IMU 标定 | 工业界和学术界有什么不同？

点击“计算机视觉life”关注，置顶更快接收消息！
由于格式问题最好在公众号上观看《IMU 标定-工业界和学术界有什么不同？》
本文主要介绍了IMU基本结构原理和误差的相关概念，IMU误差模型，并较详细介绍了商用产品和学术文献提到的两种IMU标定方法。
本文阅读时间约8分钟

了解IMU和误差

IMU（Inertial Measurement Unit）是测量运动物体惯性运动，输出三轴加速度和三轴角速度等信息的电子元件，用于姿态角和运动路径等测量。IMU常常还包含了磁力计、压力计、温度计和GPS等辅助单元，相互配合完成更复杂的任务。

IMU的应用广泛。放图说明，姿态角确定，惯性导航，SLAM，动作捕捉，无人机镜头防抖（实现鸡头类似的效果）

六轴IMU的结构如下图，坐标轴一般遵循右手定则，理想情况下XYZ轴相互正交，加速度计和陀螺仪的轴相互重合。但是通常情况下，IMU存在一定的偏差。例如，从Inven Sense的MPU-9250芯片内部结构图可以看到该加速度计（XY、Z轴）和陀螺仪分开制造，因此加速度计和陀螺仪的坐标轴中心并不严格重合，甚至加速度计不同轴也是分开加工，坐标轴也不能保证完全正交。而且，加工过程或多或少有误差，如对称度不好，产生零偏。另外，IMU的内部参数还会随时间、温度变化，产生温漂。

IMU出厂时存在参数误差不可避免，而参数误差常常会造成严重问题：

• 偏置异常，会造成数据漂移严重。
• 轴向正交性和尺度异常，x-,y-,z-轴不正交或尺度不一致，会造成同一失量的模在不同方向上不一致。
• 另外，噪声也会使测量值失真。

IMU误差模型

IMU中x-y-z轴的偏置误差(mathbf{b}^a)可以表示为不同轴的零点偏置，即

[mathbf{b}^a = egin{bmatrix} b_x \ b_y \ b_z \ end{bmatrix} ]

IMU中x-y-z轴的正交误差$mathbf{T}^a (和尺度误差)mathbf{K}^a (可以通过下图表示。)mathbf{x}^{B$-$mathbf{y}}B(-)mathbf{z}^B(为外部坐标系正交归一的三个轴（可以理解为) |mathbf{x}^B| = 1(，) |mathbf{y}^B| = 1(，) |mathbf{z}^B| = 1$），而 (mathbf{x}^S) 表示传感器x轴的放大系数（相比(mathbf{x}^B)），(eta_{mathbf{x}mathbf{y}}) 表示x轴在x-y平面内顺时针偏离了(eta_{mathbf{x}mathbf{y}})弧度（小角度近似），其他参数同理。

正交误差(mathbf{T}^a) 通常可以表示为

[mathbf{T}^a = egin{bmatrix} 1 & -eta_{mathbf{y}mathbf{z}} & eta_{mathbf{z}mathbf{y}} \ eta_{mathbf{x}mathbf{z}} & 1 & -eta_{mathbf{z}mathbf{x}} \ -eta_{mathbf{x}mathbf{y}} & eta_{mathbf{y}mathbf{x}} & 1 \ end{bmatrix} ]

尺度误差(mathbf{K}^a) 通常可以表示为

[mathbf{K}^a = egin{bmatrix} mathbf{x}^S & 0 & 0 \ 0 & mathbf{y}^S & 0 \ 0 & 0 & mathbf{z}^S \ end{bmatrix} ]

在忽略噪声误差的条件下，加速度计的偏置误差(mathbf{b}^a)、正交误差$mathbf{T}^a (和尺度误差)mathbf{K}^a$的模型可以表示为

[mathbf{a}^O = mathbf{T}^a mathbf{K}^a egin{pmatrix} mathbf{a}^S + mathbf{b}^a end{pmatrix} ]

其中(mathbf{a}^S)是加速度计的原始测量值，(mathbf{a}^O)是加速度计误差补偿后的值。同理，陀螺的误差模型可以表示为

[mathbf{omega}^O = mathbf{T}^g mathbf{K}^g egin{pmatrix} mathbf{omega}^S + mathbf{b}^g end{pmatrix} ]

其中(mathbf{omega}^S)是陀螺的原始测量值，(mathbf{omega}^O)是陀螺误差补偿后的值。

较方便的标定方法

在看严谨的标定操作之前，看一下商用产品大疆Spark无人机的标定流程：

官方给的方法是在水平面上，按照图片提示六个位置静止放置片刻，即自动得到标定参数。由于重力方向和大小不变，这六个位置分别（近似）是IMU的X、-X、Y、-Y、Z和-Z朝向下的方向，因此至少可以拟合出加速度计三个轴的尺度因子、偏置以及陀螺仪的偏置。该标定方法有以下的假设

