自动驾驶中的传感器技术7——概述（7）-IMU

7 IMU技术概述

自动驾驶中的IMU（惯性测量单元）是一种关键的传感器，用于提供车辆的运动状态信息，包括加速度、角速度和方向等。IMU通常由加速度计、陀螺仪和磁力计组成，分别负责测量线性加速度、旋转运动和地磁场方向。这些传感器的协同工作使得IMU能够实时计算车辆的相对位置和姿态，为自动驾驶系统提供重要的定位数据。

车载应用中一般不含磁力计。

在自动驾驶系统中，IMU与GPS、激光雷达、摄像头等其他传感器融合使用，以提高定位精度和系统的鲁棒性。例如，IMU可以验证GPS信号的自洽性，滤波和修正异常数据，并在GPS信号丢失时提供亚米级的定位精度。此外，IMU在高楼林立的城市区域或隧道等GPS信号微弱的环境中尤为重要，因为它可以独立于外部信号提供相对定位信息，确保车辆在这些复杂场景下的安全行驶。

IMU的优势在于其完全自主、高度隐蔽、信息实时且连续，不受时间、地域或人为因素的干扰。它能够在城市峡谷、森林道路等多路径效应严重的环境中稳定工作，弥补GNSS更新之间的空隙，并在其他传感器失效时提供短时导航能力。此外，IMU的冗余性使其输出结果的置信度远高于其他传感器，成为自动驾驶系统中不可或缺的一部分。

然而，IMU也存在一定的局限性，如价格昂贵、误差积累等问题。

IMU（惯性测量单元）在汽车中通常安装在车辆的底盘、仪表盘下方或后备箱等位置，或者直接集成在自动驾驶的中央域控中，安装位置随自动驾驶的中央域控而定。通常其具体位置会因车型和设计而异，但通常会选择在车辆重心附近，以最大程度地减少车辆运动对测量结果的影响。
图1 IMU安装位置

7.1 基本原理

IMU是一种传感器组合，通常包括加速度计和陀螺仪，用于测量车辆的运动状态和方向。IMU的工作原理如下：

加速度计：加速度计测量车辆的加速度，即速度的变化率。通过对加速度进行积分，可以计算车辆的速度和位移。
陀螺仪：陀螺仪测量车辆的旋转速度和方向。通过对陀螺仪数据进行积分，可以计算车辆的方向和角度。
数据融合： IMU通常与其他传感器数据（如GPS和激光雷达）一起使用，以提供全面的车辆定位和导航信息。数据融合算法可将不同传感器的数据整合在一起，以减少误差和提高精度。

IMU的优势包括实时性强、对信号遮挡不敏感以及在短时间内提供高频率的运动信息。然而，IMU也存在累积误差的问题，因此需要定期校准和数据融合来提高精度。

加速度计（G-sensors）

加速度计的工作原理并不太复杂。它以g为单位测量加速度，并且可以在一个、两个或三个平面上进行测量。当前，最常用的是3轴加速度计，其结构由三个加速度计组成，每个加速度计在X、Y和Z平面上沿不同方向测量加速度。

如果加速度计不受任何外部加速度的影响，则该设备将仅测量相对地球的加速度，即重力。假设3轴加速度计的放置方式是X轴上的传感器指向左侧，Y轴上的传感器向下，Z轴上的传感器向前且不受任何力的影响，则加速度计将返回以下值：X = 0 g, Y = 1 g, Z = 0 g。如果将同一加速度计向左偏转，则其读数将显示：X = 1 g, Y = 0 g, Z = 0 g。同样，当向右倾斜时，X平面将返回X = -1 g。

现代加速度计，特别是微机电系统(MEMS) 加速度计，通常采用以下几种技术：

电容式：:利用质量块的位移导致电容变化来测量加速度。
压阻式：:利用质量块的位移引起电阻变化来测量加速度。
压电式：:利用某些材料在受力时产生的电荷来测量加速度。

图2 MEMS加速度计

MEMS三轴加速度计是采用压阻式、压电式和电容式工作原理，产生的比力(压力或者位移)分别正比于电阻、电压和电容的变化。这些变化可以通过相应的放大和滤波电路进行采集。该传感器的缺点是受振动影响较大。

