点击上方“3D视觉工坊”，选择“星标”
第一时间送达干货
作者，11号线人
来源丨十一号组织
在自动驾驶定位团队中，有一位权重高的九代老人GNSS，华山师的华山师妹SLAM，也有边塞将军占据一边的边塞将军UWB。每个人都练了一门绝世武功，GNSS室外吸星大法修炼，SLAM勾魂摄魄妖法修炼，UWB近身搏击的修炼。
然而，每一门绝世武功在自动驾驶圈都有一个众所周知的致命缺点，GNSS在有遮挡的环境下，功力全失，SLAM在特征重复或缺失的地方，权力大大降低，UWB面对飞镖远战对手，束手无策。为了克服长尾问题，获得小数点后几个9的安全性，自动驾驶定位团队必然需要一名成员。经过几次选择和面试，IMU脱颖而出，修炼互补的玉女心经，小而美，却被认为是自动驾驶定位团队夺冠的最后一块拼图。
经典的配合场景是：GNSS隧道场景完全失效，此时可应用SLAM，局部定位与匹配，但隧道内特征缺失、重复、车道线缺失时，SLAM或者有一定的概率失效，这样的小概率长尾问题肯定会存在，但必须解决。而这个时候IMU结合之前感知到的车道线信息和高精度地图，玉女心经可以发挥作用，IMU当汽车离开隧道时，可以保持相对定位的准确性GNSS重新接管或定位SLAM匹配适当的特征或直接实施最小风险策略。
在自动驾驶圈黑话第十六期，笔者深入挖掘IMU小和美的特点，看她修炼的玉女心经有什么神奇之处。
IMU（Inertial Measurement Unit，惯导测量单元)，标准版集成了三轴加速度计和三轴陀螺仪，俗称六轴IMU。再集成一个三轴磁力计，俗称九轴IMU。加速度计可以测量坐标系下物体的三轴加速度，陀螺仪可以测量坐标系下物体的三轴角速度。通过积分计算加速度和角速度数据，可以解决物体的相对定位信息。
与GNSS一样，IMU也起源于军工。长期以来，受以往成本高的限制，IMU仅用于国防和航天。俄罗斯导弹如何在不误伤民用建筑的情况下准确击中乌克兰的军事目标？IMU巨大的苦劳。价格更贴近百姓MEMS（Micro-Electro-MechanicalSystem，微机电系统)加速度计和陀螺仪出现，普通人开始享受IMU的红利。手机屏幕的自动旋转功能、智能手镯的计步功能、虚拟现实头盔和无人机IMU发光发热的地方。
每一轴的加速度计都可以简化为如下等效模型，包括一个质量块、两根弹簧和一个指示针，如下图所示。
当上述三个加速度计包装并固定在汽车上时，当汽车静止时，质量块会向一个方向压缩，最终达到平衡。此时，根据指示针位移计算的加速度是每个坐标轴下重力的重量。
当汽车开始加速或减速时，由于惯性，质量块会向相反的方向移动，此时指示针的位移变化与汽车加速和减速的变化相比，使用这些数据，我们可以随时计算汽车的加速和减速，计算公式如下：
式中，am相对加减速度，f为弹簧所受的压力，g坐标系各轴下重力加速度的重量。
一个接近现实MEMS加速度计的结构如下图所示。中间的橙红色物体是一个质量块，两端通过具有弹簧性质的长条结构连接到相连。橙红色短栅和浅绿色短栅分别是电容极板。当底座在下面的黑色双箭头方向有加速度时，质量块会朝加速度相反的方向移动，导致橙红色极板和浅绿色极板之间的距离发生变化。加速度可以通过测量极板电容C的变化来获得。在三轴加速度计中，这种结构各有一个结构，尺寸为微米，并与相应的测量电路集成在芯片中，形成三轴MEMS加速度计。
在这里写作时，作者开始怀疑生活，再次阅读搜索到的信息，越来越困惑陀螺仪的测量原理。一些美女小边说它是基于角动量守恒定律，一些吝啬的男人说它是基于科里奥利力，而不是武德的老师说它是基于角动量守恒定律下的科里奥利力。看看这些信息，除了缺乏逻辑之外，你还可以证明自己。
作者从墙上搭了一个梯子，爬到墙外收集数据，同时重读了之前搜索到的数据，终于在一个深夜开始了解一切的复苏。这增强了公共账户分享自动驾驶软硬件基本知识的动机：让准备进入自动驾驶领域的新人少走弯路，少误导；让自动驾驶基本知识在科学领域，更有效的数据。
