跳转至

IMU 选型与校准

概述

IMU 的选型直接影响机器人的导航精度和系统成本。本文详细介绍主流 MEMS IMU 产品的性能参数对比，以及实际使用中必不可少的校准方法。

主流 IMU 产品

MPU6050 —— 入门级标杆

参数 值
类型 6 轴（加速度计 + 陀螺仪）
陀螺量程 ±250/500/1000/2000 °/s
加速度量程 ±2/4/8/16 g
陀螺噪声密度 0.005 °/s/√Hz
加速度噪声密度 400 μg/√Hz
接口 I2C（400kHz）/ SPI
采样率 最高 1kHz（陀螺）/ 1kHz（加速度）
供电 2.375–3.46V
尺寸 4×4×0.9 mm (QFN)
价格 ~$2

MPU6050 —— 无处不在

MPU6050 是最广泛使用的消费级 IMU，几乎所有 Arduino/ESP32 教程都使用它。虽然性能一般，但价格极低、资料丰富，非常适合学习和原型开发。注意：InvenSense 已被 TDK 收购，新项目推荐使用 ICM 系列。

BNO055 —— 自带融合算法

参数 值
类型 9 轴（加速度计 + 陀螺仪 + 磁力计）
陀螺量程 ±125/250/500/1000/2000 °/s
加速度量程 ±2/4/8/16 g
内置融合 Bosch BSX 融合算法，直接输出四元数/欧拉角
输出频率 融合数据 100Hz
接口 I2C / UART
供电 2.4–3.6V
尺寸 5.2×3.8×1.1 mm (LGA)
价格 ~$10–15

BNO055 的优势：

  • 内置传感器融合，无需自己写卡尔曼滤波
  • 直接输出：四元数、欧拉角、线性加速度（已去重力）、重力向量
  • 自动校准状态反馈
  • 适合快速原型开发

BNO055 的局限：

  • 融合算法是黑箱，无法自定义
  • 磁力计在强磁干扰环境下影响航向
  • 数据率相对有限（100Hz）
  • 不适合需要原始 IMU 数据的紧耦合融合方案

BMI088 —— 工业级选择

参数 值
类型 6 轴（加速度计 + 陀螺仪，独立芯片）
陀螺量程 ±125/250/500/1000/2000 °/s
加速度量程 ±3/6/12/24 g
陀螺噪声密度 0.014 °/s/√Hz
加速度噪声密度 175 μg/√Hz
陀螺偏置稳定性 ~2 °/h（典型）
接口 SPI / I2C
采样率 陀螺 2kHz，加速度 1.6kHz
供电 1.2–3.6V
尺寸 3×4.5×0.95 mm (LGA)
价格 ~$5–8

BMI088 的设计特点

BMI088 将加速度计和陀螺仪做成独立的两个芯片封装在一起，分别有独立的 SPI/I2C 接口。这种设计使得两个传感器不会相互干扰，且可以独立配置采样率和量程。被广泛用于无人机飞控（如 PX4）。

ICM-42688-P —— 新一代高性能

参数 值
类型 6 轴
陀螺量程 ±15.625/31.25/62.5/125/250/500/1000/2000 °/s
加速度量程 ±2/4/8/16 g
陀螺噪声密度 0.0028 °/s/√Hz
加速度噪声密度 70 μg/√Hz
接口 SPI（24MHz）/ I2C
采样率 最高 32kHz
供电 1.71–3.6V
价格 ~$4–6

ADIS16465 —— 高精度工业级

参数 值
类型 6 轴
陀螺偏置稳定性 2 °/h（ADIS16465-1）/ 0.7 °/h（-3）
陀螺 ARW 0.14 °/√h
加速度偏置稳定性 3.2 μg（-1）/ 1.5 μg（-3）
接口 SPI
内置 △Θ / △V 输出、温度补偿
供电 3.0–3.6V
价格 ~$200–500

STIM300 —— 战术级

参数 值
类型 9 轴（3 陀螺 + 3 加速度 + 3 倾角）
陀螺偏置稳定性 0.3 °/h
陀螺 ARW 0.15 °/√h
接口 RS422
供电 5V
工作温度 -40°C ~ +85°C
价格 ~$3,000–5,000

