2、传感器基础：无人机常用IMU传感器（加速度计、陀螺仪、磁力计）的工作原理、数据格式、采样率与噪声特性

在无人机TinyML应用开发中，特征工程的质量高度依赖于原始传感器数据的可靠性。IMU（惯性测量单元）是无人机的“本体感觉系统”，它持续输出加速度、角速度和磁场强度数据，为姿态估计、振动检测、飞行模式识别等下游任务提供基础输入。理解IMU的工作原理、数据格式、采样率约束和噪声特性，是构建有效特征的第一步。本章将系统拆解加速度计、陀螺仪、磁力计三大核心传感器的物理机制与工程接口，并给出在TinyML场景下的数据采集与预处理建议。

2.1 加速度计：感知比力与重力分量

加速度计测量的是物体受到的“比力”（specific force），即单位质量上除引力以外的合力。在无人机悬停或匀速飞行时，加速度计输出主要反映重力加速度在机体坐标系三个轴上的投影分量。其核心敏感元件是微机械质量块与电容检测结构：当无人机加速或倾斜时，质量块因惯性发生位移，导致差分电容变化，经ASIC电路转换为数字信号。

在TinyML特征工程中，加速度计数据是最常用的信号源。例如，通过检测加速度计三轴输出的直流分量，可以判断无人机的俯仰和横滚角；通过分析高频分量的能量，可以识别电机振动异常或桨叶不平衡。典型的数据格式为16位有符号整数，量程可配置为±2g、±4g、±8g或±16g。以±4g量程为例，分辨率约为0.000122g/LSB（即4/32768），对应约0.0012 m/s²。

2.2 陀螺仪：角速度测量与漂移问题

陀螺仪基于科里奥利效应测量角速度。当质量块在驱动轴方向做高频振荡时，若无人机绕敏感轴旋转，质量块会受到垂直于驱动方向和旋转轴的科里奥利力，该力使检测质量块产生位移，通过电容检测即可得到角速度。陀螺仪输出的是角速度（°/s或rad/s），对时间积分可得到角度变化量，但积分过程会累积漂移误差。

陀螺仪的噪声特性以“角度随机游走”（ARW）为关键指标，单位通常为°/√h。例如，某款IMU的ARW为0.28°/√h，意味着在1小时内积分得到的角度误差标准差约为0.28°。在TinyML特征工程中，陀螺仪的高频分量可用于检测无人机旋转抖动、航向突变等行为模式；而低频分量则用于姿态角速率估计。数据格式与加速度计类似，通常为16位有符号整数，量程可选±250、±500、±1000、±2000°/s。

2.3 磁力计：地磁场测量与航向参考

磁力计用于测量地球磁场在机体坐标系中的分量，通常采用各向异性磁阻（AMR）或巨磁阻（GMR）效应。其输出可用于计算无人机的磁航向角（Yaw），与陀螺仪积分得到的航向互补，抑制长期漂移。磁力计数据格式同样为三轴16位整数，量程常见为±49 gauss（实际地磁场强度约0.25~0.65 gauss）。

磁力计在TinyML特征工程中常被用于识别无人机的朝向变化模式，例如判断是否发生偏航旋转、是否进入特定航线方向。但磁力计对环境中铁磁性物质非常敏感，电机、电调、金属机架都会产生硬磁和软磁干扰。硬磁干扰表现为固定偏移，可通过椭球拟合校准消除；软磁干扰表现为轴间耦合和比例变化，需要更复杂的补偿算法。

2.4 采样率选择与混叠效应

采样率是连接物理世界与数字特征的桥梁。根据奈奎斯特采样定理，采样率必须大于信号最高频率的两倍，否则会发生频谱混叠。无人机旋翼产生的振动频率通常在80~400Hz之间，电机PWM开关频率可能达到8~16kHz，但后者通常被机械结构衰减。若采样率设为200Hz，则只能无失真地采集100Hz以下的信号，高于100Hz的振动能量会混叠到低频段，污染特征。

