传感器特性与误差模型：IMU、GPS、摄像头、激光雷达

做传感器融合这些年，我最大的体会就是：不了解传感器的脾气，融合就是瞎搞。每个传感器都有自己的性格——有的爱飘，有的爱抖，有的时好时坏。你得摸透它们，才能让它们好好配合。

这一章，咱们就聊聊四种最常见的传感器：IMU、GPS、摄像头、激光雷达。我会结合自己的项目经验，把它们的特性、误差来源和建模方法讲清楚。

IMU：又爱又恨的“惯性导航”

IMU（惯性测量单元）是我用得最多的传感器。它包含加速度计和陀螺仪，能测出物体的加速度和角速度。说白了，就是靠“积分”来推算位置和姿态。

优点很明显：

• 完全自主，不依赖外部信号
• 更新频率高（100Hz-1000Hz）
• 短时间精度不错

缺点也很致命：

• 误差会随时间累积（漂移）
• 对温度敏感
• 低频噪声大

误差建模方法：

我习惯用Allan方差来分析IMU噪声特性。它能帮你区分出量化噪声、角度随机游走、零偏不稳定性、速率随机游走等不同成分。

// 简化的IMU误差模型（C语言风格）
typedef struct {
    float bias_acc[3];      // 加速度计零偏
    float bias_gyro[3];     // 陀螺仪零偏
    float scale_acc[3];     // 加速度计尺度因子
    float scale_gyro[3];    // 陀螺仪尺度因子
    float noise_acc[3];     // 加速度计噪声标准差
    float noise_gyro[3];    // 陀螺仪噪声标准差
} ImuErrorModel;

// 应用误差模型
void applyImuError(float acc_raw[3], float gyro_raw[3], 
                   ImuErrorModel *model, float acc_out[3], float gyro_out[3]) {
    for (int i = 0; i < 3; i++) {
        // 减去零偏，补偿尺度因子
        acc_out[i] = (acc_raw[i] - model->bias_acc[i]) * (1.0f + model->scale_acc[i]);
        gyro_out[i] = (gyro_raw[i] - model->bias_gyro[i]) * (1.0f + model->scale_gyro[i]);
        // 加上高斯噪声（实际项目中用随机数生成）
        acc_out[i] += gaussian_random() * model->noise_acc[i];
        gyro_out[i] += gaussian_random() * model->noise_gyro[i];
    }
}

GPS：精度看环境，别太信它

GPS（全球定位系统）是室外定位的主力。它靠卫星信号测距，精度受环境影响很大。

特性一览：

• 定位，无累积误差
• 更新频率低（1Hz-10Hz）
• 开阔环境下精度2-5米（单点定位）
• 城市峡谷、隧道内信号差

误差来源：

误差类型	典型大小	说明
电离层延迟	2-5米	白天比晚上严重，太阳活动期更糟
对流层延迟	0.5-1米	与温度、湿度、气压有关
卫星钟差	1-2米	卫星自身时钟偏差
多径效应	1-10米	高楼反射信号，最头疼的问题
接收机噪声	0.5-1米	硬件本身的热噪声

误差建模：

我一般用高斯分布来近似GPS噪声，但要注意——实际GPS误差不是高斯分布。多径效应会导致长尾分布，用卡尔曼滤波时得小心。

// GPS误差模型（简化版）
typedef struct {
    double lat;          // 纬度（度）
    double lon;          // 经度（度）
    float hdop;          // 水平精度因子
    float vdop;          // 垂直精度因子
    float std_horiz;     // 水平标准差（米）
    float std_vert;      // 垂直标准差（米）
} GpsMeasurement;

// 根据HDOP计算标准差
void computeGpsStd(GpsMeasurement *gps) {
    // 经验公式：单点定位时，UERE（用户等效距离误差）约2.5米
    float uere = 2.5f;  
    gps->std_horiz = uere * gps->hdop;
    gps->std_vert = uere * gps->vdop;
}