• 重力不变且垂直向下。
• 保持静止，可以测量陀螺仪的偏置。

对于外行人这样的标定流程简洁、快捷，适合商用级产品，但是由于标定数据太少，标定误差会较大，不利于高精度测量和导航应用，如SLAM等。

更精确标定方法

为了更深入了解标定原理过程，文献A robust and easy to implement method for IMU calibration without external equipments 给出了一种更为精确的IMU标定方法，GitHub上也有相应的Matlab源代码实现，亲试可用，还有动态演示效果不错。相比商用产品的简易标定流程，该标定方法有以下几点不同：

• 给出了加速度计和陀螺仪更复杂的模型。
• 利用Allan方差的定义，标定陀螺仪的偏置。
• 大量冗余数据，保证最优化收敛。利用数十次测量数据而不是仅仅6个位置。
• 利用Runge-Kutta积分和四元数表示法，实现陀螺仪的轴向偏差和尺度因子的标定。

标定流程图：

标定首先通过Allan方差定义测试出IMU标定静止的时间T，等待T时间后，旋转IMU并静止，静止时获取加速度数据，旋转时获取陀螺数据，循环多次后（36-50次）完成标定操作，随后算法自动完成标定。

算法首先标定加速度计，利用加速度计测量值的模和重力加速度真实g的方差构建损失函数，利用LM算法，使得最优化快速收敛，得到(mathbf{b}^a)、$mathbf{T}^a (和)mathbf{K}^a$ 参数。

在标定完加速度计的基础上，标定陀螺，获得陀螺坐标相对于加速度计参考坐标的正交误差，最后偏置和尺度误差也能通过最优化算法求出。此处有一个处理的小技巧，利用四元数的超复数表示方法，可以通过积分的办法，方便地求出一个时序角速度产生的总的角度变化，并利用加速度计得到的角度和积分得出的角度比较，得到损失函数，并同样用LM算法求出陀螺的误差参数。

实际标定操作和算法处理过程中，有几点很重要。

1、和深度学习训练样本一样，IMU标定的最优化过程也需要样本的平衡性。和复杂一些的非线性最优化类似，IMU参数标定算法一般也是基于Levenberg–Marquardt参数算法的拟合算法。而旋转操作可以让IMU数据（如加速度计）在三维数据空间中形成椭球形，数据均匀分布在椭球面上能够避免某一轴向的拟合权重过大，造成拟合椭球变形。

2、传感器对温度敏感（特别是陀螺仪），因此在没有温度计并且温度补偿的条件下，保证IMU的热平衡很重要。陀螺仪除了零点偏置，还有零点偏置漂移等更多误差，因此动态调节。

3、对加速度数据积分的起点和终点很关键。由于是人为转动IMU产生的抖动比较严重，因此转动的开始和结束不是很清晰，可以通过滤波减少积分误差。

4、标定器材配套很重要。手持式标定会引入人为振动，因此最好为IMU设计相应稳定可靠的标定装置，比如具有类似地球仪的旋转结构，并且带有刻度、有水平仪的仪器，这样能够实现垂直状态和特定角度转动。

5、利用Allan方差定义，可得到等待时间。但仍然存在问题，不同轴陀螺的Allan方差不一样，甚至可能差别很大。

6、IMU的坐标绝对基准还是不能标定得到。

以上两种方法制作的轻量级标定工具适用于一般的研究或产品，但对于一些高性能传感器，它们自身误差甚至小于标定参数精度，以上标定方法不再适用。需要很多价格不菲的精密仪器去标定，即提供绝对基准。

推荐阅读

从零开始一起学习SLAM | 为什么要学SLAM？
从零开始一起学习SLAM | 学习SLAM到底需要学什么？
从零开始一起学习SLAM | SLAM有什么用？
从零开始一起学习SLAM | C++新特性要不要学？
从零开始一起学习SLAM | 为什么要用齐次坐标？
从零开始一起学习SLAM | 三维空间刚体的旋转
从零开始一起学习SLAM | 为啥需要李群与李代数？
从零开始一起学习SLAM | 相机成像模型
从零开始一起学习SLAM | 不推公式，如何真正理解对极约束?
从零开始一起学习SLAM | 神奇的单应矩阵
从零开始一起学习SLAM | 你好，点云
从零开始一起学习SLAM | 给点云加个滤网
从零开始一起学习SLAM | 点云平滑法线估计
零基础小白，如何入门计算机视觉？
SLAM领域牛人、牛实验室、牛研究成果梳理
我用MATLAB撸了一个2D LiDAR SLAM
可视化理解四元数，愿你不再掉头发
最近一年语义SLAM有哪些代表性工作？
视觉SLAM技术综述

欢迎关注公众号：计算机视觉life，一起探索计算机视觉新世界~