📚 课程目录第1章传感器误差概论

1. 传感器误差概论：误差来源分类与传递理论

做传感器标定这么多年，我最大的体会就是——误差是躲不掉的。你花大价钱买高精度传感器，结果装到系统里数据还是飘，为什么？说白了，误差从传感器诞生的那一刻就跟着它了。我们这章就来聊聊误差到底从哪来、怎么传、怎么评。

我个人习惯把误差分成三类：系统误差、随机误差、粗大误差。这三兄弟性格完全不同，处理方式也天差地别。

系统误差是最「讲道理」的误差。它要么恒定不变，要么随某个变量（温度、时间、输入值）规律变化。我在做IMU标定时遇到过一件事：同一个陀螺仪，早上测的零偏和下午测的差了0.5°/s。查了半天，原来是温度变化导致的。这就是典型的系统误差——有规律，就能补偿。

  关键点：系统误差可以通过建立数学模型来补偿。比如温度补偿、非线性补偿、交叉轴耦合补偿。标定的核心任务之一，就是把这些误差参数辨识出来。

随机误差就「不听话」了。你重复测量同一个量，每次结果都不一样。为什么？因为传感器内部电子在热运动，ADC在量化时有舍入误差，电源线上有纹波……这些因素叠加在一起，就形成了随机误差。

我记得刚入行时，总想着能不能把随机误差也完全消除。后来师傅跟我说了一句话，我一直记着：「随机误差是物理世界的底色，你只能跟它共存，不能消灭它。」

处理随机误差的常用手段：

粗大误差，说白了就是「离谱的错」。有一次我在现场调试压力传感器，数据突然跳到了满量程的120%。我第一反应不是怀疑传感器坏了，而是检查接线——果然，一根信号线松了。

避坑指南：我曾经因为没做粗大误差剔除，把一个坏传感器的数据直接送进了融合算法，结果整个系统发散。从那以后，我每条数据链路都加了异常检测——3σ准则、IQR方法、或者简单的阈值判断，至少选一个。

单个传感器的误差已经够头疼了，更麻烦的是——多个传感器的误差会「串」在一起。你想想看，一个融合系统里，加速度计有误差、陀螺仪有误差、磁力计也有误差，这些误差经过姿态解算、坐标变换、积分运算，最后输出的姿态角误差是多少？

这就需要用误差传递理论来分析了。

假设我们有函数 y = f(x₁, x₂, ..., xₙ)，每个输入变量 xᵢ 都有不确定度 u(xᵢ)，那么输出 y 的不确定度为：

u(y) = √[ (∂f/∂x₁)² · u²(x₁) + (∂f/∂x₂)² · u²(x₂) + ... + (∂f/∂xₙ)² · u²(xₙ) ]

这个公式的前提是各输入变量不相关。如果它们之间有相关性，还要加上协方差项。

实战技巧：我在做多传感器融合时，习惯先用误差传递公式估算一下最终精度。如果估算结果比指标要求差一个数量级，那就不用浪费时间做融合了——先回去把单个传感器的精度提上来。

举个实际例子。惯性导航系统里，加速度计测量比力，然后积分得到速度，再积分得到位置。这个过程中，加速度计的零偏误差会怎么传递？

看到了吗？一个微小的零偏，经过两次积分，误差会随时间平方发散。这就是为什么纯惯性导航系统必须用GPS或其他测量来定期修正。

说到「不确定度」，很多人会把它和「误差」混为一谈。其实两者有本质区别：

我打个比方：误差就像你打靶时子弹偏离靶心的距离，而不确定度是你这一组子弹散布的范围大小。

A类评定用统计方法计算。对同一个量重复测量n次，得到标准差s，那么平均值的标准不确定度为：

u_A = s / √n

n越大，u_A越小。但注意，n不能太小——我一般要求至少10次以上，否则统计结果不可靠。

B类评定用非统计方法。比如根据传感器手册给出的精度指标、校准证书上的不确定度、或者经验数据来估算。

举个例子：一个压力传感器手册上写着「精度±0.1%FS」，假设均匀分布，那么B类标准不确定度为：

u_B = (0.1% × FS) / √3

为什么除以√3？因为均匀分布的半宽除以√3得到标准偏差。不同分布假设（正态、三角、均匀）对应的除数不同。

把A类和B类不确定度合在一起，就是合成标准不确定度：

u_c = √(u_A² + u_B₁² + u_B₂² + ...)

然后乘以包含因子k，得到扩展不确定度：

U = k · u_c

k=2时，置信概率约为95%；k=3时，置信概率约为99.7%。

  我的习惯：在工程报告中，我通常报告扩展不确定度U（k=2），并注明包含因子。这样客户一看就知道：测量结果有95%的概率落在 [x̄ - U, x̄ + U] 这个区间内。

下面这张图把本章的核心逻辑串起来了。你可以把它当作一个思维导图来用。

嗯，这一章的内容就到这里。误差分类、传递理论、不确定度评定——这三块是后续所有标定和融合工作的基础。你把这些搞清楚了，后面讲具体传感器标定方法时，就能理解每一步到底在解决什么问题。