陀螺仪（Gyros）

理解三轴陀螺仪的原理首先要知道科里奥利力。科里奥利力（Coriolis force），有些地方也称作哥里奥利力，简称为科氏力，是对旋转体系中进行直线运动的质点由于惯性相对于旋转体系产生的直线运动的偏移的一种描述。科里奥利力来自于物体运动所具有的惯性。

当一个质点相对于惯性系做直线运动时，因为质点自身惯性，它相对于旋转体系，其轨迹是一条曲线。立足于旋转体系，我们认为有一个力驱使质点运动轨迹形成曲线。科氏力就是对这种偏移的一种描述，表示为：
图3 科里奥特力
图4 科里奥特力

即本来直线的运动当放在一个旋转体系中直线轨迹会发生偏移，而实际上并直线运动的问题并未受到力的作用，设立这样一个虚拟的力称为科里奥利力。

由此我们在陀螺仪中，选用两块物体，它们处于不断的运动中，并令它们运动的相位相差-180度，即两个质量块运动速度方向相反，而大小相同。它们产生的科氏力相反，从而压迫两块对应的电容板移动，产生电容差分变化。电容的变化正比于旋转角速度。由电容即可得到旋转角度变化。

机械式陀螺仪基于角动量守恒，光纤式陀螺仪基于萨格纳克效应，MEMS陀螺仪则是基于科里奥利效应(Coriolis Effect)。车载采用的MEMS陀螺仪。
图5 MEMS陀螺仪
图6 Yaw Pitch Roll

7.2 技术特点

加速度计（G-sensors）

MEMS加速度计具有体积小、重量轻、功耗低、成本低、灵敏度高等特点，并且可以实现多轴测量和集成化，使其在各种应用中得到广泛应用。

技术特点:

体积小、重量轻: MEMS加速度计基于微电子机械系统技术，采用微米甚至纳米级的结构，因此体积非常小，重量也很轻，非常适合集成到各种小型电子设备中，例如智能手机、可穿戴设备等。
功耗低: MEMS加速度计在工作时通常只需要很小的电流，功耗非常低，这对于电池供电的移动设备来说非常重要。
成本低: MEMS技术的发展使得加速度计的制造成本大大降低，使得MEMS加速度计在各种应用中具有很强的竞争力。
灵敏度高: MEMS加速度计能够检测非常微小的加速度变化，这使得它们能够应用于各种需要高精度测量的场合，例如惯性导航、倾角测量等。
多轴测量: MEMS加速度计可以集成多个感应单元，实现三维空间中的加速度测量，为各种应用提供了更大的灵活性。
集成化: MEMS加速度计可以与信号调理电路、微处理器等集成在同一芯片上，形成完整的加速度测量系统，简化了设计和应用。
可靠性高: MEMS器件具有很高的可靠性和稳定性，可以在各种恶劣环境下工作。
带宽可调: MEMS加速度计的带宽可以根据应用需求进行调整，以满足不同的测量要求。
抗冲击和振动: MEMS加速度计具有良好的抗冲击和振动性能，可以在振动环境下正常工作。

陀螺仪（Gyros）

MEMS陀螺仪，即微电子机械系统陀螺仪，是一种利用科里奥利效应来测量角速度的微型传感器。它具有体积小、重量轻、功耗低、成本低、可靠性高等优点，被广泛应用于消费电子、汽车、航空航天等领域。

以下是MEMS陀螺仪的主要技术特点：

体积小，重量轻: MEMS陀螺仪的核心部件非常微小，可以集成到各种小型电子设备中，例如智能手机、平板电脑、无人机等。
功耗低: MEMS陀螺仪的功耗通常很低，这使得它非常适合于便携式设备，可以延长电池续航时间。
成本低: MEMS技术使得陀螺仪的批量生产成本较低，使其成为消费电子产品的理想选择。
可靠性高: MEMS陀螺仪通常具有较长的使用寿命，并且能够承受一定的冲击和振动。
测量范围广: MEMS陀螺仪可以测量各种不同的角速度，满足不同应用的需求。
精度高: 随着技术的不断发展，MEMS陀螺仪的精度也在不断提高，可以满足一些对精度要求较高的应用，例如无人机稳定、汽车导航等。
环境适应性强: MEMS陀螺仪可以适应各种不同的工作环境，包括高温、低温、高湿度等。
集成度高: MEMS陀螺仪可以与其他传感器（如加速度计、磁力计）集成，形成惯性测量单元（IMU），为各种应用提供更全面的运动信息。
响应速度快: MEMS陀螺仪的响应速度通常较快，可以快速捕捉物体的运动变化。
易于集成: MEMS陀螺仪的封装通常很小，易于集成到各种电子设备中。

