上篇讲了RGB-D数据处理的几个核心环节——深度图空洞填充、RGB-D对齐、深度转点云、坐标变换。从这篇开始，我们转到惯性传感器。IMU是机器人感知系统中不可或缺的组成部分，不管你是做SLAM、做导航还是做控制，都得跟IMU打交道。
面试时候被问"IMU输出什么数据"，很多人会说"加速度和角速度"。但面试官想听的不止这些——他想知道你理解IMU的工作原理吗？知道加速度计和陀螺仪的物理机制吗？知道它们的误差来源吗？
IMU的基本组成
一个典型的IMU（Inertial Measurement Unit，惯性测量单元）包含两类传感器：加速度计（Accelerometer）和陀螺仪（Gyroscope）。高级的IMU还包含磁力计（Magnetometer），组成9轴IMU。
加速度计测量的是线性加速度（单位：m/s²），三个轴各一个，输出(ax, ay, az)。
陀螺仪测量的是角速度（单位：rad/s或deg/s），三个轴各一个，输出(ωx, ωy, ωz)。
磁力计测量的是磁场方向（单位：μT或Gauss），三个轴各一个，输出(mx, my, mz)。磁力计可以用来确定"北"的方向，但容易受铁磁物质干扰。
在ROS2中，IMU数据通过sensor_msgs/Imu消息发布：
# sensor_msgs/Imu消息结构 header # 时间戳 + 坐标系ID orientation # 四元数 (x, y, z, w) —— 部分IMU直接输出姿态 angular_velocity # 角速度 (x, y, z) —— 陀螺仪原始数据 linear_acceleration # 线加速度 (x, y, z) —— 加速度计原始数据 # 每个量都有对应的协方差矩阵注意：很多IMU驱动会内置一个姿态估计算法（通常是互补滤波或者EKF），直接输出orientation。但原始的IMU数据只有角速度和加速度，姿态需要你自己积分计算。面试时候要分清这两种情况。
加速度计的工作原理
加速度计的核心原理是牛顿第二定律：F = ma。传感器内部有一个微小的质量块（proof mass），通过弹簧或者电容悬挂。当传感器加速时，质量块因为惯性会产生相对位移，测量这个位移就能算出加速度。
MEMS加速度计（手机、机器人里用的都是这种）通常用电容式检测。质量块和固定电极之间形成电容，加速度导致质量块移动，电容值变化，通过电路测量电容变化就能算出加速度。
一个关键概念：加速度计测量的是比力（specific force），不是真正的加速度。比力 = 真实加速度 - 重力加速度。也就是说，当IMU静止放在桌面上时，加速度计输出的不是0，而是(0, 0, 9.81)——它在测量重力。
这个特性非常重要。在SLAM和导航中，你需要从加速度计的输出中减去重力分量，才能得到真实的运动加速度。如果搞反了，整个惯性导航就全错了。
import numpy as np # 从加速度计输出中提取真实加速度 def get_true_acceleration(accel_raw, orientation_quat): """去除重力分量""" gravity_world = np.array([0, 0, 9.81]) # 根据当前姿态，把世界坐标系下的重力变换到IMU坐标系 R = quat_to_rotation_matrix(orientation_quat) gravity_body = R.T @ gravity_world # 真实加速度 = 测量值 - 重力 return accel_raw - gravity_body加速度计的实际应用和注意事项
在实际项目中，加速度计的数据处理有几个容易踩的坑。
第一个坑是坐标系约定。不同厂家的IMU，坐标系定义可能不同。有的用NED（北-东-地），有的用ENU（东-北-天），有的用FRD（前-右-下）。ROS2的标准是ENU（REP-103），如果你的IMU驱动输出的是NED坐标系，需要做坐标变换。这个变换很简单：x_ned = y_enu, y_ned = x_enu, z_ned = -z_enu。但如果搞混了，重力方向就反了，整个惯性导航就废了。
