基于实验的Cramér-Rao下界估计方法，用于三轴加速度计的校准，该方法结合了蒙特卡洛模拟技术

《Sensors and Actuators A: Physical》：Experimental-based Cramér-Rao lower bound estimation of triaxial accelerometer calibration methods using Monte Carlo simulation

本文通过蒙特卡洛模拟和实验数据，对比了六位置法（SPM）与多位置法（MPM）在低成本三轴加速度计校准中的精度。研究发现，MPM在参数初始化鲁棒性方面优于SPM，尤其是Rohac等人的算法和Sipos等人的算法在减少校准误差方面表现突出。CRLB分析表明，MPM的均方误差接近理论最优值，而SPM的误差受限于非正交性和校准平台旋转精度。实验验证了卡位位置采样顺序的重要性，并发现初始参数对部分MPM算法影响显著。最终提出推荐使用具有对称轴敏感矩阵的MPM算法进行高精度校准。

　　低成本加速度计在许多需要精确姿态估计的系统中被广泛应用，例如智能手机、人机接口和自动驾驶车辆。这些加速度计的热机械响应特性使得它们需要频繁的校准以维持一定的性能。目前的加速度计校准方法主要包括六位置（SPM）和多位置（MPM）方法，这些方法通常要求静态条件。本文通过蒙特卡洛模拟比较了这些方法，并首次定义了六位置方法的Cramér-Rao下限（CRLB）。对于多位置方法，评估了六种算法的校准准确性，并通过实验数据比较了最佳算法的精度与CRLB。此外，研究了参数初始化对算法的影响，并通过模拟和实验发现两种算法对初始化参数较为敏感。在多位置方法中，仅能采样最少数量的位置时，分析了采样位置的类型和顺序对校准准确性的影响。结果表明，卡面位置（cardinal positions）在这些情况下表现最佳。

### 引言

惯性传感器，如加速度计和速率陀螺仪，是能够独立于任何支持基础设施在环境中运行的自主传感器。惯性测量单元（IMUs）通常由三轴陀螺仪和加速度计组成，用于感知传感器参考系相对于惯性系的角速度和具体力。随着微机电系统（MEMS）制造技术的进步，低成本、轻量级且高效的IMUs被广泛应用于需要姿态估计的电子系统中。这种需求需要将陀螺仪的角速度与加速度计推导的姿态信息进行融合。由于陀螺仪存在随时间和温度漂移的偏置，因此在静态条件下依赖加速度计进行周期性姿态校正。

加速度计也表现出漂移，这在低成本的证明质量MEMS加速度计中尤为明显。这些加速度计在一级封装（FLP）过程中产生的独特应力决定了其性能和稳定性。考虑到滞后效应对基于模型的补偿带来了复杂性，频繁校准加速度计变得更加具有吸引力。目前的加速度计校准方法是静态方法，包括六位置和多位置方法。这些方法在传感器模型中包含了一系列的校准误差参数，以评估其精度和可靠性。

### 六位置方法（SPM）

六位置方法通常被称为六点、周转和最小最大方法。它涉及将三轴加速度计进行精确的180°旋转，使得每个传感器轴都能接触到重力的反向影响。在实际应用中，实现六位置方法通常涉及将传感器三轴安装在一个完美的立方体或两轴旋转台上，以实现精确的旋转。这种方法需要确保传感器在旋转过程中处于静止状态，以减少噪声和动态误差的影响。

然而，六位置方法的一个限制是它要求完美的180°旋转，这在实际操作中可能难以实现。因此，一些研究者提出在六位置方法中引入非正交矩阵（T）和误对准矩阵（M）以提高校准的准确性。通过使用Cholesky分解，这些方法能够从传感器模型中恢复出非正交和误对准参数，从而提供更全面的校准结果。尽管六位置方法在某些情况下表现出色，但其校准精度仍然受到参数初始化的影响。

### 多位置方法（MPM）

多位置方法通过在多个方向上采集重力反应力的测量数据来返回最优的校准参数（CPs）。对于三轴传感器，它实际上是一个三维椭球拟合问题。一个良好校准的传感器应该在任何方向上都给出与重力相等的测量矢量。许多研究者使用不同的算法来最小化校准目标函数，例如最小二乘调整、高斯-牛顿（G-N）优化、Levenberg-Marquardt（L-M）算法和拟牛顿（Q-N）优化。虽然在某些研究中Q-N和L-M算法的性能差异较小，但它们的校准指标基于测量矢量的幅度与重力之间的差异，这可能无法准确反映实际的校准精度。