角动量守恒定律和科里奥利力都是陀螺仪的测量原理之一。然而，陀螺仪的类型是不同的。最早的机械转子陀螺仪是基于角动量守恒定律而广泛使用的MEMS陀螺仪是基于科里奥利力的。没有前缀，一个介绍，收获流量，误导孩子，浪费时间，增加无效数据。
我们从最早的机械转子陀螺仪开始。法国物理学家1850年J.Foucault研究地球旋转时，发现高速旋转中的转子在没有外力的情况下总是指向固定方向，并用陀螺仪命名该装置。陀螺仪发明后，它首先出现在航崭露头角，然后在航空领域大放异彩。毕竟在一万米的高空，没有仪器辅助，很难用肉眼辨别方向。如果飞行中看不到方向，风险可想而知。
机械转子陀螺仪的核心部分是高速旋转陀螺仪转子和陀螺仪主轴。通过在陀螺仪主轴上添加一个内环框架，形成一个单自由度陀螺仪（共两个自由度）。在内环框架外增加一个外环框架，形成一个双自由度陀螺仪（共三个自由度）。辅以驱动陀螺仪转子高速旋转的扭矩电机、信号传感器等，形成一个完整的陀螺仪。
基于角动量守恒定律的两个重要特点，机械转子陀螺仪实现角速度测量：固定轴和进动性。
（1）固定轴是指陀螺仪自转轴在惯性空间中的方向保持稳定，即指向固定方向，无任何外力作用。
(2)进动性是指陀螺转子高速旋转时，如果外力矩作用于外环轴，陀螺主轴将绕内环旋转。如果外力矩作用于内环轴，陀螺主轴将绕外环旋转。转角速度方向垂直于外力矩方向。
以下是单自由度陀螺仪解释角速度测量原理，单自由度陀螺仪简化模型如下图所示，x，y，z分别是陀螺仪的三个轴。假设基座固定在汽车上，y轴是汽车的前进方向。当汽车绕y轴或z轴旋转时，内环具有隔离运动的作用，陀螺旋转轴不会随船旋转。但当汽车绕x轴旋转时，内环上会产生一对力F，形成扭矩mx,沿x轴方向。力矩mx使陀螺主轴绕内环y轴进动。因此，可以通过测量y轴的角速来测量x轴中汽车的角速。具体的建模和解决过程需要基于动力矩定理。我需要买一本物理书来从头开始。作者没有精力一点一点地推导它。
随着物理学的不断进步，陀螺仪的种类越来越多，精度也越来越高。目前有光纤陀螺仪、激光陀螺仪和MEMS陀螺仪。MEMS陀螺仪虽然精度不如光纤和激光陀螺仪，但其体积小、功耗低、成本低、批量生产方便，成为自动驾驶领域非常重要的拼图。
MEMS陀螺仪的角速度测量原理是基于非真实力-科里奥利力。牛顿经典力学定律可用于非惯性参考系下引入的惯性力。假设黑色质量块以特定速度V沿一个方向移动，如下图所示。施加外角速率时，如绿色箭头所示。此时会产生一种力，如蓝色箭头所示，与施加角速度方向相比，这种力会导致质量块的垂直位移。
一个接近现实MEMS陀螺仪的结构如下图所示。外部蓝色和黄色部分是驱动电极。它们在驱动方向施加交变电压，使内部红色质量块和红色测量电极沿驱动方向往返移动。红色质量块两端通过具有弹簧性质的绿色长条结构与基底连接，红色短栅与内蓝色短栅为电容极板。当下图所示的绿色箭头旋转时，在科里奥利力的作用下，质量块将产生下图所示黑色箭头的垂直运动。此外，质量块周期运动的振幅值与施加的角速度成正比。通过测量固定在底座上的红色电极和蓝色电极之间的电容，可以得到角速度的大小。
IMU可输出高频(100/2000HZ/2000HZ）定位和姿态数据具有优异的短期定位精度。相对定位数据的计算没有外部依赖，类似于黑匣子。IMU以下缺点：
(1)由于解算模块存在积分计算，存在积累误差，随着时间的增长，误差会越来越大；
(2)降低高频振动IMU可靠性和精度；
(3)高精度IMU成本(光纤陀螺)仍然很高。
这种缺点也决定了IMU关键先生是自动驾驶定位团队的角色。
在部分屏蔽环境中，卫星信号有时不是，有时好有时坏（卫星信号的数量是40颗，少时个位数）。此时极易出现频繁失锁、观测量跳变等容易引发定位异常的现象。
