3、校准核心概念：偏置（bias）、尺度因子（scale factor）、非线性、交叉轴耦合等术语的数学定义与物理意义

TinyML 传感器校准的本质，是建立“传感器原始输出（ADC 码值/数字量）”与“真实物理量（加速度、角速度、磁场强度等）”之间的确定性映射关系。在工程实践中，这种映射关系并非理想的线性比例关系，而是受到多种误差源的污染。偏置、尺度因子、非线性和交叉轴耦合，构成了传感器误差模型的四大基石。理解这些术语的数学定义与物理意义，是设计校准流程、选择校准算法、评估校准精度的前提。本章将逐一拆解这些核心概念，并给出它们在 TinyML 设备上的具体表现与处理策略。

上图展示了传感器误差模型的整体框架：真实物理量经过偏置、尺度因子、非线性和交叉轴耦合四种误差源的“污染”后，变为传感器原始输出；校准的目标则是构建一个逆模型，从原始输出中还原真实物理量。下面逐一深入剖析每个误差项的数学本质与工程含义。

3.1 偏置（Bias）：零输入下的“幽灵输出”

核心原理：偏置是指当被测物理量为零时，传感器仍然存在的非零输出。数学上，它表现为一个加性常数项。对于加速度计，当设备静止水平放置时，Z 轴理论上应输出 1g（重力加速度），而 X、Y 轴应输出 0g；若 X 轴实际输出 0.05g，则这 0.05g 即为偏置误差。偏置的来源包括：传感器制造时的工艺偏差、ASIC 内部放大器的失调电压、封装应力、温度变化引起的漂移等。

数学定义：对于单轴传感器，理想模型为 y = k·x，其中 x 为真实物理量，k 为理想灵敏度。引入偏置后，模型变为：

y = k·x + b + ε

其中 b 即为偏置（单位与输出量纲一致，如 mg、°/s、μT），ε 为随机噪声。在 TinyML 设备中，偏置通常以 ADC 码值或物理量两种形式表示。例如，某 IMU 的加速度计偏置为 ±30mg，意味着即使设备完全静止，读数也可能在 -30mg 到 +30mg 之间波动。

判断与测量方法：测量偏置最直接的方法是“零输入法”。对于加速度计，将设备水平放置，X、Y 轴读数即为该轴偏置；对于陀螺仪，将设备静止不动，各轴读数即为偏置；对于磁力计，需要将设备置于零磁场环境（如坡莫合金屏蔽筒）中测量，但工程上常用“翻转法”间接计算。实际操作时，应采集 100-200 个静态样本并取平均，以抑制随机噪声的影响。

3.2 尺度因子（Scale Factor）：灵敏度偏差的“放大镜”

核心原理：尺度因子描述的是传感器实际灵敏度与理想灵敏度之间的偏差。理想情况下，加速度计输出 1g 对应 2048 LSB（以 16 位量程 ±16g 为例），但实际可能只有 2010 LSB 或 2080 LSB。这种偏差导致输出值被“放大”或“缩小”，表现为一条过原点但斜率偏离理想值的直线。

数学定义：引入尺度因子误差后，单轴模型变为：

y = (k + Δk)·x + b + ε

其中 k 为理想灵敏度，Δk 为灵敏度偏差。工程上常用“尺度因子误差百分比”表示：SF_error = (Δk / k) × 100%。例如，某加速度计的尺度因子误差为 ±1%，意味着在 1g 输入下，输出可能偏差 10mg（1g × 1%）。

测量方法：尺度因子的标定需要已知的精确输入。对于加速度计，利用重力加速度作为参考——将设备分别沿 X、Y、Z 轴正向和反向放置，记录输出，则尺度因子为：

SF = (y_正向 - y_反向) / (2 × 1g)

对于陀螺仪，则需要转台提供精确角速度；在 TinyML 场景中，若无转台，可采用“积分法”——将陀螺仪旋转已知角度（如 90°），对比积分输出与实际角度，间接计算尺度因子。

3.3 非线性：当“直线”变成“曲线”

核心原理：非线性是指传感器输出与输入之间不成严格正比关系，而是呈现曲线特征。在 MEMS 传感器中，非线性主要来源于弹性元件的非线性形变、电容检测的非线性响应、以及放大电路的饱和效应。对于 TinyML 应用，非线性在低量程时通常不明显，但在高加速度、高转速或强磁场场景下会显著影响精度。

