|
惯性测量单元一直都是MEMS领域中极为重要的一类产品，不管是在消费电子、工业自动化还是汽车自动驾驶领域都有着广泛的应用。将加速度传感器、陀螺仪等MEMS器件（有些还会集成磁力计和气压计）集成在一起的IMU沿着三个正交轴测量旋转角速度和线性加速度。
近年来，汽车的智能化发展推动了惯性导航系统在内的相关器件的发展，根据Yole Development数据预测，IMU市场规模将在2022年超过9亿美元。自动驾驶车辆想要实现对道路状况进行实时预测，前提就是自动驾驶汽车必须具备超强的检测感知能力。惯性导航系统是L3及以上等级自动驾驶车辆不可或缺的模块，能够在GPS、GNSS、5G等外部信号不佳时通过自身运动信息实现定位，IMU则是惯性导航系统中的核心部件。
加速度与角度
加速度计的测量可以用来直流或者低频角度跟踪机制。从整个测量计算过程来看，本质上加速度计不会像陀螺仪那样存在累加或积分误差。也就是说在出现偏置误差或其他误差时，这些误差虽然会持续存在，但不会累积。
但加速度也有一些要求较高的地方，加速度计会根据速度的变化做出反应，比如振动、加速、减速，加速度计的协方差项可以用来检测振动，通过其他监测装置可以知晓加速度计何时超出量程，这些都需要在系统级算法开发时对这些情况进行管理。这些情况都是需要传感器实时监测根据环境变化做出调整然后选择最佳的数据再进行使用。
陀螺仪能测量旋转角速率，针对转速进行实时积分计算可以得到动态角度。这些计算需要进行多次，一个系统跟踪陀螺仪的时间平均在100s左右。陀螺仪加上一些实时协方和其他可信指标来判断车辆的运行状态需要随时间流逝不断校准偏置。
典型的反馈检测就是把IMU在制导和导航控制系统中用作反馈检测元件，通过直接惯性测量来发挥作用。在自动驾驶中，IMU的反馈检测可以控制汽车轨迹，既监控驾驶又修复驾驶中发生的行驶偏差。IMU系统修正方向控制，结合视觉或者其他导航技术完成整个自动驾驶过程。
自动驾驶IMU关键误差
在IMU进行部署时，需要考虑估算初始姿态角度和估算陀螺仪误差，需要让这二者能在自动驾驶系统中保持全帧对齐。在这个过程中，加速度计时主要的限制点，需要极快的偏置误差处理时间才能判断初始姿态。这和IMU的偏置可重复性指标相关，1mg的偏置可重复性大概会带来0.06°的误差，尽可能小的误差能从最开始就提高系统性能。
陀螺仪上，噪声、线性振动和离轴旋转的影响则是三个最影响器件效果的因素。一般来说，这三个因素并不会有强关联性，但是这不能代表每个传感器都是如此，在选用IMU时必须对这些指标进行验证。
这和MEMS制造工艺息息相关，更好的稳定性和更低的噪声测量出的艾伦方差也会更低。器件本身的制造工艺之外，算法优化也至关重要。不做算法优化的情况下，惯导底层传感器的零漂每小时都会产生零漂，然后随机运动的累积误差会很快发散形象估算结果。
自动驾驶IMU进化
在自动驾驶设备的发展中，IMU应用的基本流程是没有太大变化的，室外场景使用GPS加IMU的组合，通过卡尔曼滤波对系统状态进行最优估计，为导航系统尽可能提供低延迟的位置信息。不过这些系统中的元件在不断进化，性能增强提高了这种导航系统的上限。
不只是自动驾驶领域，更小的尺寸、更高的集成度、更少的成本、更准确的测量是IMU在每个应用领域的发展趋势。我们也知道，IMU具有独有的自恃性，自身并不能很好地解决漂移、噪声，尤其是零偏不稳定性，因此常需要与另一传感器进行融合补足。
除了常见的GPS＋IMU的方案，机器视觉、UWB、激光雷达等各种传感定位技术与IMU的融合进化也在自动驾驶中发挥出重要作用。
算法层面结合运动学模式赋予导航系统更多的算法规则，传感器融合更先进滤波和算法处理也大大提升了行驶过程中车辆的位姿估算准确度。有些厂商还在IMU中加入ML内核，让IMU上多出一个硬连线处理引擎来直接在传感器层面进行AI计算，增强快速实时响应能力并处理更为复杂的自动驾驶任务。
小结
自动驾驶由感知、决策、执行三大系统组成，传感器作为汽车核心感知层，是车辆保证位置感的基础。用于导航平台稳定控制和导航的高性能MEMS IMU已经成为自动驾驶丢失卫星定位后最后的一道防线。
|
