上篇详细讲了IMU的误差模型——零偏、零偏不稳定性、随机游走、尺度因子误差、温度漂移以及Allan方差分析和校准方法。搞清楚了误差从哪来这篇讲怎么在实际代码中处理这些误差。面试时候被问IMU数据怎么预处理很多人只会说去零偏、低通滤波。但实际项目中的预处理流程比这复杂得多——你需要考虑零偏在线估计、温度补偿、时间对齐、坐标系变换等一系列步骤。今天把IMU数据预处理的完整流程讲清楚。零偏补偿最基础的预处理就是去除零偏。对于陀螺仪在每次启动时做静止标定让IMU保持静止采集N秒的数据取平均值作为零偏后续数据减去这个零偏。import numpy as np class GyroBiasCalibrator: 陀螺仪零偏在线标定 def __init__(self, calibration_duration10.0, sample_rate200): self.calibration_duration calibration_duration self.sample_rate sample_rate self.bias None self.samples [] def add_sample(self, gyro_data): 添加静止状态下的陀螺仪样本 self.samples.append(gyro_data) def compute_bias(self): 计算零偏 if len(self.samples) self.sample_rate * self.calibration_duration * 0.8: return False # 数据不足 self.bias np.mean(self.samples, axis0) return True def compensate(self, gyro_data): 补偿零偏 if self.bias is None: return gyro_data return gyro_data - self.bias # 使用示例 calibrator GyroBiasCalibrator(calibration_duration10, sample_rate200) # 启动时静止10秒采集数据 for i in range(2000): # 10秒 * 200Hz gyro_raw get_gyro_data() # 从IMU读取 calibrator.add_sample(gyro_raw) if calibrator.compute_bias(): print(f陀螺仪零偏: {calibrator.bias}) else: print(标定失败数据不足请确保IMU静止) # 后续使用 gyro_raw get_gyro_data() gyro_compensated calibrator.compensate(gyro_raw)加速度计的零偏补偿类似但更复杂一些。因为加速度计的输出包含重力静止时不是零。你需要知道IMU在静止时的姿态通常是水平放置然后减去理论上的重力分量。def calibrate_accel_bias(accel_data, expected_gravitynp.array([0, 0, 9.81])): 加速度计零偏标定假设IMU水平静止 bias np.mean(accel_data, axis0) - expected_gravity return bias温度补偿IMU的零偏和灵敏度都会随温度变化。对于精度要求高的场景比如无人机航测、高精度SLAM温度补偿是必须的。做法是在出厂标定时把IMU放在温箱里从-40°C到85°C缓慢变温记录每个温度点下的零偏值。然后用多项式拟合零偏和温度的关系运行时根据实时温度查表补偿。class TemperatureCompensator: 温度补偿器——用多项式拟合零偏-温度关系 def __init__(self, poly_degree3): self.poly_degree poly_degree self.poly_coeffs None # 多项式系数 def calibrate(self, temperatures, biases): 标定拟合零偏随温度变化的多项式 self.poly_coeffs np.polyfit(temperatures, biases, self.poly_degree) def compensate(self, raw_data, temperature): 根据当前温度补偿零偏 if self.poly_coeffs is None: return raw_data estimated_bias np.polyval(self.poly_coeffs, temperature) return raw_data - estimated_bias实际项目中很多IMU模块比如BMI088、ICM-42688内部自带温度传感器读取温度很方便。关键是标定过程要耐心——升温降温都要慢让IMU内部温度均匀否则标定数据不准。面试中怎么聊面试官问IMU数据预处理按这个顺序回答先说零偏补偿启动时静止标定再说温度补偿如果有温度传感器然后说低通滤波截止频率选择接着说时间对齐和其他传感器的同步最后说坐标系变换IMU到body frame。如果面试官追问零偏在线估计怎么做你可以说在EKF中把陀螺仪零偏作为状态量用加速度计和视觉/激光雷达的观测来约束零偏的估计。这是VIO和LIO的标准做法。零偏的可观测性取决于机器人的运动——需要有足够的旋转激励才能估计陀螺仪零偏需要有足够的平移激励才能估计加速度计零偏。如果面试官追问滤波器的延迟怎么处理你可以说对于离线处理用filtfilt零相位滤波对于实时控制选择高阶数低一些的滤波器减少延迟或者在控制器设计中考虑这个延迟比如用Smith预估器。如果面试官追问怎么验证预处理效果你可以说最直观的方法是看预处理前后的IMU数据积分结果。比如把预处理前后的陀螺仪数据分别积分对比角度轨迹。如果预处理效果好积分后的角度在静止时应该几乎不漂移在运动后回到静止状态时应该能快速收敛到正确值。另一个验证方法是频域分析。对预处理前后的数据做FFT快速傅里叶变换看高频噪声是否被有效抑制信号频段的成分是否保留完好。调试工具方面ROS2的rqt_plot可以实时绘制IMU数据波形方便观察滤波效果。rqt_imu_plot是专门的IMU可视化工具。对于离线分析Python的matplotlib和scipy.signal模块足够用了。还有一个实用建议在处理IMU数据时同时记录原始数据和处理后的数据。这样出了问题可以回溯对比找出是哪个环节引入了问题。很多机器人系统都有数据记录rosbag但有时候只记录了处理后的数据原始数据丢了调试时就很难排查。分享一个我在IMU预处理中遇到的实际问题。当时做一台移动机器人的直线行驶测试发现机器人走出来的轨迹总是轻微弯曲。用rqt_plot看陀螺仪的yaw角速度发现静止时输出不是零而是有一个大约0.005 rad/s的固定偏差。这个偏差看起来很小但积分60秒就是0.3弧度约17度足以让机器人走偏很多。我们做了两件事来解决第一每次启动时静止5秒采集零偏均值运行时减去这个零偏。第二在低通滤波之后加了一个零偏在线估计——当检测到机器人静止时轮速为零自动更新零偏估计值。这两步做完后直线行驶的偏航角漂移从每分钟的17度降到了2度以内满足了导航系统的要求。下一篇讲编码器原理——增量式和绝对式的区别与选型。从惯性传感器转到运动传感器编码器是机器人闭环控制的基础。如果这篇文章对你有帮助欢迎点赞、在看、转发三连。 你的支持是我持续更新的最大动力。「机器人软件开发面试·从入门到精通」连载系列上一篇第157篇 IMU误差模型——零偏、噪声、温漂和校准方法 下一篇预告第159篇 编码器原理——增量式和绝对式的区别与选型有任何问题欢迎评论区留言我会尽量回复。