综合对比

产品 类型 陀螺噪声密度 偏置稳定性 接口 采样率 价格 适用场景
MPU6050 6轴 0.005 °/s/√Hz >10 °/h I2C 1kHz ~$2 学习、原型
BNO055 9轴 - ~5 °/h I2C/UART 100Hz ~$12 快速原型、姿态
BMI088 6轴 0.014 °/s/√Hz ~2 °/h SPI/I2C 2kHz ~$6 无人机、机器人
ICM-42688 6轴 0.0028 °/s/√Hz ~1 °/h SPI/I2C 32kHz ~$5 高性能机器人
ADIS16465 6轴 - 0.7–2 °/h SPI 2kHz ~$300 工业导航
STIM300 9轴 - 0.3 °/h RS422 2kHz ~$4K 战术级导航

选型指南

按应用场景

graph TD
    A[应用场景] --> B[学习/原型]
    A --> C[消费级产品]
    A --> D[无人机/机器人]
    A --> E[自动驾驶]
    A --> F[高精度导航]

    B --> B1[MPU6050<br/>BNO055]
    C --> C1[BMI160<br/>LSM6DSO]
    D --> D1[BMI088<br/>ICM-42688]
    E --> E1[ADIS16465<br/>BMI088]
    F --> F1[STIM300<br/>HG1120]

选型关键考虑因素

因素 说明
噪声密度 决定短期精度，影响高频信号质量
偏置稳定性 决定长期漂移速度
采样率 高动态场景需要高采样率（>1kHz）
接口 I2C 简单但速率有限，SPI 更快更可靠
温度范围 户外应用需要宽温范围
内置功能 温度补偿、数字滤波、FIFO 缓冲
功耗 电池供电设备需关注
是否需要融合 需要原始数据还是融合后姿态

IMU 校准

为什么需要校准

MEMS IMU 的测量模型：

\[ \tilde{\mathbf{a}} = \mathbf{M}_a \cdot \mathbf{S}_a \cdot (\mathbf{a}_{\text{true}} + \mathbf{b}_a) + \mathbf{n}_a \]

其中：

  • \(\mathbf{M}_a\) 为轴间耦合（Misalignment）矩阵
  • \(\mathbf{S}_a\) 为标度因子（Scale Factor）对角矩阵
  • \(\mathbf{b}_a\) 为偏置（Bias）向量
  • \(\mathbf{n}_a\) 为噪声

校准的目标是估计 \(\mathbf{M}_a\)、\(\mathbf{S}_a\) 和 \(\mathbf{b}_a\)。

六面体静态校准（Six-Position Calibration）

最经典的加速度计校准方法。将 IMU 分别放置在 6 个正交方向（±X, ±Y, ±Z 朝上），在每个位置静止采集数据。

原理：静止时加速度计测量值应等于重力向量在各轴上的投影。

\[ \| \tilde{\mathbf{a}} \| = g = 9.80665 \, \text{m/s}^2 \]

步骤：

  1. 将 IMU 平放（Z 轴朝上），静止采集 30s 数据
  2. 翻转（Z 轴朝下），静止采集 30s
  3. 重复 X 轴朝上/下、Y 轴朝上/下
  4. 每个位置取平均值
  5. 解算偏置和标度因子
import numpy as np

def six_position_calibration(measurements):
    """
    measurements: dict with keys '+x', '-x', '+y', '-y', '+z', '-z'
    每个值为 (N, 3) 的加速度计数据
    """
    g = 9.80665  # m/s^2

    # 各方向平均值
    means = {k: np.mean(v, axis=0) for k, v in measurements.items()}

    # 偏置 = (正方向 + 反方向) / 2
    bias = np.array([
        (means['+x'][0] + means['-x'][0]) / 2,
        (means['+y'][1] + means['-y'][1]) / 2,
        (means['+z'][2] + means['-z'][2]) / 2,
    ])

    # 标度因子 = (正方向 - 反方向) / (2g)
    scale = np.array([
        (means['+x'][0] - means['-x'][0]) / (2 * g),
        (means['+y'][1] - means['-y'][1]) / (2 * g),
        (means['+z'][2] - means['-z'][2]) / (2 * g),
    ])

    return bias, scale

def apply_calibration(raw_data, bias, scale):
    """应用校准参数"""
    return (raw_data - bias) / scale

