关于车规级的IMU介绍、使用

如何把算法在工程中落地？

这里我们假定你自己已经有了一套合适的算法，并且理清楚了算法的逻辑框架及实现步骤

在车载场景中，其实有很多的传感器，相机，Lidar，IMU，GPS，RTK等等，每一种一起之间相互独立又相互成就，实现那个更好的自己，1+1>2的效果，目的也就是为了实现替代人大脑的感知器官来协助各种机器完成指定的工作，传感器融合就像是把我们的感官在大脑里面处理一遍，然后有个最优的决策

模型训练好了，算法搞懂了，数据呢，如果你不是做科研的，建议静下心来，从0-1，从传感器的选型，到最终的输出结果验证

你为什么要用IMU，IMU是什么？

IMU全称是惯性测量单元(Inertial Measurement Unit),它是一种运动传感器,可以测量三轴线加速度和三轴角速度。
在自动驾驶系统中使用IMU的主要原因有:

1.提供高频的运动数据。IMU工作频率通常为100Hz以上,可以捕捉车辆快速运动变化。
2.与激光雷达数据进行融合。IMU提供运动约束,提高了点云配准精度。
3.在激光雷达失效时,提供运动预测。依靠IMU可以短时间内进行自主定位。
4.增加系统鲁棒性。即使激光雷达遭遇干扰,IMU也可以提供基本的运动参数。
5.提供重力方向参考。IMU的加计可以提供重力方向作为外部参考。

补充：市面上很多用GNSS+RTK+IMU，但是我们的目的是为了实现LIO提供的ego_pose，实现占据预测网络，（想了解占据预测的可以看下这篇文章：2023 Occupancy Prediction占据预测的整理归纳）所以暂且不用GNSS和RTK，成本太高
想了解GNSS,PGS,IMU,RTK和INS的去看看这个就行了：gnss、gps、imu、rtk、ins区分及含义

IMU的重点关注的参数指标

通常情况下，传感器都拥有很多的性能指标，而这些性能指标决定了他们的价格和使用场景，例如无论是机械制造的误差还是A/D采样带来的偏差，满刻度误差，以及采样数据的噪声还有抗震性能，当然这些也会受到温度和输入电压的影响。

1.陀螺仪bias稳定性:反映零偏的稳定性,车规级需要达到小于0.05°/s。
2.陀螺仪随机游走:反映陀螺仪白噪声误差,车规级需要小于0.001°/√h。
3.加速度计bias:反映静止状态下的零偏,车规级需要小于10mg。
4.加速度计随机游走:加计白噪声指标,车规级需要小于0.1mg/√Hz。
5.工作温度范围:适应车载环境的温度变化范围。
6.震动范围:可以承受车载振动的持续加速度g值。
7.输出数据频率:通常需要100Hz以上频率。
8.体积和重量:需要适合车载环境的限制。
9.成本:平衡性能和成本。
10.接口和集成难度:选择标准接口,易于集成。

如果对原理感兴趣的朋友可以在网上找下资料，这些误差产生的原理
自动驾驶关键技术报告：惯性导航和背后的芯片大战

IMU采集的数据构成

下图是通过某IMU采集的事实数据：

当然不同的传感器厂商会有不同的数据，但是我们主要使用的主要就是这个四元数和三轴角速度。
有了这两个数据后，使用IMU数据估计姿态：利用IMU的加速度数据和角速度数据，
可以使用姿态估计算法（如互补滤波器、四元数插值等）来估计物体的姿态（方向），这将提供物体的初始姿态估计。

为何要使用滤波

采集到IMU（惯性测量单元）和LIDAR数据后需要进行滤波算法的主要原因是提高数据的准确性和稳定性，
以获得更可靠的状态估计和姿态估计

1.噪声和误差抑制：传感器数据通常包含噪声和误差。
IMU数据可能受到振动、震动和温度变化的影响，而LIDAR数据可能受到光照、反射表面和干扰的影响。滤波算法可以帮助减少这些噪声和误差对估计的影响，提高数据的稳定性。
2.数据融合：车辆定位和导航通常需要融合多个传感器的数据，
例如IMU和LIDAR。滤波算法可以有效地将这些不同传感器源的信息整合在一起，以提供更准确的状态估计和姿态估计。
3.非线性动态和观测模型：IMU和LIDAR数据通常涉及非线性的物理动态和观测模型。
滤波算法（如卡尔曼滤波、扩展卡尔曼滤波等）被设计用来处理非线性系统，使其能够有效地估计状态。
4.状态估计：在车辆定位和导航中，您通常希望估计车辆的位置、速度、姿态等状态参数。
滤波算法可以帮助合并传感器测量值和先验信息，以获得对这些状态参数的估计。
5.实时性要求：车辆定位和导航通常需要实时性能，以便快速响应变化的环境和操作条件。
滤波算法通常可以在实时性能和高精度之间取得良好的平衡。

扩展卡尔曼滤波

卡尔曼滤波是用于估计线性动态系统中的状态的滤波器。它的核心思想是将系统的状态和测量数据之间的关系建模为线性关系，并使用动态模型和测量模型来更新状态估计。然而，许多实际问题涉及非线性系统，因此需要扩展卡尔曼滤波来解决这些问题。

先聊这么多，后面有时间再更