多位置方法的一个优点是它不需要完美的180°旋转，而是通过在多个方向上采集数据来估计传感器的标称因子（SFs）、非正交性和偏置参数。然而，由于误对准矩阵（M）在多位置方法中被假设为正交矩阵，因此在计算测量矢量的幅度时，误对准角度无法被估计。因此，一些研究者提出额外的步骤来检测和校正剩余的误对准。这通常涉及在平台围绕一个姿态轴进行完全旋转时最小化产生的正弦分散效应。然而，这种方法重新引入了对平台轴完美旋转的需求，从而否定了多位置方法的主要优势。

### 方法

为了评估六位置和多位置校准方法的准确性，本文使用了蒙特卡洛模拟。首先，对低成本的三轴加速度计进行了建模，模拟数据基于一个包含全面校准误差的传感器模型。为了确保模拟的真实性，加速度计的非正交性和误对准角度被添加到模型中，而噪声和分辨率特性则基于实际的Allan方差噪声分析。

在模拟六位置和多位置校准时，使用了纯运动学的旋转轨迹。对于多位置校准，模拟了26个等距位置以避免奇异解。每个位置的数据点是在稳态条件下采集的，平均了100个样本以减少噪声的影响。校准平台的动力学并未被建模，因此在实际应用中可能需要额外的步骤来确保只采集稳态数据。

为了评估校准方法的准确性，本文引入了校准误差（CE）指标。该指标通过计算估计的校准参数与真实参数之间的平均绝对距离来衡量。与实验数据相比，模拟数据允许我们知道真实校准参数，从而提供更可靠的评估指标。此外，为了研究参数初始化对多位置方法的影响，还引入了平均校准误差差（MACD）指标，用于比较初始化参数与理想传感器之间的差异。

### 结果

模拟和实验数据均显示，六位置方法中Jurman等人的方法在所有校准方法中表现最佳，其校准误差（CE）比其他方法低一个数量级。这种方法能够准确估计传感器的非正交性和误对准角度，尽管在某些情况下，误对准角度的估计精度是其非正交角度的两倍。模拟校准的均方误差（MSE）接近其对应的CRLB，表明其接近最优无偏估计器。

多位置方法中的Rohac等人、Syed等人、Frosio等人、Sipos等人和Merayo方法在模拟和实验数据中均表现出较高的校准误差。其中，MVEE方法的校准误差最高，可能与其假设对称的轴灵敏度矩阵有关。此外，MVEE方法的均方误差远高于其他方法，表明其校准精度较差。

在仅能采样九个位置的情况下，模拟结果显示，卡面位置的校准误差最低，约为随机位置的十分之一。而旋转卡面位置与随机位置的组合则显示出较高的校准误差。这表明在多位置方法中，采样位置的顺序对校准误差的影响较小，但卡面位置的优先采样仍然有助于提高校准精度。

### 讨论

六位置方法中Jurman等人的方法在所有校准方法中表现最佳，其校准误差最低，接近CRLB。这种方法能够准确估计传感器的非正交性和误对准角度，尽管在某些情况下，误对准角度的估计精度是其非正交角度的两倍。此外，模拟校准的均方误差（MSE）接近其对应的CRLB，表明其接近最优无偏估计器。

多位置方法中的Rohac等人、Syed等人、Frosio等人、Sipos等人和Merayo方法在模拟和实验数据中均表现出较高的校准误差。其中，MVEE方法的校准误差最高，可能与其假设对称的轴灵敏度矩阵有关。此外，MVEE方法的均方误差远高于其他方法，表明其校准精度较差。

在仅能采样九个位置的情况下，模拟结果显示，卡面位置的校准误差最低，约为随机位置的十分之一。而旋转卡面位置与随机位置的组合则显示出较高的校准误差。这表明在多位置方法中，采样位置的顺序对校准误差的影响较小，但卡面位置的优先采样仍然有助于提高校准精度。

### 结论

本文通过蒙特卡洛模拟和实验数据，评估了六位置和多位置校准方法的准确性。结果表明，六位置方法中Jurman等人的方法在所有校准方法中表现最佳，其校准误差最低，接近CRLB。多位置方法中的Rohac等人和Frosio等人方法在使用典型数据表中的值作为初始化参数时，不受参数初始化的影响，因此它们的校准精度较高。实验结果也表明，Rohac等人方法在标称因子和非正交角度的校准精度接近CRLB，表明其接近最优无偏估计器。

此外，本文还发现，在多位置方法中，仅能采样九个位置时，卡面位置的优先采样有助于提高校准精度，尽管其顺序对校准误差的影响较小。因此，建议在实际应用中优先采样卡面位置，以提高校准的准确性。