第二个坑是振动干扰。机器人运行时，电机和减速器会产生高频振动。这些振动会耦合到加速度计的输出中，形成很大的噪声。处理方法是在加速度计数据上加重力方向，导致姿态估计完全错误。所以IMU安装时要尽量远离振动源（电机、轮子），并且用减振材料（比如橡胶垫）隔离。
第三个坑是量程选择。加速度计有不同的量程（±2g, ±4g, ±8g, ±16g等）。量程越大，分辨率越低。如果你的机器人运动比较平缓（比如AGV），用±2g的量程就够了，分辨率最高。如果是无人机或者剧烈运动的机器人，可能需要±8g或±16g。选型的时候要根据最大预期加速度来选，留一定的余量。
第四个坑是采样率匹配。IMU的采样率要和你的算法需求匹配。做姿态估计通常需要200Hz以上的采样率，做运动补偿可能需要500Hz甚至1000Hz。但采样率越高，数据量越大，对通信带宽和处理能力的要求也越高。SPI接口的IMU通常能支持更高的采样率，I2C接口的带宽有限，高速场景可能跟不上。实际项目中，我见过有团队用I2C接口跑1kHz采样率，结果数据丢包严重，最后换成SPI才解决。
面试中怎么聊
面试官问IMU工作原理，按这个顺序回答：先说IMU的组成（加速度计+陀螺仪+磁力计），再说加速度计的原理（电容式检测比力，注意重力问题），然后说陀螺仪的原理（科里奥利效应，角速度积分得角度），最后说误差来源（零偏、噪声、温漂）。
如果面试官追问"为什么IMU不能单独做姿态估计"，你可以说：陀螺仪的零偏经过积分会累积成角度漂移，加速度计短期噪声大但长期不漂移。两者互补（互补滤波或EKF）才能得到短期和长期都可靠的姿态估计。
如果面试官追问"加速度计能测重力，那怎么区分重力和运动加速度"，你可以说：单靠加速度计无法区分。这就是为什么需要陀螺仪——陀螺仪提供的角速度信息可以帮助估计重力方向，从而从加速度计输出中分离出重力分量。
如果面试官追问"IMU怎么选型"，你可以从几个维度分析。精度等级：消费级IMU（手机、游戏手柄）精度最低，工业级IMU（机器人、无人机）精度中等，战术级IMU（军事、航天）精度最高但价格昂贵。对于地面移动机器人，工业级IMU（比如BMI088、ICM-42688）通常够用。对于高精度SLAM或自动驾驶，可能需要更高级的IMU（比如ADIS16470、VectorNav VN-100）。接口方面，SPI比I2C快很多，适合高采样率场景。功耗方面，电池供电的机器人需要关注IMU的功耗，有些高性能IMU功耗较大。
另外，很多IMU模块集成了加速度计、陀螺仪和磁力计（比如MPU9250、BNO085），使用方便但磁力计容易受干扰。如果对磁力计精度要求高，建议把磁力计单独放置，远离电机和电源线。
分享一个我在项目中做IMU数据积分的踩坑经历。当时需要把陀螺仪的角速度积分成姿态角，一开始直接用简单的欧拉积分：angle += omega * dt。跑了几秒钟发现角度漂移得厉害，静止时每分钟能漂好几度。后来换了四元数积分，漂移好了一些但还是有问题。最后发现最大的问题不是积分方法，而是零偏没校准——陀螺仪静止时的输出不是零，而是有一个大约0.02 rad/s的固定偏差。这个偏差积分10秒就是0.2弧度（约11度），难怪漂移那么厉害。校准零偏后（静止5秒取平均值作为零偏），再配合四元数积分，漂移降到了每分钟1度以内。当然这个精度对SLAM来说还是不够，最终还是上了EKF做传感器融合。但这个经历让我深刻理解到：IMU数据处理的每一步都不能马虎，零偏校准是基础中的基础。
下一篇讲IMU误差模型——零偏、噪声、温漂和校准方法。把误差的来源和特性搞清楚，才能在实际项目中正确处理IMU数据。
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155篇 RGB-D数据处理——深度图空洞填充、对齐和坐标转换
下一篇预告：第157篇 IMU误差模型——零偏、噪声、温漂和校准方法
有任何问题欢迎评论区留言，我会尽量回复。
