3、传感器数据异常排查（上）：GPS信号丢失与多路径效应。IMU零偏与温漂问题。轮速计打滑与标价误差。

各位同学，咱们今天聊点实在的。定位漂移，说白了就是车不知道自己到底在哪儿。我做了这么多年自动驾驶，遇到最多的坑，其实不是算法多复杂，而是传感器本身在“撒谎”。

你想想看，GPS、IMU、轮速计，这三个家伙是定位系统的“三驾马车”。任何一个出问题，定位结果就会像喝醉了一样。今天咱们就一个一个来扒皮，看看它们到底是怎么“搞鬼”的。

3.1 GPS信号丢失与多路径效应

GPS这东西，说白了就是靠天上的卫星给你报位置。但卫星信号很脆弱，稍微有点遮挡就完蛋。

信号丢失是最常见的问题。我遇到过最夸张的一次，车在高架桥下面走了不到200米，GPS直接跳了30米。为什么？卫星被桥挡住了，接收机只能抓到一两颗星，定位精度瞬间崩盘。

再说多路径效应。这个更隐蔽。信号从卫星发出来，本来应该直线到达接收机。但如果周围有高楼、玻璃幕墙，信号会反射。反射后的信号路径变长了，接收机算出来的位置就会偏。

我记得有一次在市中心测试，定位结果一直在左右摇摆，幅度大概2-3米。查了半天，发现是旁边一栋玻璃大厦搞的鬼。信号反射后，接收机同时收到了直达波和反射波，解算出来的位置就“晃”起来了。

3.2 IMU零偏与温漂问题

IMU这东西，说白了就是个“积分器”。它测量加速度和角速度，然后积分出位置和姿态。但积分有个致命问题——误差会累积。

零偏（Bias） 是IMU最头疼的问题。理论上，IMU静止时，输出的加速度应该是0，角速度也应该是0。但实际上，由于制造工艺和电路噪声，它总会输出一个很小的非零值。这个值就是零偏。

你想想看，如果零偏是0.01 m/s²，积分1秒，速度误差是0.01 m/s；积分10秒，速度误差变成0.1 m/s；积分100秒，位置误差就是5米！这就是为什么纯IMU定位撑不了多久。

积分时间	零偏 0.01 m/s² 导致的位置误差
1 秒	0.005 米
10 秒	0.5 米
100 秒	50 米

再看温漂。IMU对温度非常敏感。我做过一个实验：把IMU从25°C的室内拿到40°C的阳光下，零偏直接翻了一倍。为什么？因为MEMS传感器的机械结构会随温度膨胀收缩，导致测量值偏移。

# 一个简单的IMU零偏补偿示例（Python）
import rclpy
from sensor_msgs.msg import Imu

class ImuBiasCompensator:
    def __init__(self):
        self.bias_accel = [0.0, 0.0, 0.0]
        self.bias_gyro = [0.0, 0.0, 0.0]
        self.samples = []
        
    def calibrate(self, imu_msg):
        # 采集100个静态样本求平均
        self.samples.append(imu_msg)
        if len(self.samples) >= 100:
            # 计算零偏
            self.bias_accel[0] = sum(s.linear_acceleration.x for s in self.samples) / 100
            # ... 类似计算其他轴
            print("零偏标定完成")
            
    def compensate(self, imu_msg):
        # 补偿后的数据
        imu_msg.linear_acceleration.x -= self.bias_accel[0]
        # ... 类似补偿其他轴
        return imu_msg

3.3 轮速计打滑与标定误差

轮速计，说白了就是靠车轮转了多少圈来算走了多远。听起来很靠谱对吧？但实际用起来，坑也不少。

打滑是最常见的问题。加速时轮胎空转，或者刹车时轮胎抱死，轮速计都会多算或少算里程。我遇到过最离谱的一次，在冰雪路面上，轮速计显示车走了10米，实际上只滑了3米。定位结果直接飞了。

怎么排查？我个人习惯看轮速和GPS速度的对比。如果轮速突然比GPS速度快很多，大概率是打滑了。在ROS2里，我会写一个 wheel_slip_detector 节点，实时计算两者的差值，超过阈值就报警。

再说标定误差。每个车轮的半径其实不完全一样，轮胎气压不同、磨损程度不同，都会导致有效半径变化。如果标定时用的半径是0.3米，实际只有0.29米，那每转一圈就会少算0.0628米。跑个100米，误差就超过2米了。

# 轮速计比例因子自动标定（伪代码）
def calibrate_wheel_scale(gps_positions, wheel_odom_positions):
    # 用GPS位置作为真值，拟合轮速计的比例因子
    # 模型：gps_pos = scale * wheel_odom_pos + bias
    # 使用最小二乘法
    scale = np.linalg.lstsq(wheel_odom_positions, gps_positions)[0]
    return scale

好了，今天咱们把GPS、IMU、轮速计这三个传感器的常见问题都过了一遍。记住一句话：传感器数据异常，永远是定位漂移排查的第一步。下一章咱们接着聊传感器数据异常排查的下半部分——激光雷达和视觉传感器的那些坑。