校正算法入门：三种核心方法

好，我们正式开始聊校正算法。说实话，很多初学者一听到「算法」两个字就头大，觉得肯定要推一堆公式。其实没那么玄乎。校正算法的本质，就是找到一条曲线——一条能把「测出来的值」映射回「真实值」的曲线。

我个人习惯把校正算法分成三类：最小二乘法拟合、查找表方法、多项式逼近法。这三条路各有各的脾气，选对了事半功倍，选错了……嗯，我在项目里吃过亏，后面会细说。

4.1 最小二乘法拟合

先讲我最常用的方法——最小二乘法。说白了，就是给你一堆散点，你找一条曲线，让所有点到这条曲线的「垂直距离的平方和」最小。为什么是平方和？因为平方能放大大误差，让算法优先照顾那些偏差大的点。

我记得第一次做传感器校准时，拿到一组余弦响应数据，直接拿线性拟合去套，结果误差大得离谱。后来才意识到，余弦响应是非线性的，得用多项式或指数模型去拟合。

最小二乘法的实现步骤其实很固定：

1. 采集标定数据：在已知角度下记录传感器输出值，至少 10~20 个点
2. 选择模型：比如 y = a₀ + a₁x + a₂x² + a₃x³
3. 构造正规方程：用矩阵形式 XᵀXa = Xᵀy
4. 求解系数：用高斯消元或 Cholesky 分解
5. 验证残差：检查拟合误差是否在容忍范围内

代码实现也不复杂。下面是一个 Python 示例，用 numpy 做 3 阶多项式拟合：

import numpy as np

# 标定数据：角度(度) -> 传感器输出
angles = np.array([0, 15, 30, 45, 60, 75, 90])
outputs = np.array([1.00, 0.97, 0.87, 0.71, 0.50, 0.26, 0.00])

# 构造 Vandermonde 矩阵（3阶）
A = np.vander(angles, 4, increasing=True)

# 最小二乘解：A^T A coeff = A^T y
coeff, _, _, _ = np.linalg.lstsq(A, outputs, rcond=None)

print("拟合系数:", coeff)
# 输出类似: [ 1.002, -0.003, -0.00015,  0.000002 ]

4.2 查找表方法

查找表（LUT）是最直观的方法。你想想看，既然我们知道每个角度对应的真实值，为什么不直接存一张表呢？运行时查表加插值，又快又准。

查找表的精髓在于「空间换时间」。你预先算好一批离散点的校正值，运行时根据当前测量值找到最近的两个表项，做线性插值就完事了。

特性	说明
精度	取决于表密度和插值方式。256 点 + 线性插值通常能到 0.1°
速度	O(1) 查表 + 一次插值，适合实时系统
内存	每增加一倍点数，内存翻倍。嵌入式里要精打细算
灵活性	换传感器只需重新烧表，不用改算法代码

我建议你在做原型验证时先用查找表。为什么？因为调试方便。我在一个激光雷达项目里，前期用查找表快速验证了校正效果，后期才换成多项式逼近来节省内存。查找表就像你的「安全网」——先保证功能正确，再优化资源。

4.3 多项式逼近法

多项式逼近和最小二乘法有点像，但思路不同。最小二乘法是「拟合已知数据点」，多项式逼近是「用多项式近似一个已知函数」。说白了，如果你已经知道传感器的理论响应公式（比如 cosθ），你可以直接用一个低阶多项式去近似它，而不需要做实验标定。

常用的逼近方法有：

• 泰勒展开：在 0° 附近展开，适合小角度场景。但离展开点越远误差越大
• 切比雪夫逼近：在整个区间内均匀分布误差，比泰勒更「公平」
• 帕德逼近：用有理函数（分子分母都是多项式），对某些非线性曲线效果更好

举个例子，cosθ 在 0° 附近的 4 阶泰勒展开是：

cos(θ) ≈ 1 - θ²/2 + θ⁴/24   （θ 是弧度）

当 θ = 30°（0.524 rad）时：
真实值：cos(30°) = 0.8660
泰勒近似：1 - 0.1373 + 0.0031 = 0.8658
误差：0.0002，相当不错

三种方法怎么选？

我整理了一个对比表，方便你快速决策：

维度	最小二乘法	查找表	多项式逼近
是否需要标定数据	是	是	否（已知理论模型即可）
计算复杂度	中（离线计算系数）	低（查表+插值）	低（几次乘加）
内存占用	低（只存几个系数）	高（存整个表）	低（只存几个系数）
精度可控性	高（增加阶数即可）	高（增加表密度即可）	中（受逼近函数限制）
适用场景	有标定数据、离线处理	实时系统、资源充足	嵌入式MCU、已知理论模型

我个人习惯的选型思路是这样的：如果手头有标定设备，优先用最小二乘法做 3~5 阶多项式拟合，系数存下来，运行时直接计算。如果 MCU 算力太弱（比如 8 位单片机），就换成查找表加线性插值。如果连标定设备都没有，只能用理论模型，那就用切比雪夫逼近。