机器人传感器模拟器：标定与传感器融合

控件

先选择一个平滑或阶跃的真值信号，然后调整采样率、量化、随机噪声、漂移、偏置、丢包和滤波记忆。可以把原始数据与滑动平均、低通、中值和互补估计放在一起比较。预设让有噪声、有偏置和不可靠的传感器行为变得可重复。

原理

每个传感器都有量程、分辨率、精度、带宽、延迟和失效行为。数据手册上的精度只描述了系统的一部分；安装方式、温度、电源噪声、电磁干扰和表面属性往往才主导真实结果。

当各个传感器提供互补的信息、并且它们的不确定性被诚实地表示出来时，融合才有效。把两次带偏置的测量结合起来，并不会自动产生真值。先从标定、时间戳、坐标系和数据质量检查做起。

算法

1. 在采集边界处为每个样本打时间戳并做范围检查。
2. 用标定的比例系数、偏移和轴对齐把原始单位换算出来。
3. 剔除不可能的跳变，或把它们标记为无效，而不是凭空编造数据。
4. 施加满足下游噪声要求的最轻的一级滤波。
5. 把测量值变换到一个共同的坐标系中，并按已知的不确定性做融合。
6. 记录原始值和处理后的值，让故障仍可复现。

源代码

当时间常数是被有意挑选的时候，指数低通滤波很有用：

class LowPass:
    def __init__(self, alpha):
        self.alpha = alpha
        self.value = None

    def update(self, sample):
        if self.value is None:
            self.value = sample
        else:
            self.value += self.alpha * (sample - self.value)
        return self.value

把原始样本和滤波结果并排记录下来。否则一条看着漂亮的曲线可能掩盖了截断、丢包和标定错误。

假设与硬件差异

这个实验台是一个教学用的信号模型，而不是某一份具体的传感器数据手册。噪声是用一个由你控制的旋钮设定的种子化高斯或均匀分布；而真实的 IMU 或 ToF 传感器还会带来随温度变化的偏置、非高斯尖峰和总线时序抖动，这些都被这个模型简化了。这里的采样是完美周期的，但在单片机上，回路时序和中断延迟让时间戳变得不可或缺——这也正是控件里的每种处理模式都把真值、原始采样和估计值放在一起比较的原因。滤波在图上看着很吸引人，可每一种更平滑的滤波都会增加滞后，而它日后会以控制延迟的形式出现在硬件上；同一笔交易在传感器噪声教程里也有讨论。

电路图

接上多个传感器之前，先确认总线电压、上拉要求、地址和最大线缆长度。

引导实验

这个实验台里的每一个旋钮，都是为了让你刻意造出某一种传感器故障， 再看看哪个工具能修好它。亲手做一遍，抵得上读很多东西。

1. 证明滤波修不好偏置

把噪声设为零，把偏置设成一个明显的偏移。然后依次试用每一种滤波——滑动平均、 低通、中值。它们没有一个会把估计值往真值方向拉，因为这三种滤波 都在衰减变化，而偏置本身并不变化。

然后把偏置设为零、噪声调高，看着同样的滤波工作得很好。这是传感器工作中 最有用的一个区分：噪声、偏置和漂移在图上看起来很像，却需要三种不同的修法， 而再多滤波也永远治不好偏置。

2. 看均值如何抹平一个中值会拒掉的尖峰

打开丢包或尖峰，把滑动平均和同样窗口长度的中值放在一起比较。

超声波和飞行时间传感器的噪声不是高斯的——它是在一个本来稳定的信号上 偶尔出现的反常数值。而这恰恰是平均值处理得最差的情形。

3. 量化滞后要付出多少代价

切换到阶跃真值信号，把滤波的 alpha 调小（或者把窗口加长）。估计值 变得更平滑，到达也更晚。在每个设置下从图上读出延迟：

最后一行会给出一条非常平滑的曲线，同时让机器人按照 15 厘米前障碍物的位置来转向。 一定要用机器人真正在意的单位去检查滞后，而不是用样本数——这是一个 出于好心的滤波反而把机器人弄坏的最常见方式。

4. 看清融合能做什么、不能做什么

把一个源设成有噪声但无偏置，另一个设成平滑但在漂移，观察互补估计 如何取走两者各自好的那一半。然后给两个源加上相同的偏置， 看着融合后的估计原样继承了它。

融合利用的是彼此独立的误差。共模误差会原封不动地存活下来， 这就是为什么标定要放在融合之前，而不是之后。

你应该观察到什么

硬件落地

对真实传感器而言，实用的流程很短：把它静止地贴在一个已知输入上，记录几千个 带时间戳的样本，并且把时间序列和一张直方图都画出来。直方图是人们 会跳过的那一部分，却也是信息量最大的——高斯噪声会画出一个钟形， 离群值会让钟形在尾部多出几个远处的点，而这两者需要不同的滤波器。 完整方法见传感器噪声、偏置与滤波。