4. IMU模型与标定
视觉惯性SLAM系统的精度上限，很大程度上取决于IMU（惯性测量单元）的建模精度与标定质量。IMU提供了高频的角速度与加速度测量，但原始数据中混杂着确定性误差与随机噪声。若不对其进行建模与补偿，融合定位系统将迅速发散。本章从IMU的物理测量原理出发，深入解析噪声与偏差的数学模型，并给出内参标定与相机-IMU外参标定的完整工程流程。
上图展示了IMU标定在视觉惯性SLAM系统中的核心位置：物理层的原始测量经过误差建模与参数补偿后，才能进入预积分与状态估计模块。下面我们逐层拆解。
4.1 IMU测量原理与误差来源
IMU通常包含三轴加速度计与三轴陀螺仪。加速度计测量的是比力（Specific Force），即物体所受非引力加速度之和，单位为 m/s²；陀螺仪测量的是相对于惯性系的角速度，单位为 rad/s。在VINS中，我们关心的是IMU坐标系（B系）相对于世界坐标系（W系）的运动。
理想测量模型为：
a_m = R_wb * (a_w - g_w) + b_a + n_a
ω_m = ω_wb + b_g + n_g其中，a_m、ω_m为原始测量值；R_wb为世界系到IMU系的旋转；a_w为世界系下的加速度；g_w为重力向量；b_a、b_g为加速度计与陀螺仪的零偏（Bias）；n_a、n_g为高斯白噪声。
实际传感器还存在确定性误差：尺度因子误差（Scale Factor）与轴间非正交误差（Misalignment）。这些误差在出厂时已部分校准，但温度变化、机械应力会导致残余误差，因此需要用户自行标定。
| 误差类型 | 来源 | 对SLAM的影响 | 标定方式 |
|---|---|---|---|
| 零偏（Bias） | MEMS制造工艺、温度漂移 | 导致位姿漂移，积分发散 | 静止放置求均值 |
| 尺度因子 | ADC量化、放大电路增益偏差 | 速度/位移估计偏大或偏小 | 六面法+最小二乘 |
| 轴间非正交 | 芯片贴装、封装应力 | 耦合误差，旋转时产生虚假加速度 | 多位置旋转标定 |
| 高斯白噪声 | 电子热噪声、采样量化 | 影响滤波精度，需用Allan方差分析 | Allan方差法 |
| 随机游走 | 零偏的积分累积 | 长期漂移，无法完全消除 | Allan方差法估计 |
核心原理：零偏是慢变误差，随机游走是零偏的随机波动。在VINS中，我们通常将零偏作为状态量在滑动窗口中在线估计，而随机游走则通过噪声协方差矩阵建模。
4.2 噪声与偏差的数学模型
IMU的随机误差通常用Allan方差（Allan Variance）来表征。Allan方差将不同时间尺度上的噪声源分离，典型曲线呈“V”形或“碗”形。通过拟合Allan方差曲线，可以提取出：
- 角度随机游走（ARW）：陀螺仪白噪声的积分效应，单位 °/√h。
- 速度随机游走（VRW）：加速度计白噪声的积分效应，单位 m/s/√h。
- 零偏不稳定性（Bias Instability）：Allan方差曲线的最低点，代表零偏的极限波动。
- 量化噪声：ADC采样分辨率限制。
在VINS的ESKF（误差状态卡尔曼滤波）或滑动窗口优化中，我们通常将IMU噪声建模为：
n_a ~ N(0, σ_a² I)
n_g ~ N(0, σ_g² I)
b_a_dot = n_ba ~ N(0, σ_ba² I)
b_g_dot = n_bg ~ N(0, σ_bg² I)其中，σ_a、σ_g为测量白噪声标准差；σ_ba、σ_bg为零偏随机游走标准差。这些参数直接影响预积分的协方差传播，进而影响优化权重。
工程经验：对于消费级IMU（如MPU6050、BMI160），σ_a 通常在 0.01~0.05 m/s²/√Hz，σ_g 在 0.001~0.005 rad/s/√Hz。工业级IMU（如ADIS16470）可低一个数量级。若参数设置过小，系统会过度信任IMU，导致视觉约束被忽略；设置过大则IMU约束失效。
4.3 IMU内参标定流程
内参标定的目标是确定加速度计与陀螺仪的零偏、尺度因子和轴间非正交矩阵。最常用的方法是六面静止法：将IMU分别以六个面朝上静止放置，记录加速度计输出。由于静止时比力等于重力向量，我们可以建立线性方程组求解。