而将IMU的部分数据直接送到GNSS基带芯片里，辅助信号跟踪，可以极大提高部分遮挡环境下多普勒的估计准确度。从而提高遮挡环境下载波相位、伪距等观测量的精度和连续性，减少观测量中断和跳变。最终极大提高GNSS在部分遮挡环境下的定位精度和稳定性。
。
一辆在城市次干路行驶的自动驾驶车辆，在空旷区域依靠高精地图和高精定位实现稳定的自动驾驶功能。但当车辆行驶进了高楼林立的区域，GNSS无法提供固定解。此时依旧可以依赖车道线识别，切换到单车道的ACC和LKA模式进行安全行驶。但是存在可能0.1%的概率，车道线存在较大距离缺失，如果没有关键先生，车辆要么紧急刹车要么犹如瞎子一样乱窜。
但是在这0.1%的Corner Case中，如果有关键先生IMU，汽车就可以根据IMU提供的相对定位信息，配合之前感知到的车道线信息和加载的高精地图数据，进行安全的减速直至停车，并提示进行人工接管。
一篇文章中提到一个观点非常中肯：功能单元缓慢失效比突然失效更安全，有预警的失效比无意识的失效更安全。IMU与其它相对或绝对定位系统结合使用后，使得定位系统即便失效，也是一个缓慢的、可预警的过程。
IMU的“小而美”并非浪得虚名，其在自动驾驶团队的曝光度远不如其他成员。IMU有点像自动驾驶团队中的产品经理，前期无法承担定义自动驾驶产品的核心功能，像部分网友吐槽的：研发大佬赏口饭吃的程序员鼓励师，除了愉悦身心似乎用处没那么大。
但自动驾驶产品真正开始量产时，0.1%的定位失效率在100万辆车规模下将被不可容忍。IMU担负便是将失效率小数点往后多挪几个位，正如自动驾驶产品经理的使命，将99.9%完善的自动驾驶产品小数点往后多挪几个位。
作者 | 11号线人
声明 | 本文部分文字及图片资料取自网络，如有侵权，请联系平台进行修改或删除；文章属于作者本人，仅代表个人观点，不代表平台立场，如有不妥，也请联系平台修改或删除；本文不作任何商业用途。
本文仅做学术分享，如有侵权，请联系删文。
后台回复：即可下载国外大学沉淀数年3D Vison精品课件
后台回复：即可下载3D视觉领域经典书籍pdf
后台回复：即可学习3D视觉领域精品课程
1.面向自动驾驶领域的多传感器数据融合技术
2.面向自动驾驶领域的3D点云目标检测全栈学习路线！(单模态+多模态/数据+代码)3.彻底搞透视觉三维重建：原理剖析、代码讲解、及优化改进4.国内首个面向工业级实战的点云处理课程5.激光-视觉-IMU-GPS融合SLAM算法梳理和代码讲解6.彻底搞懂视觉-惯性SLAM：基于VINS-Fusion正式开课啦7.彻底搞懂基于LOAM框架的3D激光SLAM: 源码剖析到算法优化8.彻底剖析室内、室外激光SLAM关键算法原理、代码和实战(cartographer+LOAM +LIO-SAM)
9.从零搭建一套结构光3D重建系统[理论+源码+实践]
10.单目深度估计方法：算法梳理与代码实现
11.自动驾驶中的深度学习模型部署实战
12.相机模型与标定(单目+双目+鱼眼）
13.重磅！四旋翼飞行器：算法与实战
14.ROS2从入门到精通：理论与实战
15.国内首个3D缺陷检测教程：理论、源码与实战
扫码添加小助手微信，可
也可申请加入我们的细分方向交流群，目前主要有、、、、、等微信群。
一定要备注：，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。也请联系。
▲长按加微信群或投稿
▲长按关注公众号
：针对3D视觉领域的五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近5000星球成员为创造更好的AI世界共同进步，知识星球入口：
学习3D视觉核心技术，扫描查看介绍，3天内无条件退款
圈里有高质量教程资料、答疑解惑、助你高效解决问题