很多帖子都在谈论陀螺漂移问题。有人说陀螺读数有漂移，但也有人说积分有漂移。
所以，我进行了一项实验。接下来的两个数字是我得到的。下图显示陀螺仪读数完全没有漂移，但有偏移。由于偏移，集成是可怕的。所以看起来整合就是漂移，是吗？
下图显示，当偏移减少时，积分根本不会漂移。
此外，我还进行了另一个实验。首先，我将手机静止在桌子上大约 10 秒。然后将其向左旋转然后恢复到后面。然后右转。下图很好的说明了这个角度。我使用的只是减少偏移然后进行积分。
所以，我这里的大问题是，也许偏移量是陀螺漂移（积分漂移）的本质？在这种情况下，是否可以应用互补滤波器或卡尔曼滤波器来消除陀螺漂移？
任何帮助表示赞赏。
如果陀螺读数有“漂移”，则称为偏差，不漂移。
漂移是由积分引起的，即使偏差正好为零，它也会发生。漂移是因为您正在通过积分累积读数的白噪声。
对于漂移消除，我强烈推荐Direction Cosine Matrix IMU: Theory手稿，我已经基于它实现了Shimmer 2设备的传感器融合。
（编辑：该文档来自MatrixPilot项目，该项目已移至 Github，可在 wiki 的下载部分找到。）
如果您坚持使用卡尔曼滤波器，请参阅https://stackoverflow.com/q/5478881/341970。
你为什么要实现自己的传感器融合算法？
Android ( SensorManager under Sensor.TYPE_ROTATION_VECTOR) 和 iPhone ( Core Motion ) 都提供了自己的。
亲爱的阿里写了一些非常有问题和不精确的东西（错误）。
漂移是偏差的积分。当你整合时，这是偏见的可见“影响”。噪声 - 任何类型的固定噪声 - 均值为零，因此积分为零（我不是在谈论 PSD 的积分，而是在时间上积分的信号的加性噪声）。
偏差随时间变化，作为电压和运动温度的函数。例如，如果电压发生变化（并且它会发生变化），则偏置会发生变化。它的偏差不是固定的，也不是“可预测的”。这就是为什么您不能使用建议的信号减去估计的偏差来消除偏差。此外，任何估计都有错误。这个错误会随着时间累积。如果误差较低，则累积（漂移）的影响在较长的时间间隔内变得可见，但它仍然存在。
理论说，目前不可能完全消除偏见。在最先进的技术水平下，仍然没有人找到一种方法来消除偏差——仅基于陀螺仪和加速度计磁力计——可以过滤掉所有的偏差。
Android 和 iPhone对偏差消除算法的实现有限。它们并非完全不受偏差效应的影响（例如，在小区间内）。对于某些应用程序，这可能会导致严重的问题和不可预知的结果。
在本次讨论中，Ali 和 Stefano 都提出了由于理想整合而导致的漂移的两个基本方面。
基本上，零均值白噪声是一个理想化的概念，即使对于这种理想的噪声集成，也可以提供比噪声的低频分量更高的增益，这会在集成信号中引入低频漂移。从理论上讲，如果在很长一段时间内观察到零均值噪声不会引起任何漂移，但实际上理想的积分永远不会起作用。
另一方面，如果对读数（输入信号）执行理想的积分（无损求和），即使读数（输入信号）中的微小直流偏移也可能导致显着漂移。它可以增加系统中非常小的直流偏移，因为理想的集成对输入信号的直流分量具有无限增益。因此，出于实际目的，我们用低通滤波器代替理想积分，该滤波器的截止值可以根据需要低，但对于实际目的不能为零或太低。
受到阿里回复的启发（感谢阿里！），我做了一些阅读和一些数值实验，并决定发表我自己关于陀螺漂移性质的回复。
我写了一个简单的八度在线脚本来绘制白噪声和集成白噪声：
问题中显示的减少偏移的角度图似乎类似于典型的随机游走。数学随机游走的平均值为零，因此不能算作漂移。但是，我相信白噪声的数值积分会导致非零均值（如下面随机游走的直方图所示）。这与线性增加的方差一起可能与所谓的陀螺漂移有关。
这里对陀螺仪和加速度计产生的误差进行了很好的介绍。无论如何，我还有很多东西要学，所以我可能是错的。
关于免费滤波器，这里有一些讨论，展示了它如何减少陀螺漂移。这篇文章非常非正式，但我发现它很有趣。