IMU

陀螺仪用以获取运动体的角速度并测量其角度变化，加速度计用以获取运动体的线性加速度并测量其速度变化，惯性导航解算软件通过积分运算、姿态矩阵计算等方法计算出地理坐标系下运载体的速度、位置和姿态。

IMU需要满足高精度与高稳定性:

高精度的IMU可以提供更准确的车辆姿态信息，帮助系统更好地理解车辆在空间中的位置和方向。
IMU的稳定性对系统的可靠性至关重要，长时间运行需要保持稳定的性能，不受环境因素影响。

图7 IMU和GNSS形成互补

7.3 工程实践

惯导算法深刻影响系统精度。在同样的硬件环境下，算法优劣的标准在于尽可能对车辆精确建模、导航过程中准确测算并及时纠正航位误差、适应多种外部环境特别是在卫星信号较弱的极端环境。惯导系统的算法包括 GNSS、IMU 子系统内的算法，以及 GNSS 和 IMU 耦合算法，均对定位精度有影响：

1）IMU 子系统内算法：主要是 DR（Dead Reckoning，航位推算）算法，指已知上一时刻导航状态（状态、速度和位置），根据传感器观测值推算到下一时刻的导航状态。 DR 算法包括姿态编排和位置编排两个部分。

2）GNSS 子系统内算法：GNSS 系统单点定位精度均在米级，需要使用 RTK（Real - time kinematic，实时动态）载波相位差分技术等增强技术达到厘米级定位精度，由于实际环境、通信情况等因素会影响高精度定位算法的准确性，依赖于长时间积累实现算法迭代。

3）IMU和GNSS融合算法：INS和GNSS的组合方式可分为松耦合（loosely coupled）和紧耦合（tightly coupled）：

a）松耦合：采用的是 RTK 定位结果+IMU 原始数据来实现融合，系统同时具有独立的 GNSS 和 INU，各自解算载体方位和运动情况信息，所得结果导入滤波器进行进一步解算，估算 INS 误差情况，从而提高导航精度。松耦合在隧道、地下车库等完全无卫星信号的场景下与紧耦合相当，但在有卫星信号但是信号被遮挡的场景下，如城市峡谷等，定位效果不如紧耦合。
图8 IMU和GNSS组合算法系统

b）紧耦合：采用 RTK 定位结果+GNSS 的原始数据+IMU 原始数据。相较于松耦合，紧耦合不要求完整的 GNSS 结果，根据 GNSS 提供的部分数据即可计算 INS 误差，因此在 GNSS 受到一定干扰、探测到的卫星数量少于 4 时，得到的信息经解算后依然可以作为滤波器的依据计算。紧耦合算法的实现需要的计算量较大，此外厂家同时具备 RTK 定位算法和组合导航算法两种研发能力。

参考：车载惯性导航产业分析：自动驾驶渐行渐近，惯性导航刚需爆发

7.4 技术迭代方向

通过贴片式将高精度定位模组集成到域控里，可以减少数据传输，有效降低信息的延迟，提升高精度定位的精度。具体包括几类架构设计模式：

IMU集成于自动驾驶域控，GNSS放入T-BOX中；
自动驾驶域控分别集成GNSS芯片和IMU模组；
IMU与GNSS组成INS模组，并集成到自动驾驶域控内；
大疆惯导激目总成方案"激光雷达+视觉+IMU"集成，将GNSS芯片放入自动驾驶域控中。

此外，IMU模组向自动驾驶域控集成，仍有一系列工程问题需要解决：

时间同步：高阶智能驾驶车辆，对定位数据的实时性与精度有刚性需求。同时，定位的实时性不好，也会降低定位的精度；
功能安全：智能驾驶域控制器由于集成了众多功能模块，系统较为复杂，而且通常为多核多进程的运行环境以及复杂的应用数据流，导致实现功能安全的难度大增，主机厂需要完整的RTK&INS 组合算法部署在域控侧的功能安全解决方案；
温度补偿：IMU对温度变化非常敏感，将IMU、GNSS与域控集成在一起，需要考虑运行温度对产品的损害。

图9 IMU在系统中的定位

参考：车载高精定位技术的三大发展趋势 - 新纳传感: Aceinna: Leader in MEMS Sensor Technology