0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看技术视频
  • 写文章/发帖/加入社区
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

【核芯观察】IMU惯性传感器上下游产业梳理(一)

Hobby观察 来源:电子发烧友 作者:梁浩斌 2024-04-01 09:17 次阅读

前言:【核芯观察】是电子发烧友编辑部出品的深度系列专栏,目的是用最直观的方式令读者尽快理解电子产业架构,理清上、中、下游的各个环节,同时迅速了解各大细分环节中的行业现状。本期【核芯观察】,将对IMU惯性传感器产业链上下游进行梳理,从市场现状、应用场景、产业链构成、产业链企业分布、发展趋势等几个部分剖析IMU产业。本期主要介绍MEMS IMU的概念,以及产业链上需要关注的制造难点。



MEMS IMU概念

IMU全称Inertial Measurement Unit,即惯性测量单元,泛指空间姿态传感器,是一种用于测量物体在三维空间内的姿态角以及加速度的装置。一般来说,IMU由三轴加速度计和三轴陀螺仪组成,也有少数应用在IMU中增加三轴磁力计。

其中加速度计时用于测量物体在各个方向的加速度,通过加速度可以计算出当前物体在三个轴方向上的速度。

陀螺仪用于测量物体的角速度,即物体绕轴旋转的速率,根据这个数据可以计算出物体转动角度。

磁力计是用于测量物体周围的磁场,可以确定物体朝向在地球坐标系中的方向,本质上类似于指南针。

市面上的IMU可以分为3轴、6轴和9轴。3轴IMU是指只有三轴陀螺仪,也就是只能识别物体在x、y、z轴三个自由度上的姿态信息;六轴IMU则在三轴IMU的基础上增加了三轴加速度计;九轴IMU在六轴IMU的基础上再增加一个三轴磁力计。

IMU的实现形式有多种,比如陀螺仪有根据角动量守恒原理制造的机械陀螺仪,根据萨格纳克效应制作的光纤陀螺等;加速度计可以由一个两端连接弹簧的质量块组成,根据质量块的位移距离反推出质量块被施加的力,从而根据牛顿第二定律F=ma计算出加速度a。

但显然,采用以上结构的陀螺仪和加速度计,本身体积已经相当大,不可能再被集成到一些小型电子设备上。因此为了将IMU集成到电子设备上,就需要用到MEMS微机电技术了,简单来说就是利用集成电路制造技术制作的机械结构部件。

MEMS器件的特征长度从一毫米到一微米不等,主要特点就是体积小、重量轻、功耗低、可靠性高、灵敏度高、易于集成和大批量生产等,比如上面提到根据不同原理制造的传感器。

在MEMS IMU中,主要包括MEMS陀螺仪、MEMS加速度计和ASIC信号处理芯片

MEMS加速度计有几种实现形式,一种就是类似于前面提到的机械加速度计,用MEMS制造技术打造一个微缩的质量块和弹簧;二是通过测量振动单元频率的变化来推算加速度,即将一个以特定频率振动的悬臂固定在平台上,悬臂另一端配备一个小质量块,当测量的方向上有加速度时,悬臂就会弯曲,从而导致振动单元频率发生改变,并间接计算出加速度。

MEMS陀螺仪则是使用压电材料制作出一个在平面中进行往复振动的结构,基于科里奥利效应(即在旋转的坐标系中移动物体发生偏转的现象),当传感器发生不同方向的旋转时,该结构平行于平面的往复振动就会变成倾斜于平面。这个时候通过测量结构间电容的变化就可以估算出传感器在某个轴方向上的角速度。

MEMS IMU的精度相对来说较低,它的误差主要有几种因素造成。首先当IMU静止时,加速度计在z轴上应该输出g,也就是重力加速度,陀螺仪三轴则都应该输出0。但因为加工过程中不可避免的偏差,这些静止的数据输出会随着时间逐渐发生变化,从而出现数据漂移。

其次是由于MEMS IMU本身尺寸极小,材料容易受到温度或时间影响而出现变化,也就是会出现温漂现象,当然这个可以通过算法在一定程度上进行修正。

最后是因为一般在MEMS IMU中加速度计和陀螺仪是分开制造和装配,因为坐标系不重合,所以会出现可能的轴偏角误差。

从上述的内容我们能够大致了解到,MEMS IMU的技术难点主要就是如何降低误差以及提高精度,具体包括MEMS制造工艺以及ASIC算法等。

MEMS IMU制造难点

前面提到MEMS IMU的技术难点主要就是如何降低误差以及提高精度,具体包括MEMS制造工艺以及ASIC算法等。这里从制造工艺的角度来分析一下MEMS IMU的难点。