具体操作流程如下：
- 将IMU固定在一个精密水平台上，确保每个面朝上时静止至少30秒。
- 记录每个位置的加速度计均值
a_i（i=1..6）。 - 构建误差模型：
a_m = T_a * K_a * (a_true + b_a)，其中T_a为非正交矩阵，K_a为尺度矩阵。 - 使用最小二乘法求解12个参数（3个零偏、3个尺度、6个轴偏角）。
- 陀螺仪标定需要转台提供已知角速度，或使用多位置旋转法。
对于没有转台的团队，可以使用多位置静态法：将IMU旋转到多个任意姿态，利用重力向量模长恒为g的约束，同样可以解算出加速度计内参。陀螺仪零偏则通过静止时输出均值直接估计。
风险提示：六面法对水平台精度要求极高，若台面倾斜超过0.1°，标定出的零偏误差将超过0.01 m/s²。建议使用气泡水平仪校准台面，并在每个位置采集更长时间（>60秒）以平滑噪声。
标定完成后，应验证残差：将标定参数代入，重新计算各位置的比力模长，与g的偏差应小于0.005 m/s²。若偏差过大，需检查数据采集质量或模型是否遗漏了温度项。
4.4 IMU与相机外参标定
外参标定是视觉惯性融合的关键步骤，即求解相机坐标系（C系）到IMU坐标系（B系）的变换矩阵 T_BC = [R_BC | t_BC]。外参误差会直接导致视觉与惯性约束不一致，严重时系统初始化失败。
常用的标定方法分为离线标定与在线标定两类：
| 方法 | 原理 | 优点 | 缺点 |
|---|---|---|---|
| Kalibr（离线） | 利用AprilTag标定板，联合优化相机内参、IMU内参、外参 | 精度高，可同时标定时间延迟 | 需要标定板，操作繁琐 |
| VINS初始化（在线） | 利用旋转约束估计R_BC，利用平移约束估计t_BC | 无需标定板，自动完成 | 需要充分激励，精度略低 |
| 手眼标定法 | 将相机-IMU视为手眼系统，求解AX=XB | 数学严谨，适合批量标定 | 需要高精度转台 |
在VINS-Fusion中，外参的在线估计被集成在初始化阶段。其核心思想是：在纯旋转运动下，视觉特征的对极约束与IMU陀螺仪的积分旋转应一致，从而可以线性求解 R_BC。平移 t_BC 则需要在有加速度激励时，通过视觉与IMU预积分的位置残差来估计。
实战场景：某移动机器人平台使用Realsense D435i（内置IMU），出厂外参精度不足。团队采用Kalibr标定，流程如下：
- 打印AprilTag标定板（8x6，方格0.2m），固定于墙面。
- 手持设备以缓慢旋转为主，辅以小幅平移，录制约2分钟bag包。
- 运行Kalibr，同时标定相机内参、IMU内参、外参及时间延迟。
- 标定结果：R_BC 的欧拉角误差 <0.1°，t_BC 误差 <2mm。
- 将标定结果写入VINS配置文件，初始化成功率从70%提升至95%。
需要注意的是，外参标定对运动激励有严格要求：旋转角速度应覆盖0.5~2 rad/s，避免纯平移或纯旋转。若运动过慢，陀螺仪噪声占比大；运动过快，则图像模糊导致视觉跟踪失败。
4.5 常见误区与总结复盘
在IMU标定与建模中，工程师常犯以下错误：
- 忽略温度影响：MEMS零偏随温度漂移可达±0.1 m/s²。若标定环境温度与工作环境差异大，应做温补或在线估计。
- 噪声参数设置随意：直接使用数据手册值，未考虑实际安装后的振动环境。建议用Allan方差实测。
- 外参标定运动不充分：只做平移或只做旋转，导致外参某轴不可观。
- 时间同步未处理：相机与IMU的时间戳偏差（通常1-5ms）会引入等效的旋转误差，需在标定中联合估计。
复盘建议：在VINS系统调试中，若初始化频繁失败，优先检查外参是否准确；若运行中位姿漂移大，优先检查噪声协方差是否过小。建议建立标定档案，记录每次标定的温度、运动轨迹、残差指标，便于回溯。
总结而言，IMU标定不是一次性任务，而是贯穿系统生命周期的持续工程。内参标定保证了测量值的准确性，外参标定保证了多传感器空间对齐，而噪声模型则决定了融合滤波器的信任分配。三者缺一不可，共同构成了VINS系统稳定运行的基石。