IMU初介绍及里程计相关补充

IMU原理：根据牛顿机械定律，通过测量惯性参考系中载体的加速度，将其积分时间，并将其转换为导航坐标系，可以获得导航坐标系中的速度、偏角和位置。

IMU (惯性测量装置)在航空航天工业中的应用已有几十年的历史。然而，精密航空航天使用 IMU 它是基于昂贵的陀螺仪和其型传感器，对成本更敏感。

现代电子 IMU 高度集成，可包括多种传感器-加速计、陀螺仪和磁力仪；基于微机电系统 (MEMS) 因此，技术体积小，重量轻，相对坚固。这些新一代 IMU 可作为板安装元件提供，经证明非常适合嵌入式应用。

IMU 它提供了嵌入式应用提供了更精细的定位分辨率和更快的更新率IMU 提供距离已知起点的相对位置信息。

基于IMU定位(通常称为惯性导航)本质上属于航位计算定位，定位解算是基于运动积分是的，由于当前结果中的定位误差会积累到当前定位结果中，同时由于定位误差的原因IMU零偏差本身的最终表现是定位误差会随时间积累。因此，在实际应用中，需要结合其他定位误差而不积累的定位方法，如无线电导航(GPS、UWB等)或特征匹配定位(地形匹配、激光点云地图匹配等)。实时辅助修正惯导误差，为了在一定程度上抑制误差的积累，满足使用需要。当然，如果没有其他传感器或定位方法可以单独使用IMU定位时，为避免误差积累过快，一方面，要对IMU校准内参(零偏差、刻度系数误差等)；另一方面，要结合具体应用平台和场景，考虑加入零速校正、零角度校正或运动约束等。另外，仅用于航姿估计时，基于加速度和角速输出的互补滤波补滤波方法，在无人机领域给出准确的俯仰角和横滚角。

参考文章链接：https://www.zhihu.com/question/309502912/answer/608269956

陀螺仪通过角速度变化检测方向，但随着时间的推移，陀螺仪经常漂移，因为它仅检测变化而无固定参考系。将加速计数据添加到陀螺仪数据中，可以最大限度地减少陀螺仪的偏置，从而获得更准确的位置估计。与重力相比，该数据可用于定向陀螺仪。

静态(与动态相反)加速计算更准确。当系统已经存在时运动时，使用陀螺仪检测方向应更好。加速器反应迅速。如果只使用这些数据，加速器抖动和噪声会产生累积误差。此外，由于重力等外力，加速器往往会扭曲加速度，这也会作为噪声在系统中积累。

将陀螺仪的长期精度与加速器的短期精度相结合，依靠每个传感器的优点来抵消或减少另一个传感器的弱点，以获得更准确的方向读数。这两种传感器相互补充。

因此，我们需要滤波来结合这两个传感器的数据来减少误差。

IMU 最大限度地减少软件滤波的使用 IMU 数据定位误差。传感器数据可以通过多种滤波方法集成，每种方法都有不同程度的复杂性。互补滤波是合并多个传感器提供数据的简单方法。互补滤波是一种将军高通陀螺仪滤波和低通加速计滤波相结合的线性函数。因此，加速计数据中的高频噪声将在短时间内被过滤掉，并被陀螺仪数据平滑。

虽然互补滤波在计算上很简单，但为了实现更好的精度，IMU 现在更喜欢用了卡尔曼滤波器等等更复杂的技术。卡尔曼滤波器是一种非常流行的递归传感器集成算法，可以在没有大量处理能力的情况下构建更准确的定位系统。卡尔曼滤波器有多种类型，包括标准卡尔曼滤波器和扩展卡尔曼滤波器 (EKF) 和无迹卡尔曼滤波 (UKF)。

基于以下假设：被滤波的数据是高斯分布形式，过滤其应用线性方程（用线性方程处理即将观测值和预测值）。然而，现实世界中的运动并不像卡尔曼滤波器的假设那样正常。实际运动遵循的方程通常涉及非线性正弦和余弦函数，因此 EKF 采用泰勒级数和高斯分布的单点近似来线性非线性函数。这些近似可能是主要的误差源。