MEMS制造技术基于成熟的集成电路技术及其加工工艺,与我们熟知的传统IC工艺有很多相似的地方,比如光刻、刻蚀、薄膜沉积、掺杂、刻蚀等等。不过也有一些区别。IC制造主要涉及半导体材料的加工,比如光刻、蒸发、离子注入等步骤,而MEMS制造核心在于微机械结构,一些复杂的微机械结构难以直接复用IC制造工艺实现。

因此MEMS制造的关键还在于微加工技术。MEMS微加工技术包括表面微加工、体微加工、激光加工、离子束加工技术等。其中表面微加工是指在材料表面进行微小尺度的加工和处理,包括薄膜沉积、光刻、腐蚀、离子注入等工艺,用于制造MEMS传感器等微型器件。表面微加工的特点是加工精度高、对材料影响小、适用于制造微米级和纳米级的结构。

体微加工技术是通过对整体材料进行离子刻蚀、湿法腐蚀等加工方法,制备微米级的孔洞、通道等结构,常用于制备MEMS惯性传感器、压力传感器等器件。

激光加工技术则是利用激光束对材料进行精密加工,可以实现高精度的切割、打孔和表面改性,常用于制备微型光学器件和微流控器件。

离子束加工技术利用离子束对材料表面进行刻蚀和改性,可以实现微小尺寸结构的加工和制备,常用于制造微型光学元件和传感器。

而这些加工技术的精度,对MEMS IMU的性能影响很大。在MEMS4.传感器的制造过程中,结构层厚度的精确度对器件性能至关重要,不精确的厚度会直接影响MEMS设备的性能。此外,边墙形貌不佳、内应力和黏附力问题等都会影响器件性能和良率。

除了制造工艺外,材料也是MEMS产业中极为重要的一环。首先是材料的选择直接影响到MEMS器件的性能,包括传感器的灵敏度、执行器的响应速度等。不同材料具有不同的物理特性,如导电性、耐腐蚀性、热导率等,而不同的应用根据需求要选择合适的材料。

同时,材料的稳定性和可靠性对MEMS器件的工作可靠性十分关键,一些材料可能会受到环境因素的影响而产生腐蚀或老化,从而影响MEMS器件的性能和寿命。

另外,制造工艺和成本也是MEMS器件选择不同材料的考虑因素。首先材料选择会影响到MEMS器件制造工艺,加工工艺不同对制造成本会有一定影响;其次是材料本身的价格,对于MEMS器件来说,需要考虑到材料所带来的性能以及材料成本,两者综合考虑才能成为商业化量产产品。

在MEMS 器件封装方面,材料也起到重要作用。一方面是封装需要尽量避免给器件带来的应力,封装材料的热导率、热膨胀系数等热特性对于MEMS器件的散热和稳定性至关重要。选择合适的热特性匹配的封装材料是一个挑战,特别是在高温或快速温度变化的环境下。

因此,MEMS实际上是一项跨多个学科的技术,这涉及微电子、机械、材料、化学等多个学科,同时要求这些领域高度交叉融合,所需要的复合型人才少之又少,所以MEMS的产业链背后还需要成熟的人才教育和培养体系,这导致了整体迭代周期和研发周期都较长。



声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • 惯性传感器
    +关注

    关注

    2

    文章

    162

    浏览量

    27729
  • IMU
    IMU
    +关注

    关注

    5

    文章

    263

    浏览量

    45298
收藏 人收藏

    评论

    相关推荐

    【核芯观察IMU惯性传感器上下游产业梳理(二)

    惯性传感器产业上下游进行梳理,从市场现状、应用场景、产业链构成、
    的头像 发表于 04-14 06:53 1628次阅读
    【核芯<b class='flag-5'>观察</b>】<b class='flag-5'>IMU</b><b class='flag-5'>惯性</b><b class='flag-5'>传感器</b><b class='flag-5'>上下游</b><b class='flag-5'>产业</b><b class='flag-5'>梳理</b>(二)

    【核芯观察】充电桩上下游产业梳理(二)

    【核芯观察】是电子发烧友编辑部出品的深度系列专栏,目的是用最直观的方式令读者尽快理解电子产业架构,理清上、中、下游的各个环节,同时迅速了解各大细分环节中的行业现状。上一期【核芯观察】,
    的头像 发表于 03-10 04:43 5786次阅读
    【核芯<b class='flag-5'>观察</b>】充电桩<b class='flag-5'>上下游</b><b class='flag-5'>产业</b><b class='flag-5'>梳理</b>(二)

    【核芯观察】充电桩上下游产业梳理(一)

    产业上下游进行梳理,从市场现状、充电桩构成、产业链企业分布、技术方案等几个部分剖析充电桩产业。       充电桩概念   充电桩是新能
    的头像 发表于 03-03 07:14 6148次阅读
    【核芯<b class='flag-5'>观察</b>】充电桩<b class='flag-5'>上下游</b><b class='flag-5'>产业</b><b class='flag-5'>梳理</b>(一)

    线路板行业的上下游竞争格局:谁是行业的领导者和后来者?