摄像头：信息丰富，但别被它骗了

摄像头是视觉传感器，能提供最丰富的环境信息。但它的误差模型比IMU和GPS复杂得多。

特性：

• 高分辨率，细节丰富
• 受光照影响大（逆光、暗光、反光）
• 单目无法直接测距
• 计算量大

误差来源：

• 内参误差：焦距、主点、畸变参数不准。标定不好，后面全白搭。
• 外参误差：摄像头安装位置和角度偏差。我见过因为摄像头松动导致融合结果飘移的案例。
• 特征匹配误差：图像特征点匹配错误。纹理少的地方尤其严重。
• 运动模糊：快速运动时图像模糊，特征提取精度下降。

误差建模：

摄像头误差很难用简单模型描述。我通常用重投影误差来评估——把3D点投影到图像上，看和实际像素位置的偏差。

// 摄像头投影模型（针孔模型）
void projectPoint(float X, float Y, float Z, 
                  float fx, float fy, float cx, float cy,
                  float *u, float *v) {
    // 归一化坐标
    float x = X / Z;
    float y = Y / Z;
    // 像素坐标
    *u = fx * x + cx;
    *v = fy * y + cy;
}

// 重投影误差计算
float computeReprojectionError(float X, float Y, float Z,
                               float u_obs, float v_obs,
                               float fx, float fy, float cx, float cy) {
    float u_proj, v_proj;
    projectPoint(X, Y, Z, fx, fy, cx, cy, &u_proj, &v_proj);
    float du = u_obs - u_proj;
    float dv = v_obs - v_proj;
    return sqrtf(du*du + dv*dv);
}

激光雷达：精度高，但别太依赖

激光雷达（LiDAR）是自动驾驶的“眼睛”。它直接测量距离，精度高，但也不是万能的。

特性：

• 直接测距，精度厘米级
• 不受光照影响
• 点云稀疏（相对摄像头）
• 价格贵，功耗高

误差来源：

• 测距误差：激光飞行时间测量不准。典型值±2cm。
• 角度误差：扫描电机角度偏差。16线激光雷达的垂直角度误差可达0.1°。
• 反射率影响：黑色物体吸收激光，测距变差。我遇到过黑色轮胎测距误差超过10cm。
• 多回波：激光穿过玻璃或雨滴时产生多个回波。

误差建模：

激光雷达的测距误差通常用高斯模型，但角度误差得用系统误差模型。

// 激光雷达点误差模型
typedef struct {
    float range;         // 测距值（米）
    float azimuth;       // 水平角（弧度）
    float elevation;     // 垂直角（弧度）
    float intensity;     // 反射强度
    float range_std;     // 测距标准差（米）
    float angle_std;     // 角度标准差（弧度）
} LidarPoint;

// 添加误差到点云
void addLidarNoise(LidarPoint *pt) {
    // 测距噪声（高斯）
    pt->range += gaussian_random() * pt->range_std;
    // 角度噪声（高斯）
    pt->azimuth += gaussian_random() * pt->angle_std;
    pt->elevation += gaussian_random() * pt->angle_std;
}

四种传感器对比总结

做个表格，一目了然：

传感器	优点	缺点	典型误差	适用场景
IMU	自主、高频	漂移、累积误差	零偏0.1-1°/s	短时定位、姿态估计
GPS	定位、无漂移	低频、受环境影响大	2-10米	室外导航、全局定位
摄像头	信息丰富、成本低	光照敏感、计算量大	1-3像素（重投影）	视觉SLAM、目标检测
激光雷达	精度高、不受光照	稀疏、价格高	1-5cm	高精度建图、避障

知识体系结构图

下面这张图，是我自己梳理的传感器误差模型知识框架。你看一眼，心里就有数了。

嗯，这张图把整个知识脉络串起来了。从传感器特性到误差来源，再到建模方法和融合策略，每一步都环环相扣。

做传感器融合，说白了就是跟误差打交道。你越了解每个传感器的“脾气”，就越能设计出鲁棒的融合算法。我在项目中吃过不少亏，也积累了一些经验，上面这些内容都是实战中总结出来的。

记住一句话：没有完美的传感器，只有好的融合算法。