2. 传感器噪声模型：高斯噪声、量化噪声、有色噪声对轨迹的影响，以及如何建模

做轨迹优化的人，最怕什么？

不是算法不收敛，而是传感器给你“假数据”。我早年调试一个移动机器人，明明地面是平的，IMU 读数却像坐过山车。后来才发现，我根本没搞清楚噪声长什么样。

这一节，咱们就把三种最常见的噪声——高斯噪声、量化噪声、有色噪声——掰开揉碎。我会告诉你它们怎么影响轨迹，以及怎么在代码里建模。

2.1 高斯噪声：最基础的假设，也是最常见的坑

高斯噪声，说白了就是“随机误差”。它服从正态分布，均值是 0，方差是 σ²。你想想看，温度波动、电路热噪声、AD 转换的随机抖动，最后都近似成高斯噪声。

核心公式：

w ~ N(0, Q)

其中 Q 是协方差矩阵。对于一维传感器，Q = σ²；对于多维（比如 IMU 的加速度计），Q 是一个对角矩阵。

我在项目中遇到过一个问题：用卡尔曼滤波做状态估计，明明模型没错，但轨迹就是抖。查了两天，发现是 Q 矩阵设得太小——我太相信传感器了。实际上，低成本 MEMS 陀螺仪的噪声方差，比 datasheet 上写的要大 3-5 倍。

我的习惯： 拿到新传感器，先做静态采集。把传感器放平，录 10 分钟数据，算标准差。这个值，才是你建模用的 σ。

2.2 量化噪声：数字世界的“锯齿”

模拟信号转成数字，必然有量化误差。比如一个 12 位 ADC，量程 0-3.3V，分辨率是 3.3 / 4096 ≈ 0.8 mV。这个 0.8 mV 的台阶，就是量化噪声的来源。

量化噪声不是高斯分布——它是均匀分布。为什么？因为量化误差在 ±½ LSB 之间等概率出现。

噪声类型 分布 均值 方差
高斯噪声 正态分布 0 σ²
量化噪声 均匀分布 0 Δ² / 12

Δ 是量化步长。对于 12 位 ADC，Δ = 0.8 mV，方差就是 (0.8²)/12 ≈ 0.053 mV²。

量化噪声对轨迹的影响很隐蔽。它不会让轨迹剧烈抖动，而是引入一种“锯齿状”的微小波动。尤其是在低速运动时，这种波动会被微分放大——你算速度的时候，一阶差分会把量化噪声放大。

我曾经踩过的坑： 用编码器测位置，分辨率 0.1 mm，觉得够用了。结果做轨迹跟踪时，速度估计抖得像筛子。后来在速度观测器里显式建模了量化噪声方差，才压住抖动。

2.3 有色噪声：真正的“隐形杀手”

高斯噪声和量化噪声都是白噪声——当前时刻的噪声与过去无关。但有色噪声不一样：它有“记忆”。

举个例子：IMU 的零偏稳定性。陀螺仪开机时有一个固定偏置，但这个偏置会缓慢漂移。这种漂移，就是一阶有色噪声（也叫随机游走）。

有色噪声的数学模型通常用一阶马尔可夫过程：

x_k = α * x_{k-1} + w_k

其中 α 是相关系数（0 < α < 1），w_k 是高斯白噪声。α 越接近 1，噪声的“记忆”越长，低频成分越强。

为什么说有色噪声是隐形杀手？因为它在频域上能量集中在低频。低频噪声很难被滤波器滤掉——你想想看，低通滤波器会把高频噪声干掉，但低频噪声和真实信号混在一起，你分不清。

关键认知： 轨迹抖动优化，本质上是在和有色噪声作斗争。高斯噪声可以用滤波平滑掉，量化噪声可以通过提高分辨率缓解，但有色噪声——你必须建模它，否则它永远在那里。

2.4 三种噪声对轨迹的影响对比

我整理了一个表格，方便你直观对比：

噪声类型 时域表现 频域特征 对轨迹的影响 建模难度
高斯噪声 随机毛刺 全频段均匀 位置抖动，速度毛刺 低
量化噪声 微小锯齿 高频为主 低速时速度估计抖动 中
有色噪声 缓慢漂移 低频集中 轨迹长期偏移，稳态误差 高

2.5 如何在代码中建模？

直接上代码。我习惯用 Python + NumPy 来仿真噪声模型，验证算法效果。

import numpy as np

def gaussian_noise(size, sigma=0.1):
    """高斯噪声"""
    return np.random.normal(0, sigma, size)

def quantization_noise(size, delta=0.01):
    """量化噪声：均匀分布"""
    return np.random.uniform(-delta/2, delta/2, size)

def colored_noise(size, alpha=0.9, sigma=0.1):
    """一阶有色噪声（马尔可夫过程）"""
    x = np.zeros(size)
    w = np.random.normal(0, sigma, size)
    for k in range(1, size):
        x[k] = alpha * x[k-1] + w[k]
    return x

# 示例：生成 1000 个点
n = 1000
g = gaussian_noise(n, sigma=0.1)
q = quantization_noise(n, delta=0.02)
c = colored_noise(n, alpha=0.95, sigma=0.05)

注意： 有色噪声的 α 参数很敏感。α=0.9 和 α=0.99 的噪声特性完全不同。我建议你画一下功率谱密度（PSD），看看低频能量占比。如果 PSD 在低频段明显高于高频段，那就是有色噪声。

2.6 知识体系：一张图看懂

下面这张 SVG 图，把三种噪声的来源、特性、建模方法和影响串起来了。你可以把它当作本章的“思维导图”。

传感器噪声模型知识体系 传感器噪声模型知识体系 高斯噪声 量化噪声 有色噪声 正态分布，白噪声 均匀分布，白噪声 马尔可夫过程，有色 位置抖动，速度毛刺 低速速度估计抖动 轨迹长期偏移 Q矩阵，卡尔曼滤波 Δ²/12，提高分辨率 一阶马尔可夫，α参数 核心：噪声建模是轨迹优化的第一步，模型错了，后面全白费

2.7 实战建议：怎么选模型？

你可能会问：我到底该用哪种噪声模型？

我的建议是三步走：

  1. 先做静态测试。 把传感器固定，采集 1 分钟数据。看直方图——如果是钟形，高斯噪声为主；如果是平顶，量化噪声占主导。
  2. 再算自相关。 如果自相关函数在 lag=0 之外还有明显值，那就是有色噪声。我一般用 np.correlate 快速验证。
  3. 最后做频域分析。 画功率谱密度。低频能量高，必须建模有色噪声；全频段平坦，高斯噪声就够了。

避坑指南： 不要默认所有传感器噪声都是高斯白噪声。我见过太多人直接把 IMU 噪声设成高斯，结果轨迹发散。尤其是低成本传感器，有色噪声占比很大。你建模的时候，至少留一个 α 参数给有色噪声，哪怕 α=0.5，也比没有强。

嗯，这一节的内容就到这儿。噪声模型搞清楚了，后面讲滤波和优化才有根基。你先把这三种噪声的代码跑一遍，感受一下它们的区别——动手永远比看书来得快。

← 上一章 📖 返回目录 下一章 →