IMU 是激光惯性里程计的核心传感器之一。面试中经常被问到噪声模型、参数标定、初始化流程等问题。本文从 IMU 测量模型出发，讲清楚如何从 datasheet 读取参数并配置到 SLAM 算法中。

---

面试速查（30秒版）

概念	一句话
IMU测量模型	真值 + 零偏 + 白噪声
白噪声	高频随机扰动，积分后→随机游走漂移
零偏(Bias)	缓慢变化的系统偏差，建模为随机游走
噪声密度(ARW/VRW)	白噪声强度，datasheet核心参数，单位 °/√Hz 或 mg/√Hz
零偏不稳定性	Bias随机游走的强度，datasheet核心参数
连续→离散	白噪声: ${\sigma }_d={\sigma }_c/\sqrt{\Delta t}$；随机游走: ${\sigma }_d={\sigma }_c\cdot \sqrt{\Delta t}$
初始化	静止时：加速度均值→重力方向，角速度均值→陀螺零偏

---

一、IMU 测量模型

1.1 陀螺仪（Gyroscope）

$${\omega }_m={\omega }_{true}+b_g+n_g$$

• ${\omega }_m$：测量角速度（IMU输出）
• ${\omega }_{true}$：真实角速度
• $b_g$：陀螺仪零偏（slowly time-varying）
• $n_g$：测量白噪声

零偏的时间演化：
$${\dot{b}}_g=n_{bg}$$

$n_{bg}$ 是零偏的随机游走驱动噪声。

1.2 加速度计（Accelerometer）

$$a_m=R_{wb}^T(a_{true}-g)+b_a+n_a$$

• $a_m$：测量加速度（IMU输出）
• $a_{true}$：真实线加速度（世界系）
• $g$：重力加速度（世界系，约 [0,0,-9.81]）
• $R_{wb}$：body到world的旋转
• $b_a$：加速度计零偏
• $n_a$：测量白噪声

注意：IMU 测量的是"比力"（specific force），即不含重力的加速度在body系下的投影。静止时加速度计测到的是 $-g$ 在body系的投影（向上9.81），不是零！

---

二、噪声的数学模型

2.1 测量白噪声

连续时间模型：
$$n_g(t)\sim \mathcal{N}(0,{\sigma }_g^2)$$

这是一个连续时间白噪声过程，功率谱密度（PSD）为 ${\sigma }_g^2$（单位：$(\text{rad/s}{)}^2/\text{Hz}$）。

离散化：采样后每个时刻的噪声方差为：
$${\sigma }_{g,d}^2=\frac{{\sigma }_g^2}{\Delta t}$$

注意：离散化后方差比连续版本大（除以 $\Delta t$），因为采样频率越高每个采样的噪声越大（但积分效果相同）。

2.2 零偏随机游走

连续时间模型：
$${\dot{b}}_g(t)=n_{bg}(t),n_{bg}\sim \mathcal{N}(0,{\sigma }_{bg}^2)$$

离散化（对时间积分）：
$$b_g[k+1]=b_g[k]+n_{bg,d},n_{bg,d}\sim \mathcal{N}(0,{\sigma }_{bg}^2\cdot \Delta t)$$

注意：随机游走离散化后方差乘以 $\Delta t$（积分变大）。

2.3 连续→离散转换总结

噪声类型	连续方差	离散方差	直觉
白噪声 $n$	${\sigma }_c^2$	${\sigma }_c^2/\Delta t$	采样越快单次噪声越大
随机游走 $\dot{b}$	${\sigma }_c^2$	${\sigma }_c^2\cdot \Delta t$	积分时间越长漂越多

---

三、从 Datasheet 提取参数

3.1 关键参数对照表

Datasheet参数	符号	含义	如何用于算法
Angular Random Walk (ARW)	${\sigma }_g$	陀螺白噪声密度	$Q$ 矩阵中 $n_g$ 的方差
Velocity Random Walk (VRW)	${\sigma }_a$	加速度白噪声密度	$Q$ 矩阵中 $n_a$ 的方差
Bias Instability (陀螺)	${\sigma }_{bg}$	陀螺零偏随机游走	$Q$ 矩阵中 $n_{bg}$ 的方差
Bias Instability (加速度)	${\sigma }_{ba}$	加速度零偏随机游走	$Q$ 矩阵中 $n_{ba}$ 的方差
带宽 / 采样率	$f_s$	数据输出频率	离散化中的 $\Delta t=1/f_s$
量程	—	最大可测范围	超量程数据无效
非线性度/标度因数误差	—	灵敏度误差	高精度应用需标定