UKF 采用确定性采样方法解决误差问题，生成一组精心挑选的采样点来代表数据的预期高斯分布，而不是 EKF 单点相似。这些采样点完全捕获了预期高斯值的真实平均值和协方差，从而实现了更准确的滤波。

典型 IMU 用于三种不同的传感器：陀螺仪测量角速/速度、用于测量线性加速度的加速计以及用于磁力仪测量磁场强度。更具体地说，IMU 的磁力仪测量地球的磁场强度，以确定相对于地磁北极的航向。导航应用设计 IMU 通常有三种传感器对应三个正交运动轴。

然而，磁力仪容易受到硬铁和软铁失真的影响。地球磁场失真通常分为硬铁效应和软铁效应。

最后，加速器和陀螺仪只提供关于物体加速力（线性和旋转）的信息**（也就是说IMU的输出信息是线加速度和角加速度）**，因此，由于加速度是物体速度的变化率，而速度是物体位置的变化率，因此必须将数据积分确定两次。换句话说，IMU 陀螺仪和加速计数据提供物体绝对位置的二阶导数。

二重点本身需要相当多的处理，但对于三维定位，重力的加速度影响必须消除。对于加速器，重力表现为恒定加速度，导致数据偏移。通常，重力的加速度必须受到影响 IMU 和包含 IMU 当物体处于静态状态时，通过校准从系统中消除。

请注意，由于采样误差，这种二重点会导致误差。采样率越慢，误差越大。

IMU 考虑软件设计

为实际的 IMU 在实现这些算法时，请考虑以下措施和建议：

IMU 传感器信号有噪音，需要数字滤波。通常，IMU 卡尔曼滤波将用于应用。

即使过滤，也不可避免地会有其他误差源，如耦合 IMU 机械噪声，以及上述硬铁和软铁失真。这种噪声必须以其他方式过滤或消除。

应用程序开始时，需要在 IMU 静止时执行校准例程，原因是尽可能准确，当物体不运动时，软件需要知道传感器读数是多少。运动中物体的实际加速度值等于当前加速度传感器的采样值减去校准值。

校准后，传感器值可以是正或负。因此，保存这些值的变量必须分为正或负。

传感器数据采样频率越高，结果越准确，然而，更多的样本将需要更多的存储器和更严格的定时要求，这也可能涉及其他硬件考虑因素。

采样周期必须始终完全相同。采样周期会导致数据误差。

样本之间的线性数据拟合(插值)可以产生更准确的结果，但也需要更多的处理时间。

从以上讨论可以清楚地看出，根据 IMU 确定航向、位置和运动所需的数据并不容易。IMU 供应商经常为其产品提供软件应用包来执行这些计算。

总结

IMU 它在嵌入式应用中非常有用，可以自行提供位置和航向信息。IMU 也可用于增强 GNSS 为了提高定位精度或更新率，接收器信息。 IMU 在嵌入式系统中集成需要大量的软件，IMU 为了帮助实现这些设备的实际应用，供应商经常提供相关软件。

引用自http://www.elecfans.com/d/1056444.html

补充：

里程计：
一、在ROS里程计是一种利用移动传感器获得的数据来估计物体位置随时间变化的方法。

里程计是一个模块，而不是一个特定的传感器。里程计可以使用IMU、传感器的数据，如轮式编码器。

二、在ROS当中里程计信息可以分为两个部分：一个是位姿（位置和姿态），一个是速度（线速度和角速度）。

里程计可以从两个地方获取数据，一个是安装在发动机和轮子上的编码器。
编码器每转一圈就会触发固定数量ticks(通常有几百或几千个)，以记录相应的轮子转动了多少圈。加上预先知道的轮子直径和间距，编码器可以将记录的数据转换为用m表示的车轮行驶距离，或者使用rad轮子旋转的角度。

四、一是从移动传感器中获取数据，当然要使用传感器，这里的传感器就是我们所说的IMU。
一般IMU由加速度器acc、陀螺仪gyr还可以添加一个磁力计mag；

1、acc积分可以得到速度，然后积分可以得到位置；静止时可以得到姿势方向；

2、gyr积分可以得到姿势方向；

3、mag你可以得到姿势方向；

参考文章链接：https://blog.csdn.net/ys13204130/article/details/80017123