《飞控数学与控制 · 新手入门连载》第 4 期｜概率论与高斯分布：为什么 IMU 永远“测不准“

《飞控数学与控制 · 新手入门连载》第 4 期概率论与高斯分布为什么 IMU 永远测不准导读第 3 期我们把无人机写成微分方程假设状态确定地演化。但现实是所有传感器都有噪声——陀螺仪测角速度会漂移加速度计有高频抖动GPS 有厘米级误差。本期引入概率论用随机变量描述测不准用高斯分布刻画噪声的统计规律用均值与方差量化准不准。这是下一期卡尔曼滤波第 16 期系统讲的数学地基也是飞控里所有传感器融合的第一步。全程零基础可读公式逐步推导不跳步。一、为什么飞控工程师需要概率论飞控系统的输入来自传感器。而每个传感器测量都包含噪声陀螺仪角速度测量yω噪声y \omega \text{噪声}yω噪声加速度计测量ya噪声y a \text{噪声}ya噪声GPS 位置测量yp噪声y p \text{噪声}yp噪声如果噪声是确定性的标定就能消除但真实噪声是随机的——每次测量都不一样无法用确定性函数预测。概率论正是描述随机性的数学语言。直观理解同一架无人机静止不动陀螺仪读 100 次每次数值都在真实值附近波动如图 4-1 所示。二、随机变量与概率密度函数2.1 随机变量设测量噪声为随机变量XXX。它可能取不同值每个值对应一个概率。技巧把不确定的测量抽象成取值的概率分布这是概率建模的第一步。2.2 概率密度函数PDF连续随机变量的概率密度函数p(x)p(x)p(x)满足技巧归一化条件——总概率为 1∫−∞∞p(x) dx1 \int_{-\infty}^{\infty} p(x)\, dx 1∫−∞∞​p(x)dx1XXX落在区间[a,b][a, b][a,b]的概率技巧概率 密度曲线下面积P(a≤X≤b)∫abp(x) dx P(a \le X \le b) \int_a^b p(x)\, dxP(a≤X≤b)∫ab​p(x)dx直观理解密度高 → 取值集中在这里密度低 → 取值稀疏。飞控里我们几乎只关心一种 PDF——高斯分布。三、高斯分布噪声的标准模型3.1 定义高斯分布正态分布的概率密度技巧指数函数 二次型——用eee的负二次方构造中间高两边低的钟形p(x)12πσ2exp⁡(−(x−μ)22σ2) p(x) \frac{1}{\sqrt{2\pi\sigma^2}} \exp\left(-\frac{(x-\mu)^2}{2\sigma^2}\right)p(x)2πσ2​1​exp(−2σ2(x−μ)2​)其中μ\muμ是均值分布中心σ2\sigma^2σ2是方差分散程度σ\sigmaσ是标准差。3.2 为什么高斯分布是标准模型中心极限定理技巧大量独立同分布随机变量之和近似高斯——IMU 噪声由大量微小独立误差源叠加而成因此近似服从高斯分布。这是飞控中几乎所有滤波算法卡尔曼滤波、互补滤波假设噪声高斯的理论依据。3.3 关键性质68-95-99.7 法则对高斯分布技巧积分结果固定——高斯积分的特殊值P(μ−σ≤X≤μσ)≈68%P(\mu - \sigma \le X \le \mu \sigma) \approx 68\%P(μ−σ≤X≤μσ)≈68%P(μ−2σ≤X≤μ2σ)≈95%P(\mu - 2\sigma \le X \le \mu 2\sigma) \approx 95\%P(μ−2σ≤X≤μ2σ)≈95%P(μ−3σ≤X≤μ3σ)≈99.7%P(\mu - 3\sigma \le X \le \mu 3\sigma) \approx 99.7\%P(μ−3σ≤X≤μ3σ)≈99.7%飞控场景GPS 精度标称1m1σ“意思是 68% 的测量落在真值 ±1m 内95% 落在 ±2m 内。看到标称精度先问这是几σ”否则容易误判。图 4-2 直观展示高斯分布曲线与三个标准差区间。四、均值与方差传感器噪声的两把尺子4.1 均值期望μE[X]∫−∞∞x p(x) dx \mu E[X] \int_{-\infty}^{\infty} x\, p(x)\, dxμE[X]∫−∞∞​xp(x)dx技巧加权平均——每个取值xxx按概率p(x)p(x)p(x)加权求和。