第2章：传感器误差模型——确定性误差与随机误差的数学建模

做传感器融合这些年，我最大的体会就是：不懂误差模型，就别谈融合。你想想看，传感器本身就不是完美的。它输出的数据，说白了就是「真实值 + 一堆乱七八糟的误差」。如果你连这些误差长什么样、怎么建模都不知道，那后面的卡尔曼滤波、互补滤波全都是空中楼阁。

这一章，我们就来把传感器误差这件事彻底讲清楚。我会分成两大块：确定性误差和随机误差。前者是可以校准掉的，后者是随机过程，需要用统计方法处理。

2.1 确定性误差：能校准的，都不是问题

确定性误差，说白了就是「有规律的偏差」。它不会随机跳变，每次开机基本都一样。所以，只要你知道它长什么样，就能把它干掉。我在做IMU标定时，第一步永远是先把确定性误差抠干净。

2.1.1 零偏（Bias）

零偏是最直观的误差。传感器静止时，输出应该为零，但它偏不。比如加速度计平放时，Z轴输出不是9.8 m/s²，而是9.85 m/s²。这多出来的0.05，就是零偏。

数学上，零偏模型很简单：

y_measured = y_true + b + noise

其中 b 就是零偏。我习惯用 Allan方差法 来估计零偏的稳定性。记得有一次，一个陀螺仪刚上电时零偏是0.01°/s，运行半小时后漂到了0.05°/s。嗯，这就是零偏随温度变化了，后面得加温度补偿。

2.1.2 尺度因子（Scale Factor）

尺度因子，就是「增益误差」。传感器输出的变化量，和真实变化量不成正比。比如你转90°，陀螺仪输出显示95°。这个1.0556的比例偏差，就是尺度因子误差。

模型长这样：

y_measured = (1 + s) * y_true + b + noise

s 就是尺度因子误差，通常用ppm（百万分之一）或百分比表示。我曾经调试过一个MEMS加速度计，尺度因子误差达到了2%。这意味着测10m/s²时，误差就有0.2m/s²——对于导航来说，这已经很大了。

2.1.3 轴偏差（Misalignment）

轴偏差，就是传感器的三个轴没有严格正交。你想想看，MEMS芯片封装时，X轴和Y轴不可能完美垂直90°，总会有个零点几度的偏差。这个偏差在旋转时会耦合到其他轴上。

完整的确定性误差模型，其实是这样的矩阵形式：

y_measured = M * S * (y_true + b) + noise

其中：

• M 是轴偏差矩阵（3×3，非对角元素表示轴间耦合）
• S 是尺度因子矩阵（对角矩阵）
• b 是零偏向量

我习惯把这三个合起来，做一个六位置标定法。具体做法是：把传感器分别朝六个方向（±X, ±Y, ±Z）静止放置，采集数据，然后解算出M、S、b。这个方法在工业界非常成熟，我几乎每个项目都会用。

2.2 随机误差：这才是真正的挑战

校准完确定性误差后，你以为数据就干净了？太天真了。剩下的随机误差，才是融合滤波要对付的真正敌人。随机误差无法被「校准掉」，只能用统计模型来描述，然后用滤波器去估计和抑制。

2.2.1 白噪声（White Noise）

白噪声是最基础的随机误差。它的特点是：每个时刻的噪声值相互独立，服从高斯分布。数学上，我们用功率谱密度（PSD）来描述它。

模型：

w(t) ~ N(0, σ²)
E[w(t) * w(τ)] = σ² * δ(t - τ)

说白了，白噪声的均值是0，方差是σ²，不同时刻之间没有相关性。在IMU中，白噪声通常来自电子热噪声和量化噪声。

我个人习惯用 角度随机游走（ARW） 或 速度随机游走（VRW） 来量化白噪声。比如一个陀螺仪的ARW是0.01°/√h，意思是积分1小时后，角度误差的均方根是0.01°。

2.2.2 随机游走（Random Walk）

随机游走，就是白噪声的积分。你想想看，如果陀螺仪的输出有白噪声，那积分后的角度就会像醉汉走路一样，越漂越远。这就是随机游走。

数学上，随机游走是一个维纳过程：

x(k+1) = x(k) + w(k)
其中 w(k) ~ N(0, σ²)

随机游走的方差随时间线性增长：

Var[x(t)] = σ² * t

这就是为什么纯惯性导航会发散——因为随机游走导致误差随时间累积。我在做无人机导航时，纯惯导撑不过30秒，位置误差就超过10米了。

2.2.3 闪烁噪声（Flicker Noise / 1/f Noise）

闪烁噪声，也叫1/f噪声，是低频段的「幽灵」。它的功率谱密度与频率成反比：

S(f) ∝ 1/f

频率越低，噪声越大。这意味着，你采集时间越长，闪烁噪声的影响越明显。在MEMS传感器中，闪烁噪声主要来自半导体材料的载流子捕获和释放过程。

闪烁噪声的建模比较麻烦，因为它既不是白噪声，也不是随机游走。我常用的方法是：

• 用 Allan方差 来识别闪烁噪声（曲线上斜率为0的区域）
• 用 一阶马尔可夫过程 来近似建模

一阶马尔可夫模型：

x(k+1) = α * x(k) + w(k)
其中 α = exp(-Δt / τ)

τ是相关时间常数。当τ很大时，它接近随机游走；当τ很小时，它接近白噪声。闪烁噪声就介于两者之间。

2.3 完整的误差模型：把一切串起来

好了，现在我们把确定性误差和随机误差合在一起，得到一个完整的传感器输出模型：

y_measured = M * S * (y_true + b) + n_white + n_walk + n_flicker

其中：

• M, S, b：确定性误差（可校准）
• n_white：白噪声（高斯分布，无相关性）
• n_walk：随机游走（白噪声的积分）
• n_flicker：闪烁噪声（1/f噪声，用马尔可夫近似）

在实际工程中，我一般这样处理：

1. 第一步：标定确定性误差。用六位置法或转台标定，把M、S、b求出来，然后补偿掉。
2. 第二步：分析随机误差。采集静态数据，做Allan方差分析，识别出白噪声、随机游走、闪烁噪声的系数。
3. 第三步：建立状态空间模型。把随机误差作为状态变量，融入到卡尔曼滤波器中。

嗯，这一章的内容就到这里。误差模型是传感器融合的基石，理解透了，后面的卡尔曼滤波、互补滤波才能用得顺手。下一章我们会深入Allan方差的具体计算方法，到时候我会手把手教你如何从原始数据中提取出这些误差参数。