3.2 单位转换示例

假设 datasheet 给出：

• ARW = 0.15 °/√hr = 0.15 × (π/180) / √3600 = 4.36e-5 rad/√s
• VRW = 0.04 m/s/√hr = 0.04 / √3600 = 6.67e-4 m/s/√s
• Gyro Bias Instability = 10 °/hr = 10 × (π/180) / 3600 = 4.85e-5 rad/s

转化为算法参数（假设采样率200Hz，$\Delta t=0.005s$）：

• 陀螺白噪声离散标准差：${\sigma }_{g,d}=\text{ARW}/\sqrt{\Delta t}=4.36\text{e-5}/\sqrt{0.005}=6.17\text{e-4}$ rad/s
• Bias 随机游走离散标准差：${\sigma }_{bg,d}=\text{BI}\times \sqrt{\Delta t}=4.85\text{e-5}\times \sqrt{0.005}=3.43\text{e-6}$ rad/s

3.3 FAST-LIO2 中的参数配置

# config yaml
mapping:
    gyr_cov: 0.1         # 陀螺测量噪声（离散标准差）
    acc_cov: 0.1         # 加速度测量噪声
    b_gyr_cov: 0.0001    # 陀螺零偏随机游走
    b_acc_cov: 0.0001    # 加速度零偏随机游走

对应源码中的处理（IMU_Processing.hpp:280-283）：

Q.block<3, 3>(0, 0).diagonal() = cov_gyr;      // 陀螺白噪声
Q.block<3, 3>(3, 3).diagonal() = cov_acc;      // 加速度白噪声
Q.block<3, 3>(6, 6).diagonal() = cov_bias_gyr; // 陀螺零偏随机游走
Q.block<3, 3>(9, 9).diagonal() = cov_bias_acc; // 加速度零偏随机游走

---

四、Allan 方差

4.1 什么是 Allan 方差？

Allan 方差是分析 IMU 噪声特性的标准工具，通过对不同平均时间 $\tau$ 的方差分析，识别各类噪声成分。

在 log-log 图上：

• 斜率 -1/2：角度/速度随机游走（白噪声）→ 读取 $\tau =1$ 处的值即为噪声密度
• 斜率 0（平坦段）：零偏不稳定性 → 读取最低点的值
• 斜率 +1/2：速率随机游走（零偏随机游走）

log(σ)
  |    \
  |     \ 斜率-1/2 (白噪声)
  |      \_____ 斜率0 (零偏不稳定性)
  |            /
  |           / 斜率+1/2 (随机游走)
  |──────────────── log(τ)

4.2 Allan 方差标定流程

1. 静止采集长时间 IMU 数据（通常 2-4 小时）
2. 对数据计算不同 $\tau$ 下的 Allan 方差
3. 在 log-log 图上拟合斜率，提取各噪声参数
4. 开源工具：imu_utils（ROS包）、kalibr_allan

---

五、IMU 初始化

5.1 静止初始化（FAST-LIO2 采用）

前提：系统启动时保持静止

流程：

1. 累积 N 帧 IMU 数据
2. 计算加速度均值 → 重力方向
3. 计算角速度均值 → 陀螺零偏

FAST-LIO2 源码（IMU_Processing.hpp:159-214）：

void IMU_init(...) {
    // 增量均值（Welford算法）
    mean_acc += (cur_acc - mean_acc) / N;
    mean_gyr += (cur_gyr - mean_gyr) / N;
    
    // 重力初始化：静止时 acc ≈ -g（body系）
    init_state.grav = S2(-mean_acc / mean_acc.norm() * G_m_s2);
    
    // 陀螺零偏初始化：静止时 gyro ≈ bias
    init_state.bg = mean_gyr;
}

5.2 动态初始化

当系统无法保证启动时静止（如车辆行驶中上电）：

1. 利用短时间（1-2秒）的 IMU 数据和 LiDAR 第一帧的位姿变化
2. 联合估计初始速度、重力方向和零偏
3. 通常通过构建线性方程组求解（类似 VINS-Mono 的初始化）

5.3 重力校准

目的：将重力从 IMU body 系对齐到世界系的 z 轴方向

// FAST-LIO2 的重力表示：S2流形
// 在初始化时：
init_state.grav = S2(-mean_acc / mean_acc.norm() * G_m_s2);
// 意味着：重力方向 = 加速度均值的反方向 × 9.81

