼滤波、做松紧耦合，都会很吃力。建议你找个IMU，自己跑一遍Allan方差分析，感受一下。