噪声（Noise ）

幅度(RMS)与带宽的平方根成正比
由上图可知，信号总能量就是幅度的平方；功率谱密度对于惯性传感器来说才是本质的参数，它变低了，说明传感器才是真正的好。

通过求平均来降低噪声的幅度：幅度(RMS)与平均时间的平方根成反比。(当我们用陀螺和加速度计进行静态测量时，被测参数是一个常值，常值在时域上，常值信号，它的带宽为0，即0HZ；这时就可以用一个最简单最狠的低通滤波，即求平均，来降低噪声的影响)

陀螺白噪声与角度随机游走的关系

上图可以知道：
1.惯性传感器里面，以陀螺为例，陀螺输出为角速度，惯导算法里总是要做某种形式积分，积分结果就变为角度；角速度白噪声就变为角度随机游走
2.白噪声层面，参数为功率谱密度；随机游走模型参数变为发散率；他俩本质相同
3.以公式为例，白噪声平方的数学期望，等于功率谱密度乘以一个狄拉克函数(狄拉克函数积分面积为1)；随机游走功率的数学期望，等于发散率乘以时间(时变的，随着时间线性发散)，时间越长，功率统计值越大，也就是幅度随着时间的开方而线性增长
4.求平均是有效的抑制白噪声的方式；从0到t时刻的平均值，是随机游走的1/t；而白噪声的平均值他的功率，就是它的平方的数学期望；幅度是功率的开方，因此，幅度是和根号t成反比（下面示例可以看出）

白噪声RMS vs. 平均时长（举例）

原来是1000HZ，每10个点求平均，就变为100HZ了，幅度也降下来了，而且是原来幅度的1/sqrt(10)；每100个点求平均，就变为10HZ了幅度更低，是原来的1/10

总结

带宽降低，噪声幅度就会减少；平均时间延长，噪声幅度也会减少

实际的传感器信号

上图表示光纤陀螺采集的实际输出，这是在静止时候测出的，西现做一些解释：
图中蓝色曲线为陀螺的实际输出，水平蓝色实线为实际输入（静止时，实际输入的角速度其实就是地球自转的投影），白色线就是表示一些小的波动

陀螺测量模型

加速度计测量模型

下图可以看到，加速度计测量模型就是多了两个误差，一个是非线性比例因子误差矩阵，一个是重力异常

至于为什么加速度计要考虑非线性，可能是历史原因造成的，当惯导用在武器系统时，由于加速度会很大，且量程很大，所以就要考虑非线性，但一般建模不考虑

术语解释

易混淆的概念:

Bias零偏 vs. Bias error零偏误差; SF比例因子 vs. SF error;比例因子误差
Random Walk vs. White Noise

同义词:

Drift, variation, instability, stability;对零偏而言
Non-orthogonality, cross-axis, axis-misalignment对交轴耦合而言

易混淆的单位:

Accel: m/s2, g, mg, ug, mGal, m/s/h;通常计算时不以重力g为单位
Gyro: rad/s, deg/s, deg/h;
For white noise (or random walk):
Spectrum density (q) vs. sqrt(q)
rad/s/sqrt(Hz), deg/s/sqrt(Hz) = deg/sqrt(s), deg/sqrt(h);
m/s2/sqrt(Hz) = m/s/sqrt(s), ug/sqrt(Hz), m/s/sqrt(h).

如果误差本身随机量是高斯分布，那么高斯分布RMS=1sigma;高斯分布峰峰值=6sigma

误差模型

高斯白噪声：用来描述噪声的不二之选
随机游走：对陀螺来讲，陀螺输出的角速度有什么发散的误差话，就用它建模
一阶高斯马尔可夫过程：常用，非常简单的随机模型，用来描述、拟合或者接近很多种随机过程
随机常数：因为数值不随时间变化，因此是一个常数，但是有时我们不知道它具体是多少(比如在标定前，不知道惯导的常值误差时)，在这种情况下就是随机常数；在知道多少时，就是常数了
零偏不稳定性可以用两种模型来描述：若零偏波动的不确定性比较大，就可以用一个发散的随机游走来描述，但是注入了太多的随机性，因为这个随机游走是无限发散的，而零偏不是无限发散的，但随机游走只需要确定一个参数；一阶高斯马尔可夫过程中，变化快慢和幅度可以用不同参数来调整，可以描述波动范围有限的参数比较贴切，需要确定两个参数
Allan方差分析适合于时间频率领域和惯性导航领域