// 世界系的 z 轴定义为重力方向的反方向
// 即：g_world = [0, 0, -9.81]^T

---

六、传感器时间戳同步

6.1 为什么时间同步重要？

IMU 频率通常 200-400Hz，LiDAR 通常 10-20Hz。如果时间戳不对齐：

• 去畸变时用错了 IMU 位姿 → 点云扭曲
• 融合时匹配错误的测量 → 估计发散

6.2 常见同步策略

方法	适用场景	精度
硬件同步（PPS/PTP）	工程部署	<1μs
时间戳对齐（host clock）	ROS系统	~1ms
在线时间偏移估计	无硬件同步	~ms级

6.3 FAST-LIO2 的时间同步

// 自动检测并补偿 LiDAR-IMU 时间偏移
if (time_sync_en && !timediff_set_flg && abs(last_timestamp_lidar - last_timestamp_imu) > 1) {
    timediff_set_flg = true;
    timediff_lidar_wrt_imu = last_timestamp_lidar + 0.1 - last_timestamp_imu;
}

原理：如果检测到 LiDAR 和 IMU 时间戳差异过大（>1秒），说明时钟基准不同，自动估计偏移量。

---

七、IMU Datasheet 中指导算法配置的参数

7.1 决定 Q 矩阵的参数

Datasheet 参数	对应 Q 矩阵位置	影响
ARW (陀螺噪声密度)	$Q_{ng}$：陀螺白噪声	影响旋转估计的不确定性
VRW (加速度噪声密度)	$Q_{na}$：加速度白噪声	影响位置/速度估计不确定性
Gyro Bias Instability	$Q_{nbg}$：陀螺零偏游走	影响零偏估计收敛速度
Accel Bias Instability	$Q_{nba}$：加速度零偏游走	影响零偏估计收敛速度

7.2 决定初始协方差 P 的参数

Datasheet 参数	对应 P 矩阵位置
Bias Repeatability	$P_{bg}$, $P_{ba}$ 的初始值
开机零偏 Turn-on Bias	$P_{bg}$, $P_{ba}$ 的初始值

7.3 用于异常检测的参数

Datasheet 参数	用途
量程 (Full Scale Range)	超量程数据标记为无效
非线性度	高动态下精度评估
交叉轴耦合	高精度应用需补偿

---

面试真题与答题要点

Q1: IMU 的噪声模型是什么？测量噪声和零偏各自属于什么数学模型？

IMU 测量 = 真值 + 零偏 + 白噪声。

• 测量白噪声：高斯白噪声模型（每次采样独立同分布），积分后产生随机游走
• 零偏（Bias）：随机游走模型（布朗运动），即每一步在上一步基础上加一个小随机扰动

数学表达：${\omega }_m=\omega +b_g+n_g$，${\dot{b}}_g=n_{bg}$

Q2: 怎么实现 IMU 初始化和重力校准？

静止初始化：累积N帧IMU数据，加速度均值的反方向即重力方向（静止时 acc ≈ -g_body），角速度均值即陀螺零偏。
重力校准：将估计的重力方向定义为世界坐标系 -z 方向，由此确定 IMU 到世界系的初始旋转。
FAST-LIO2用S2流形表示重力（2自由度），避免过参数化。

Q3: Datasheet 中哪些参数指导配置算法？

核心参数：

1. 噪声密度（ARW/VRW） → 配置过程噪声 Q 中的白噪声项
2. 零偏不稳定性 → 配置 Q 中的随机游走项
3. 采样率 → 连续到离散的转换系数
4. 量程 → 异常数据检测
5. 开机零偏 → 初始协方差 P 的设置

Q4: 连续噪声和离散噪声怎么转换？

• 白噪声（连续→离散）：${\sigma }_d={\sigma }_c/\sqrt{\Delta t}$，频率越高单次噪声越大
• 随机游走（连续→离散）：${\sigma }_d={\sigma }_c\cdot \sqrt{\Delta t}$，积分时间越长漂越多

实际代码中通常直接用离散方差配置 Q 矩阵。

---

延伸阅读

• 参考文档：Joan Sola, “Quaternion kinematics for the error-state Kalman filter” — 第5章 IMU噪声模型
• 工具：imu_utils (ROS包) — Allan方差标定
• 工具：kalibr — 多传感器联合标定（IMU-Camera、IMU-LiDAR外参）
• 论文：Qin T, et al. “VINS-Mono” — 动态初始化参考
• Datasheet范例：BMI088 (Bosch)、ICM-20689 (InvenSense)、ADIS16470 (Analog Devices)