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_duration=10.0, sample_rate=200):
        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, axis=0)
        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_duration=10, sample_rate=200)

# 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_gravity=np.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, axis=0) - 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_degree=3):
        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。