2. IMU误差模型与标定：确定性误差与随机误差、Allan方差分析、六面法标定与温漂补偿

IMU这东西，说白了就是自动驾驶的「内耳前庭」。你想想看，车在隧道里、高架桥下，GPS信号一丢，全靠它撑着。但IMU有个毛病——它天生就是个「说谎精」。我做了这么多年定位，见过太多被IMU坑惨的项目。所以今天咱们就来扒一扒，怎么让这个说谎精说实话。

2.1 误差从哪来？先分个类

IMU的误差，我习惯分成两大类：确定性误差和随机误差。这俩性质完全不同，处理手段也天差地别。

2.1.1 确定性误差

这类误差是「有规律」的，说白了就是可以建模、可以补偿的。主要包括：

零偏（Bias）：静止时输出不为零。比如陀螺仪，你把它放桌上不动，它却告诉你「我在转」。我见过最离谱的MEMS陀螺，零偏能到每秒好几度。
尺度因子（Scale Factor）：输入和输出不成比例。你转10度，它告诉你转了10.5度。
交轴耦合（Misalignment）：三个轴没装正。X轴转动时，Y轴也有输出。嗯，这就是机械装配的锅。

核心公式：

ω_measured = S * ω_true + b + n

其中S是尺度因子矩阵，b是零偏，n是噪声。这个公式，我建议你刻在脑子里。

2.1.2 随机误差

这类误差是「没规律」的，只能用统计方法描述。我在项目中遇到过最头疼的就是它——你永远不知道下一秒的噪声长什么样。

白噪声（White Noise）：高频随机波动，像收音机的沙沙声。
随机游走（Random Walk）：零偏随时间缓慢漂移。你今天标定好的零偏，明天可能就变了。
量化噪声（Quantization Noise）：ADC采样精度不够导致的。

我的经验： 随机误差才是IMU标定的真正难点。确定性误差一次标定就能搞定，但随机误差需要长期观测和在线估计。

2.2 Allan方差分析——给IMU做「体检」

Allan方差，说白了就是给IMU做一次全面体检。它能告诉你：你的IMU到底有多烂，烂在哪个频段。

2.2.1 基本原理

为什么要用Allan方差？因为普通的方差会随着采样时间变化。你取1秒的数据算方差，和取100秒的数据算方差，结果完全不一样。Allan方差解决了这个问题——它把数据切成不同长度的块，分别算方差。

具体做法很简单：

采集一段长时间的静态数据（至少1小时，我建议2小时以上）
把数据按不同时间长度τ切成若干段
对每个τ，计算所有段的方差
画出log(τ) vs log(Allan方差)的曲线

2.2.2 怎么看这条曲线？

Allan方差曲线有典型的形状，不同斜率对应不同误差源：

斜率	对应误差	物理意义
-1/2	白噪声（角度/速度随机游走）	高频抖动，取平均就能抑制
0	零偏不稳定性（Bias Instability）	IMU的「底噪」，这是最重要的指标
+1/2	速率随机游走	零偏的长期漂移
+1	速率斜坡	温度引起的确定性漂移

关键点： 曲线的最低点对应的τ值，就是你的IMU「最佳积分时间」。低于这个时间，白噪声主导；高于这个时间，零偏漂移主导。我选IMU时，第一件事就是看这个最低点。

2.2.3 代码实现

嗯，这里给个Python实现，我项目里一直在用：

def allan_variance(data, fs):
    """
    data: 静态IMU数据
    fs: 采样率
    """
    N = len(data)
    max_pow = int(np.log2(N)) - 1
    tau = []
    avar = []
    
    for i in range(1, max_pow):
        m = 2**i
        tau.append(m / fs)
        # 分成不重叠的段
        num_segments = N // m
        segments = data[:num_segments*m].reshape(num_segments, m)
        # 每段取平均
        means = np.mean(segments, axis=1)
        # 计算方差
        avar.append(0.5 * np.var(means[1:] - means[:-1]))
    
    return np.array(tau), np.array(avar)