    线路板行业的上下游竞争格局:谁是行业的领导者和后来者?
    的头像 发表于 03-01 10:54 283次阅读

    【核芯观察】无线BMS产业

    、分立器件、传感器、光电器件等半导体产业上下游进行梳理。本期产业梳理聚焦无线BMS行业,分析当前
    的头像 发表于 12-31 01:18 2128次阅读
    【核芯<b class='flag-5'>观察</b>】无线BMS<b class='flag-5'>产业</b>链

    TWS耳机上下游产业链技术分析

    电子发烧友网站提供《TWS耳机上下游产业链技术分析.pdf》资料免费下载
    发表于 12-13 11:20 1次下载
    TWS耳机<b class='flag-5'>上下游</b><b class='flag-5'>产业</b>链技术分析

    惯性传感器原理是什么 WHEELTEC N100模块介绍

    车联网、自动驾驶、无人驾驶、汽车智能化、网联化等成为了汽车行业的热点话题,未来汽车一定是朝着安全、可靠及舒适的方向发展。 而这一切背后的发展都离不开传感器的作用,尤其是惯性传感器——IMU
    的头像 发表于 11-22 17:52 798次阅读

    MEMS惯性传感器成为感知的基础和核心 有望在机器人领域释放潜力

    机构指出,GNSS/IMU的组合导航系统,可充分发挥GNSS长期高精度性能和IMU短期高精度性能的优势,为自动驾驶汽车提供连续、高精度和高可靠的位置信息。MEMS IMU作为一个重要的传感器
    的头像 发表于 09-20 08:46 292次阅读

    传感需求多变,MEMS器件集合体IMU如何应对

    广。   MEMS 重要类别——IMU   惯性测量单元一直是MEMS市场里重要的产品类型,主要包括加速度计、陀螺仪和磁力计。如今,由分立的惯性测量单元组合成的三轴、六轴、九轴IMU
    的头像 发表于 08-01 00:08 1058次阅读

    校准多个惯性测量单元(IMU)和各个轴的外参

    越来越多的机器人系统配备了多个惯性测量单元(IMU)。由于竞争性目标,当用于控制时期望靠近重心,或者在与外部感知传感器集成时为了获得无阻碍的视野,单个IMU经常被安装在相当远的距离上。
    的头像 发表于 07-08 09:41 1230次阅读
    校准多个<b class='flag-5'>惯性</b>测量单元(<b class='flag-5'>IMU</b>)和各个轴的外参

    传感器下游应用激增,企业积极布局上下游产业

    近日,脑机接口成为人工智能(AI)领域最大的热门,其关键部件传感器概念股也表现不俗。 Wind传感器概念指数自5月15日以来开启一波上涨行情,截至5月30日收盘区间涨幅达到11.67%,跑赢同期
    的头像 发表于 06-05 09:24 480次阅读

    【核芯观察】ChatGPT背后的算力芯片(三)

    在今年以来可以说是最热的赛道,而AI大模型对算力的需求爆发,也带动了AI服务器中各种类型的芯片需求,所以本期核芯观察将关注ChatGPT背后所用到的算力芯片产业链,梳理目前主流类型的AI算力芯片
    的头像 发表于 06-04 05:05 2138次阅读
    【核芯<b class='flag-5'>观察</b>】ChatGPT背后的算力芯片(三)

    传感器下游应用激增,企业积极布局上下游产业

    上述传感器企业高管表示:“每个传感器公司都有侧重点,有专门做气体传感器,有做温度传感器,有的做压力传感器等,很少有公司是做全方位的,
    的头像 发表于 06-01 14:31 446次阅读

    电芯成本逐步提升 上下游博弈情绪依旧浓重

    电芯成本逐步提升  上下游博弈情绪依旧浓重 SMM新能源晨会纪要 欢迎大家查阅参考 审核编辑 黄宇
    的头像 发表于 05-30 10:10 291次阅读
    电芯成本逐步提升 <b class='flag-5'>上下游</b>博弈情绪依旧浓重

    【核芯观察】ChatGPT背后的算力芯片(二)

    在今年以来可以说是最热的赛道,而AI大模型对算力的需求爆发,也带动了AI服务器中各种类型的芯片需求,所以本期核芯观察将关注ChatGPT背后所用到的算力芯片产业链,梳理目前主流类型的AI算力芯片
    的头像 发表于 05-28 00:34 2382次阅读
    【核芯<b class='flag-5'>观察</b>】ChatGPT背后的算力芯片(二)