IMU惯性测量单元原理与应用

可视化演示

基础感知原理

阿衡之所以能在黑暗中判断自己是在上升电梯里还是被推了一把，靠的是耳石。耳石感受的是“比力”——一种把真实运动加速度和重力混在一起的物理量。机器人里的加速度计就是一颗电子耳石；而半规管则像速度陀螺，负责告诉你脑袋正在以每秒多少度转动。两者合在一起，就是 IMU 的三大件中的两件：加速度计和陀螺仪，有的 IMU 还会集成磁力计，相当于给闭眼跑酷者加上一根“地磁罗盘针”。

IMU 输出的是机体坐标系下的测量值。想象阿衡的身体是一个三维坐标系：上下是 Z 轴，前后是 X 轴，左右是 Y 轴。陀螺仪测的是绕这三个轴的旋转角速度，加速度计测的是这三个轴方向上的比力。要得到世界坐标系下的位置和姿态，必须先把这些测量值经过坐标变换积分。这个“先测后转再积”的流程，就是惯性导航的基本盘。

实际测量中，加速度计读数并不干净。为了理解后续误差处理，我们先把理想的测量模型写出来。加速度计的输出可近似为：

阿衡的耳石也会被电梯加速欺骗，机器人同样分不清“加速向上”和“静止但倾斜”。理解这个模型，是后续所有标定和滤波的前提。

误差与标定

阿衡闭眼转十圈后停下，会觉得自己还在转，这是前庭的“零偏”。如果他的半规管老化，转同样的圈数报告的转角却偏大，这就是“尺度因子”问题。IMU 的误差就好比一个会自己慢慢走歪的指南针：零偏让角速度积分出持续增长的姿态误差，随机噪声则让短时间读数抖成一团。

把角速度误差积分成角度误差，数学上很像“噪声被不断累加”。随机游走造成的角度不确定度可以用一个简洁公式描述：

标定的目标就是把这些“坏习惯”提前摸清楚。常见的六面标定法，是把 IMU 依次放置在六个规则面上，让每个轴分别对准重力方向，利用已知的重力矢量反推出零偏和尺度因子。对阿衡来说，这就像每天早上站直、目视远方，让大脑重新校准前庭的“零位”。温度变化会让零偏缓慢漂移，所以高端系统还会做温补标定，相当于在不同天气里反复练习同一套动作。

姿态表示与解算

阿衡闭眼从高处翻落时，大脑必须实时回答：“我是头朝下，还是身体倾斜 30 度？”这个问题的答案就是“姿态”。描述姿态有几种数学语言：欧拉角最直观，但会遇到万向节锁死；旋转矩阵无奇异性但参数冗余；四元数紧凑、无奇异性，成为 IMU 姿态解算的主流语言。

姿态更新的核心，是把陀螺仪测到的角速度转成四元数随时间的变化率。四元数微分方程是最常用的“姿态递推公式”：

在代码里，我们会用离散形式的四元数更新：把 $\dot{\boldsymbol{q}}$ 乘以采样周期 $\Delta t$ 再加到当前四元数上，然后归一化。这就像阿衡每秒读取一次前庭信号，快速更新大脑里的“身体姿势图”。

滤波数据融合

阿衡蒙眼奔跑时，前庭会漂移：转几圈后他以为自己在直跑，实际上已经偏离。这时他会用耳朵听风声、用脚掌感受地面摩擦，把不可靠的前庭信号和可信的外部线索综合起来。这个修正动作，就是传感器融合。机器人同样不能只信 IMU，因为陀螺仪积分会漂移，加速度计易受震动噪声污染。最简单的融合算法是互补滤波。

互补滤波的智慧在于：陀螺仪短期很准但长期漂移，加速度计短期噪声大但长期稳定。所以让高频段信任陀螺仪，低频段信任加速度计。其离散形式如下：

更工程化的选择是卡尔曼滤波。它把姿态、零偏作为状态变量，把陀螺仪读数为预测输入、加速度计/视觉观测为测量更新，用噪声协方差自动计算“该信谁多少”。扩展卡尔曼滤波则进一步处理 IMU 模型的非线性。你可以把卡尔曼滤波看成一位经验丰富的“大脑调度员”：它不像互补滤波用固定权重，而是根据系统实时的不确定度动态调整权重，像阿衡在强风中更依赖脚感、在光滑冰面上更依赖耳朵。