自相关(Auto correlation)*

当一阶马尔可夫模型的相关时间越大，则曲线越宽；当相关时间越小，则曲线越往白噪声的自相关曲线靠拢

功率谱密度*（PSD）– Example

上面两种传统方法是时间序列分析通用的方法，但是不适用于惯导领域，因为我们的惯导传感器关注的误差主要集中在低频部分，也就是缓慢的零偏变化

下面的Allan方差分析是惯导领域最常用的：

Allan方差计算

1.Allan方差对惯性传感器的误差的关注主要在不确定性或稳定性上，但是关注的是不同时间尺度上的稳定性，和应用领域有关
2.计算方法如上图，主要是计算时间尺度内的均值，以及每个相邻均值的差值，最后统计差值的RMS值
3.若要从低到高时间尺度都做一遍，这样就能得到一个Allan方差的序列，可以画出一个曲线，横轴为块长度；而Allan方差分析，分析的就是这一根曲线，分析的部分已在下节更新
4.不关心的细节，也就是时间尺度内的短时间，通过求平均去掉；相邻块求差方式把长时间尺度的不确定性去掉；因此最后得到的结果就是纯粹的指定时间尺度上的不确定性和变化。

惯性导航原理(六)-IMU误差分类(中)-陀螺+加速度计测量模型+误差模型+Allan方差简介相关推荐

惯性导航原理(八)-IMU的标定
文章目录 IMU的标定加速度计的两位置法静态标定加速度计的两位置法静态标定(续) 加速度计的六位置法标定算法陀螺标定原理标定方法总结新的标定方法如何测试和标定一个新的IMU? IMU的标定 ...
惯性导航原理(一)-航位推算+加速度计+陀螺仪+IMU+INS
文章目录导航定位原理分类航位推算(Dead-Reckoning) 牛顿运动定律惯性传感器--加速度计力反馈原理加速度计种类惯性传感器--陀螺仪转子陀螺-陀螺定轴性振动陀螺-哥氏效应(C ...
多传感器融合定位六-惯性导航原理及误差分析
多传感器融合定位六-惯性导航原理及误差分析 1. 惯性技术简介 1.1 惯性技术发展历史 1.2 惯性器件 1.2.1 机械陀螺(几乎没人用了) 1.2.2 激光陀螺 1.2.3 光纤陀螺 1.2.4 ...
envi最大似然分类_闲谈最大后验概率估计（MAP estimate）amp;极大似然估计（MLE）和机器学习中的误差分类...
上一篇文章中提到了一个有趣的实验,简单来说就是1-100中有若干个数字是"正确的",只告诉其中一部分"正确的"数字,去猜全部"正确的"数字. ...
GNSS说第(七)讲---自适应动态导航定位(六)---导航解算中的误差探测、诊断与修复
GNSS说第(七)讲-自适应动态导航定位(六)-导航解算中的误差探测.诊断与修复概述一般性描述动态导航定位误差的探测.诊断与调整是高精度导航定位必须解决的问题.它要求实时监测导航系统中的动力学( ...
深蓝学院-多传感器融合定位课程-第5章-惯性导航原理及误差分析
专栏文章: 深蓝学院-多传感器融合定位课程-第1章-概述_goldqiu的博客-CSDN博客深蓝学院-多传感器融合定位课程-第2章-3D激光里程计I_goldqiu的博客-CSDN博客深蓝学院-多 ...
自动驾驶（五十二）---------惯性导航原理
惯性导航一般集成在GPS设备中,都是由供应商集成,那在这里有什么讨论的必要呢,要知道在车辆行驶中,我们可以拿到GPS的yawrate和speed信号,而且车辆本身还有一套传感器获取yawrate和sp ...
Allan方差读图分析IMU误差指标
1.Allan方差公式推导 IMU噪声参数辨识-艾伦方差 - 知乎前言在统计学中描述随机变量的两个经典参数是均值和方差,早期在定量表征原子钟的频率稳定度时采用的就是经典方差方法.1996年,学者D.W ...
惯性导航原理（1）：导航坐标系及相互转换
一.导航坐标系转换坐标系介绍 1.惯性坐标系(地心惯性坐标系)i系 2.地球坐标系(地心地固坐标系)e系 3.WGS-84坐标系(常用)blh坐标系 4.当地水平地理坐标系g系(常用东北天ENU或者 ...

惯性导航原理(六)-IMU误差分类(中)-陀螺+加速度计测量模型+误差模型+Allan方差简介