陀螺仪偏置校准

最简单的方法：静止状态下采集数据，均值即为偏置。

def gyro_bias_calibration(static_data, duration=60):
    """
    static_data: (N, 3) 陀螺仪静态数据
    duration: 采集时长(秒)，越长越准确
    """
    bias = np.mean(static_data, axis=0)
    noise_std = np.std(static_data, axis=0)

    print(f"陀螺偏置: {bias} rad/s")
    print(f"陀螺噪声: {noise_std} rad/s")

    return bias

温度补偿校准

IMU 偏置随温度变化显著。温度补偿通过在不同温度下采集数据，拟合偏置-温度关系：

\[ b(T) = b_0 + b_1 T + b_2 T^2 \]
def temperature_compensation(temp_data, bias_data):
    """
    temp_data: (N,) 温度采样
    bias_data: (N, 3) 对应温度下的偏置
    """
    coeffs = []
    for axis in range(3):
        # 二阶多项式拟合
        p = np.polyfit(temp_data, bias_data[:, axis], deg=2)
        coeffs.append(p)

    return np.array(coeffs)

def compensate_bias(raw_data, temperature, temp_coeffs):
    """运行时温度补偿"""
    compensated = np.zeros_like(raw_data)
    for axis in range(3):
        bias_at_temp = np.polyval(temp_coeffs[axis], temperature)
        compensated[:, axis] = raw_data[:, axis] - bias_at_temp
    return compensated

磁力计校准

磁力计受硬铁（Hard Iron）和软铁（Soft Iron）效应影响：

\[ \tilde{\mathbf{m}} = \mathbf{A} \cdot \mathbf{m}_{\text{true}} + \mathbf{b}_{\text{hard}} \]

校准方法：旋转采集数据（画 8 字），将椭球拟合为标准球。

def magnetometer_calibration(mag_data):
    """
    椭球拟合校准
    mag_data: (N, 3) 磁力计数据（全方位旋转采集）
    """
    # 硬铁偏移 = 椭球中心
    hard_iron = np.mean([np.max(mag_data, axis=0), 
                          np.min(mag_data, axis=0)], axis=0)

    # 软铁矩阵 = 椭球轴长比
    centered = mag_data - hard_iron
    ranges = np.max(centered, axis=0) - np.min(centered, axis=0)
    avg_range = np.mean(ranges)
    soft_iron_scale = avg_range / ranges

    return hard_iron, soft_iron_scale

def apply_mag_calibration(raw_mag, hard_iron, soft_iron_scale):
    return (raw_mag - hard_iron) * soft_iron_scale

ROS2 中使用 IMU

IMU 消息格式

# sensor_msgs/msg/Imu
Header header
geometry_msgs/Quaternion orientation           # 姿态四元数
float64[9] orientation_covariance              # 协方差
geometry_msgs/Vector3 angular_velocity         # 角速度 (rad/s)
float64[9] angular_velocity_covariance
geometry_msgs/Vector3 linear_acceleration      # 线加速度 (m/s^2)
float64[9] linear_acceleration_covariance

BNO055 ROS2 驱动

sudo apt install ros-humble-bno055

# 启动
ros2 run bno055 bno055_driver --ros-args \
    -p connection_type:=uart \
    -p uart_port:=/dev/ttyUSB0

imu_filter_madgwick

用于从原始 IMU 数据估计姿态：

sudo apt install ros-humble-imu-filter-madgwick

ros2 run imu_filter_madgwick imu_filter_madgwick_node --ros-args \
    -p use_mag:=false \
    -p publish_tf:=true \
    -p world_frame:=enu

常见问题

问题 原因 解决方案
姿态持续漂移 陀螺偏置未补偿 静止校准、温度补偿
航向不准 磁力计干扰 磁力计校准、远离铁磁材料
振动噪声大 机械振动耦合 减振安装、低通滤波
数据丢失 I2C 通信不稳定 使用 SPI、增加上拉电阻
温度漂移 MEMS 温度特性 温度补偿校准

参考资料

  • Bosch BNO055 数据手册
  • Bosch BMI088 数据手册
  • TDK InvenSense ICM-42688 数据手册
  • Analog Devices ADIS16465 数据手册
  • 《Inertial Sensor Technology Trends》 - IEEE Sensors Journal

评论 #