工程实践要点

阿衡每天醒来第一件事，是站直身体、目视前方，让前庭系统重新归零。IMU 的工程应用同样需要“静止初始化”：上电后让机器人静止 1~2 秒，把加速度计和陀螺仪的零偏估计出来并扣掉。第二个关键点是时间同步。想象阿衡闭眼听到远处发令枪声，如果耳朵和肌肉反应时间不同步，起跑就会抢跑。多传感器融合时，IMU 通常以 200~1000Hz 高频输出，而相机只有 30Hz，若时间戳不对齐，细微延迟会放大为明显漂移。

第三个要点是处理退化场景。在特征稀疏的长走廊、光线忽明忽暗的环境里，视觉会退化，这时 IMU 高频短时预测能力就成了“救命稻草”。反过来，长时间无外部参考时，IMU 自身积分漂移也会逐渐失控，所以工程上必须设计失效检测与降级策略，比如当加速度计方差异常增大时，降低它对姿态修正的权重。

在系统架构上，融合方式分为松耦合和紧耦合。松耦合是让视觉先算出位姿，再与 IMU 输出做加权融合，像阿衡先听清风声再决定落脚点；紧耦合是把 IMU 原始测量与图像特征一起放进同一个优化问题，像阿衡同时结合风声和脚感做瞬时判断。紧耦合精度更高，但计算量更大；目前主流 VIO（视觉惯性里程计）系统普遍采用紧耦合加 IMU 预积分方案，这也是机器人定位领域最核心的工程落地模式。

器件选型与趋势

阿衡的前庭也有体质差异：有的人天生不容易晕车，有的人转个圈就东倒西歪。机器人的 IMU 同样分三六九等。消费级 MEMS 陀螺仪零偏稳定性约 10~100°/h，成本几美元，适合手机、玩具机器人；工业级 MEMS 可达 1°/h 以内，常用于无人机和 AGV；更高端的光纤陀螺或激光陀螺零偏稳定性可到 0.01°/h 以下，但体积大、价格可达数万甚至数十万元，服务于航空惯导和远洋船舶。

选型时不能只看“分辨率”，核心指标有四个：零偏稳定性、角随机游走、量程、带宽。零偏稳定性决定长时间漂移速度，角随机游走决定短时间噪声大小，量程决定能否承受剧烈旋转，带宽决定能否跟上快速动态。比如云台需要大带宽和低噪声，而仓储机器人更看重低功耗和低成本。趋势上，MEMS 芯片越做越小，IMU 与相机、LiDAR 的联合标定走向自动化，基于深度学习的惯性去噪与姿态预测也开始从实验室走向产品。

AI 应用场景

Python 演示

import mathimport random def simulate_imu(duration=10.0, dt=0.01):    times = []    true_tilt = []    acc_meas = []    gyro_meas = []    t = 0.0    while t < duration:        theta = math.sin(2 * math.pi * 0.2 * t) * 0.5        omega = 2 * math.pi * 0.2 * math.cos(2 * math.pi * 0.2 * t) * 0.5        times.append(t)        true_tilt.append(theta)        acc_meas.append(theta + random.gauss(0, 0.05))        gyro_meas.append(omega + 0.02 + random.gauss(0, 0.01))        t += dt    return times, true_tilt, acc_meas, gyro_meas def complementary_filter(acc_meas, gyro_meas, dt, alpha=0.98):    theta = 0.0    estimates = []    for i in range(len(acc_meas)):        omega_dt = theta + gyro_meas[i] * dt        theta = alpha * omega_dt + (1 - alpha) * acc_meas[i]        estimates.append(theta)    return estimates def main():    times, true_tilt, acc_meas, gyro_meas = simulate_imu()    estimates = complementary_filter(acc_meas, gyro_meas, 0.01)    print("时间  真实倾角  加速度计角度  陀螺仪角速度  互补滤波倾角")    for i in range(0, len(times), 200):        print(f"{times[i]:5.2f}  {true_tilt[i]:+.3f}   "              f"{acc_meas[i]:+.3f}   {gyro_meas[i]:+.3f}   {estimates[i]:+.3f}") if __name__ == "__main__":    main()

1. theta = math.sin(...) * 0.5生成一条平滑摆动的真实倾角曲线，模拟机器人前后摇晃。
2. gyro_meas.append(omega + 0.02 + random.gauss(0, 0.01))在真实角速度上叠加 0.02 rad/s 的零偏和白噪声，模拟真实陀螺仪的“坏习惯”。
3. omega_dt = theta + gyro_meas[i] * dt用当前角度加上角速度乘以时间，即陀螺仪积分预测的新角度。
4. theta = alpha * omega_dt + (1 - alpha) * acc_meas[i]将陀螺仪积分和加速度计估计按权重融合，alpha 越大越信任陀螺仪。
5. if __name__ == "__main__":保证模块被导入时不会直接执行，只在运行脚本时启动模拟。

常见误区

面试题