数学定义：非线性通常用多项式模型描述：

y = k₁x + k₂x² + k₃x³ + ... + b + ε

其中 k₂、k₃ 为非线性系数。工程上更常用“非线性度”指标，定义为实际输出曲线与最佳拟合直线之间的最大偏差，以满量程（FS）的百分比表示。例如，某加速度计的非线性度为 0.5% FS，若量程为 ±16g，则最大偏差为 0.16g。

判断方法：检测非线性需要多点标定。在 TinyML 开发中，可对加速度计施加 0g、±0.5g、±1g、±2g、±4g 等不同输入（通过不同倾斜角度实现），记录输出并绘制输入-输出曲线。若各点偏离拟合直线的残差呈现系统性弯曲（而非随机分布），则存在非线性。

3.4 交叉轴耦合：轴间“串扰”的隐形杀手

核心原理：交叉轴耦合是指某一轴的输出不仅受该轴物理量的影响，还受到其他轴物理量的影响。理想情况下，三轴加速度计的 X 轴输出应只与 X 方向加速度有关，但实际中，由于 MEMS 结构的不完美正交性、封装应力、以及信号处理通道间的电磁耦合，X 轴输出会混入 Y 轴和 Z 轴的分量。

数学定义：三轴交叉轴耦合的完整模型为矩阵形式：

[y_x]   [k_xx  k_xy  k_xz] [x_x]   [b_x]
[y_y] = [k_yx  k_yy  k_yz] [x_y] + [b_y] + ε
[y_z]   [k_zx  k_zy  k_zz] [x_z]   [b_z]

其中 k_ij（i≠j）为交叉耦合系数，理想情况下应为 0；k_ii 为主轴灵敏度。交叉耦合通常以百分比表示，如 k_xy = 2% 意味着 Y 轴 1g 的加速度会在 X 轴产生 0.02g 的虚假输出。

测量方法：测量交叉耦合需要精确的单轴输入。以加速度计为例，将设备 X 轴竖直朝下（此时 X 轴承受 1g，Y、Z 轴承受 0g），记录 Y 轴和 Z 轴的输出，即为 k_yx 和 k_zx。依次旋转设备，可得到完整的耦合矩阵。

3.5 综合误差模型与校准策略

在实际 TinyML 系统中，上述四种误差往往同时存在。完整的传感器误差模型为：

y = K·x + b + f_nonlinear(x) + ε

其中 K 为包含尺度因子和交叉耦合的 3×3 矩阵，b 为偏置向量，f_nonlinear 为非线性函数。校准的目标就是估计 K、b 和非线性参数，并在运行时应用逆变换：

x_est = K⁻¹ · (y - b - f_nonlinear(x_est))

对于大多数 TinyML 应用，非线性项可以忽略（在量程的 30%~70% 范围内），此时校准简化为线性六参数模型（3 个偏置 + 3 个尺度因子）或九参数模型（加上交叉耦合）。选择哪种模型取决于应用精度需求和计算资源限制。

3.6 常见误区与总结

• 误区一：只校准偏置，忽略尺度因子。许多开发者认为静止时读数不为零就是偏置问题，校准后却发现动态精度依然差。实际上，尺度因子误差在动态测量中影响更大。
• 误区二：将交叉耦合与安装误差混淆。交叉耦合是传感器本身的轴间串扰，而安装误差是传感器在 PCB 上的贴装角度偏差。两者数学形式相似，但校准方法不同——安装误差可通过旋转矩阵补偿，交叉耦合需要矩阵求逆。
• 误区三：忽视温度对偏置的影响。在 TinyML 设备中，若产品在室内外切换使用，温度变化可达 30°C 以上，偏置漂移可能超过校准精度。建议在固件中实现“温度-偏置”查找表，或定期自动校准。
• 误区四：非线性校准过度设计。对于量程利用率低于 70% 的应用，非线性误差通常小于 0.1% FS，完全可忽略。盲目引入高阶多项式校准，不仅增加计算量，还可能因过拟合引入新的误差。

总结而言，偏置、尺度因子、非线性和交叉轴耦合构成了传感器误差的完整画像。在 TinyML 开发中，应根据应用场景的精度需求、计算资源限制和温度范围，合理选择校准模型。对于大多数可穿戴和 IoT 应用，六参数线性校准（偏置 + 尺度因子）已足够；对于高精度姿态解算或导航应用，则需要九参数模型（含交叉耦合）；只有在极端动态范围或高精度测量场景下，才需要考虑非线性补偿。理解这些核心概念的数学本质，是设计高效、可靠校准流程的第一步。