31.1.4 传感器与执行器：传感器噪声建模

可视化演示

演示传感器噪声建模：噪声类型、随机模型、Allan方差分析与协方差整定，为卡尔曼滤波等状态估计提供准确噪声参数。

噪声三大类型

给小朋友量身高时，捣乱的“坏蛋”其实分三拨：孩子扭来扭去，读数忽大忽小，这是随机噪声；尺子刻度磨损，每次读数都整体偏大，这是系统偏差；尺子把尾数四舍五入丢掉，这是量化误差。三拨坏蛋脾气完全不同：随机噪声没有方向，系统偏差永远朝一边歪，量化误差则像“只报整数”的粗心店员。

在传感器领域，这三类干扰对应着不同的数学角色。随机噪声用 \(w\) 表示，它无规律、不可预测；系统偏差用 \(b\) 表示，它是传感器出厂或安装时带来的固定偏移；量化误差是模数转换时精度受限产生的舍入效应，通常并入随机噪声统一处理。工程师把这三种角色塞进同一个“测量模型”里：

把三拨“捣乱鬼”分清楚是建模的第一步。如果混为一谈，后面的统计分析和滤波整定都会走错方向——就像医生看病，先分清是感冒、过敏还是中毒，才能开对药方。

噪声统计特性

妈妈不死心，连续给孩子量了100次身高。她发现读数虽然乱，却隐隐有规律：绝大多数落在某个中心值附近，越往两边数量越少，偶尔才有极端值。把这些读数画成柱状图，居然像一口钟。这就是统计学里赫赫有名的高斯分布，也叫正态分布。高斯分布的数学表达式为：

如果噪声还满足白噪声的性质——任意两个不同时刻的噪声互不相关，就像孩子每一秒的扭动都是“失忆”的，那么高斯分布加上白噪声假设，就构成了绝大多数传感器建模的地基。钟形曲线就是那把尺子的“写真照”，而 \(\mu\) 和 \(\sigma^2\) 是它的身高和体重。

随机数学模型

小本本上只记一把尺子的脾气还不够。机器人身上往往同时带着好几把尺子：激光测距、超声波、轮式里程计……它们可能“联动犯错”——机器人一抖，所有传感器读数一起偏大。这时候需要一本更厚的档案：协方差矩阵。

把单传感器的方差扩展成多传感器联合模型，就得到多元高斯分布的“心脏”——协方差矩阵：

有了协方差矩阵，机器人就知道“同时信两把尺子”还是“只信其中一把”。如果 \(\sigma_{xy}\) 很大，说明两把尺子经常一起错，同时采信并不会增加多少信息量；如果接近 0，说明它们互相独立，融合后能显著降低不确定性。

Allan方差分析

体检师接手了：光知道噪声整体多吵还不够，他要知道噪声的“时间配方”。于是他把100次测量按不同窗口重新分组：每2次一组取平均、每10次一组取平均、每100次一组取平均……观察不同时间尺度下，这些“小组平均值”之间的波动。短窗口波动大，说明高频白噪声主导；长窗口还在漂移，说明有低频偏置问题。就像区分一个人是“手抖”还是“站不稳”，得用不同时长的观察。这就是Allan 方差的朴素思想，其定义为：

把 \(\tau\) 和 \(\sigma^2_{\text{Allan}}\) 画成双对数曲线，每条直线段都有“暗号”：斜率为 \(-1\) 是白噪声，\(-1/2\) 是角度随机游走，\(0\) 是偏置不稳定。工程师一看曲线，就知道这把尺子是“手抖”还是“站不稳”，从而对症下药。

协方差整定

体检报告出来了，下一步要把它变成算法能用的“处方”。做法很工程化：把机器人放在静止平台上，让传感器连续采集几小时甚至一整晚数据 → 用 Allan 方差把噪声成分拆开 → 拟合曲线提取噪声参数 → 再实测一轮验证。这个流程就是协方差整定。其中最核心的统计量是样本方差：

整定完成后的产物，就是卡尔曼滤波里那一个个具体的数值：测量噪声协方差 \(R\)、过程噪声协方差 \(Q\)。它们是机器人的“用药剂量”，定得准，算法才稳。体检报告和处方之间隔着医生的判断——Allan 方差提供线索，协方差整定才是最终开方。

状态估计落地

处方开好了，机器人大脑开始工作。卡尔曼滤波就像一个“评审团”，手里攥着每个传感器的噪声档案。噪声小的传感器是“金牌证人口齿清晰”，说话权重高；噪声大的传感器是“含糊证人”，权重自然低。评审团给证人的打分权重，就是卡尔曼增益 \(K\)，计算公式为：

从概念验证到生产部署，工程师的路径也很清晰：先在仿真里用理想噪声参数跑通 → 再到真实硬件上采集数据、用 Allan 方差整定真实参数 → 最后在产线上做批量标定与老化测试。噪声建模不是一次性的学术作业，而是贯穿机器人产品生命周期的基本功。把“尺子的怪脾气”摸透了，机器人才能在嘈杂世界里走得稳稳当当。

---

AI 应用场景

Python 演示

import numpy as np  def simulate_imu(duration=180.0, dt=0.01, sigma=0.05, bias=0.2):    """模拟 IMU 陀螺仪静止输出：真实角速度 + 随机游走偏置 + 高斯白噪声"""    n = int(duration / dt)    t = np.arange(n) * dt    true_rate = 0.0    bias_walk = bias * np.random.randn(n).cumsum() * dt    white_noise = np.random.normal(0, sigma, n)    return t, true_rate + bias_walk + white_noise  def allan_variance(data, dt=0.01):    """计算不同簇时长 tau 下的 Allan 方差"""    n = len(data)    taus, avars = [], []    m = 1    while m < n // 4:        clusters = n // m        avg = data[:clusters * m].reshape(clusters, m).mean(axis=1)        diff = np.diff(avg)        avars.append(np.sum(diff ** 2) / (2 * (clusters - 1)))        taus.append(m * dt)        m *= 2    return np.array(taus), np.array(avars)  def main():    t, data = simulate_imu()    taus, avars = allan_variance(data)    print("tau(s)    Allan方差")    for tau, avar in zip(taus, avars):        print(f"{tau:8.2f}  {avar:.3e}")    slope = np.polyfit(np.log(taus[:4]), np.log(avars[:4]), 1)[0]    print(f"短簇斜率约 {slope:.2f}（理论白噪声为 -1）")  if __name__ == "__main__":    main()

1. bias_walk = bias * np.random.randn(n).cumsum() * dt用随机游走模拟低频偏置漂移，这是 Allan 方差能捕捉的“站不稳”成分。
2. white_noise = np.random.normal(0, sigma, n)叠加高斯白噪声，代表“手抖”成分。
3. while m < n // 4簇长度按 2 的幂增长，从毫秒级一直扫到百秒级。
4. avg = data[:clusters * m].reshape(clusters, m).mean(axis=1)把数据切成 \(clusters\) 段，每段 \(m\) 个点取平均。
5. avars.append(np.sum(diff ** 2) / (2 * (clusters - 1)))Allan 方差的核心公式代码实现。
6. slope = np.polyfit(np.log(taus[:4]), np.log(avars[:4]), 1)[0]对双对数曲线前段拟合，斜率接近 -1 即白噪声主导。

常见误区

面试题