飞控里均值是测量无偏时的真实值估计。4.2 方差与标准差σ2E[(X−μ)2]∫−∞∞(x−μ)2p(x) dx \sigma^2 E[(X - \mu)^2] \int_{-\infty}^{\infty} (x-\mu)^2 p(x)\, dxσ2E[(X−μ)2]∫−∞∞​(x−μ)2p(x)dx技巧离均差平方的平均——衡量偏离均值的程度。标准差σ\sigmaσ与测量同单位直接描述噪声大小。4.3 工程简写飞控厂商给传感器规格书时常用噪声密度或随机游走描述如陀螺仪 Allan 方差。若给定角速度噪声方差σω2\sigma_\omega^2σω2​单位 rad²/s²则单次测量y∼N(ωtrue, σω2) y \sim \mathcal{N}(\omega_{\text{true}},\ \sigma_\omega^2)y∼N(ωtrue​,σω2​)技巧记号N(μ,σ2)\mathcal{N}(\mu, \sigma^2)N(μ,σ2)——“服从均值为 μ、方差为 σ² 的高斯分布”是滤波文献的标准语言。五、IMU 噪声建模从测不准到可量化5.1 两类核心噪声工程上把 IMU 噪声分为技巧区分偏差与随机项——两类噪声数学性质不同噪声类型数学描述直观表现处理方式偏差Bias缓慢变化近似常数静止时读数不归零标定 在线估计白噪声White noise高斯、零均值、时序独立读数高频抖动滤波平滑5.2 陀螺仪测量模型ωmωtruebωnω \omega_m \omega_{\text{true}} b_\omega n_\omegaωm​ωtrue​bω​nω​其中bωb_\omegabω​为缓慢漂移的偏差nω∼N(0,σω2)n_\omega \sim \mathcal{N}(0, \sigma_\omega^2)nω​∼N(0,σω2​)为零均值白噪声。技巧确定性部分 随机部分分离——建模时把可标定的偏差与不可预测的噪声分开处理。5.3 由噪声到状态不确定度设陀螺仪白噪声标准差σω0.01 rad/s\sigma_\omega 0.01\ \text{rad/s}σω​0.01rad/s积分 1 秒得到姿态角不确定度技巧随机游走的方差传播——Var(∫n dt)σ2⋅Δt\text{Var}(\int n\, dt) \sigma^2 \cdot \Delta tVar(∫ndt)σ2⋅ΔtσθσωΔt0.01×10.01 rad≈0.57° \sigma_\theta \sigma_\omega \sqrt{\Delta t} 0.01 \times \sqrt{1} 0.01\ \text{rad} \approx 0.57°σθ​σω​Δt​0.01×1​0.01rad≈0.57°这就是为什么纯陀螺积分会漂移——误差随时间累积。图 4-3 展示积分漂移的蒙特卡洛模拟。六、小结与下期预告小结传感器噪声是随机的用随机变量描述高斯分布是噪声的标准模型由中心极限定理支撑均值估计真实值方差衡量噪声大小IMU 噪声分偏差与白噪声两类白噪声积分会导致漂移。思考题若陀螺仪σω0.02 rad/s\sigma_\omega 0.02\ \text{rad/s}σω​0.02rad/s积分 2 秒的姿态角 1σ 不确定度是多少答案0.022≈0.028 rad0.02\sqrt{2} \approx 0.028\ \text{rad}0.022​≈0.028rad为什么均值估计比单次测量更准提示n 次独立测量的均值方差缩小为σ2/n\sigma^2/nσ2/nGPS 标称2m1σ真实位置落在 4m 内的概率约多少提示4m 2σ95%下期预告第 5 期进入数值方法——飞控是数字系统微分方程必须离散化才能跑进单片机。欧拉法、RK4 与采样率选择把第 3 期的连续模型变成可执行的代码。参考资源《概率论与数理统计》盛骤 等经典教材《Optimal State Estimation》Dan Simon滤波概率基础《多旋翼飞行器设计与控制》全权 著第 7 章传感器模型