避坑指南： 我曾经因为数据采集时间不够长，Allan方差曲线在长τ段全是噪声。后来养成了习惯——静态数据至少采2小时，最好过夜采集。

2.3 六面法标定——给IMU「对表」

六面法，说白了就是把IMU放在6个不同的姿态，利用重力作为参考，反算出零偏和尺度因子。这个方法简单粗暴，但非常有效。

2.3.1 标定流程

你需要一个三轴转台，或者至少一个水平台面。我早期在实验室里，就用一个精密水平仪加一个直角块，也能凑合用。

水平放置：Z轴朝上，采集30秒
翻转180°：Z轴朝下，采集30秒
侧放：X轴朝上，采集30秒
侧放翻转：X轴朝下，采集30秒
侧放：Y轴朝上，采集30秒
侧放翻转：Y轴朝下，采集30秒

2.3.2 数学模型

对于加速度计，每个轴的理论输出应该是±g（重力加速度）。实际输出和理论值的关系是：

a_measured = S * a_true + b

写成矩阵形式：

[a_x]   [s_xx  s_xy  s_xz] [a_x_true]   [b_x]
[a_y] = [s_yx  s_yy  s_yz] [a_y_true] + [b_y]
[a_z]   [s_zx  s_zy  s_zz] [a_z_true]   [b_z]

6个姿态，每个姿态提供3个方程，一共18个方程。用最小二乘法就能解出12个未知数（3个零偏 + 9个尺度因子）。

注意： 六面法假设转台或台面绝对水平。我曾经在一个不平的台面上标定，结果零偏误差大了3倍。后来我学乖了——每次标定前先用水平仪校准台面。

2.4 温漂补偿——IMU的「体温计」

温度对IMU的影响，比你想象的大得多。我记得有一次冬天做路测，早上零下10度标定的IMU，中午太阳一晒，零偏直接漂了20%。从那以后，温漂补偿就成了我的必修课。

2.4.1 温漂特性

IMU的零偏和尺度因子，随温度变化呈非线性关系。典型的温漂曲线是这样的：

MEMS IMU：温度每变化1°C，零偏变化约0.01~0.1°/s
光纤陀螺：温漂小一些，但启动阶段变化剧烈
激光陀螺：温漂最小，但价格感人

2.4.2 补偿方法

我常用的方法是多项式拟合：

b(T) = c0 + c1*T + c2*T^2 + c3*T^3

标定步骤：

把IMU放进温箱，从-40°C到85°C，每5°C一个点
每个温度点保持30分钟，让IMU充分热平衡
记录每个温度下的零偏和尺度因子
用最小二乘法拟合多项式系数

我的经验： 3阶多项式通常就够了，阶数太高反而容易过拟合。另外，温箱的升降温速率要慢，我一般控制在1°C/min，太快了热应力会影响结果。

2.5 本章小结

IMU标定这件事，说难不难，说简单也不简单。你想想看，一个没标定好的IMU，就像一块不准的表——你越依赖它，它越坑你。我见过太多项目，算法调得天花乱坠，结果IMU本身就有问题，白费功夫。

核心就三点：

确定性误差用六面法搞定，一次标定管半年
随机误差用Allan方差摸清底细，指导滤波器设计
温漂必须补偿，尤其是车规级应用，温度范围宽

嗯，标定做好了，后面的融合定位才能站得住脚。否则，再好的算法也是空中楼阁。

📚 课程目录

2. IMU误差模型与标定：确定性误差与随机误差、Allan方差分析、六面法标定与温漂补偿

2.1 误差从哪来？先分个类

2.1.1 确定性误差

2.1.2 随机误差

2.2 Allan方差分析——给IMU做「体检」

2.2.1 基本原理

2.2.2 怎么看这条曲线？

2.2.3 代码实现

2.3 六面法标定——给IMU「对表」

2.3.1 标定流程

2.3.2 数学模型

2.4 温漂补偿——IMU的「体温计」

2.4.1 温漂特性

2.4.2 补偿方法

2.5 本章小结