在TinyML应用中，建议遵循以下采样率选择流程：

1. 确定目标频带： 根据无人机机型（四旋翼、固定翼）和任务（悬停、特技飞行）确定感兴趣的频率范围。例如，四旋翼的振动基频约在150~250Hz，则采样率应不低于500Hz。
2. 检查抗混叠滤波器： 大多数IMU内置数字低通滤波器（DLPF），可配置截止频率。务必确保DLPF截止频率低于采样率的一半，否则混叠仍然存在。
3. 评估MCU算力： 更高的采样率意味着更频繁的中断和更大的数据吞吐。对于TinyML设备（如STM32F4系列），400Hz采样率配合128点FFT窗口（0.32秒）是较为均衡的选择。

2.5 噪声特性分析与预处理策略

IMU噪声可分为三类：白噪声（宽带）、有色噪声（低频漂移）和量化噪声。白噪声在频域表现为平坦的功率谱密度，可通过滑动平均或低通滤波抑制；有色噪声（如陀螺仪的随机游走）在低频段能量集中，需要高通滤波或状态估计方法处理；量化噪声由ADC分辨率限制引起，通常较小，但在低幅值信号场景下不可忽略。

在TinyML特征工程中，预处理策略应遵循“最小干预”原则：过度滤波会抹去有用的特征信息。推荐的做法是：

• 静止时零偏校准： 上电后采集1秒静止数据，计算均值作为零偏并扣除。
• 带通滤波： 对于振动特征，使用20Hz~200Hz的带通滤波器，保留旋翼振动频带，去除直流漂移和高频电磁干扰。
• 滑动窗口去毛刺： 对原始数据做3~5点中值滤波，去除尖峰脉冲（如电机换向干扰）。

下面给出一个典型的IMU数据预处理伪代码片段，展示在MCU上如何实现零偏校准和简单滤波：

// 伪代码：IMU数据预处理
#define SAMPLE_RATE 400  // Hz
#define CALIB_SAMPLES 200 // 0.5秒校准

float accel_offset[3] = {0};
float gyro_offset[3] = {0};

void calibrate_sensors() {
    for (int i = 0; i < CALIB_SAMPLES; i++) {
        read_accel_raw(accel_raw);
        read_gyro_raw(gyro_raw);
        for (int j = 0; j < 3; j++) {
            accel_offset[j] += accel_raw[j];
            gyro_offset[j] += gyro_raw[j];
        }
        delay(1000 / SAMPLE_RATE);
    }
    for (int j = 0; j < 3; j++) {
        accel_offset[j] /= CALIB_SAMPLES;
        gyro_offset[j] /= CALIB_SAMPLES;
    }
}

void apply_filter(float* accel, float* gyro) {
    // 去除零偏
    for (int j = 0; j < 3; j++) {
        accel[j] -= accel_offset[j];
        gyro[j] -= gyro_offset[j];
    }
    // 一阶低通滤波，截止频率约50Hz
    static float accel_lp[3] = {0};
    static float gyro_lp[3] = {0};
    float alpha = 0.2; // 根据采样率调整
    for (int j = 0; j < 3; j++) {
        accel_lp[j] = alpha * accel[j] + (1 - alpha) * accel_lp[j];
        gyro_lp[j] = alpha * gyro[j] + (1 - alpha) * gyro_lp[j];
    }
    memcpy(accel, accel_lp, sizeof(accel_lp));
    memcpy(gyro, gyro_lp, sizeof(gyro_lp));
}

2.6 实战场景：四旋翼振动特征提取中的IMU配置

假设我们要开发一个基于TinyML的无人机桨叶损伤检测系统，目标是通过加速度计信号识别桨叶是否出现裂纹或变形。该场景对传感器配置和噪声控制有较高要求。

场景背景与约束： 无人机为250mm轴距四旋翼，重量约800g，旋翼转速在悬停时约6000RPM（即100Hz基频）。MCU为STM32F405，主频168MHz，内存192KB。我们需要在MCU上实时运行一个轻量级CNN模型，输入为加速度计Z轴的128点FFT频谱。

初始现象与目标： 桨叶损伤后，振动能量在基频的整数倍（200Hz、300Hz）处会出现明显变化。目标是通过频谱特征区分健康桨叶和损伤桨叶，准确率不低于90%。

关键参数与配置：

• 采样率：400Hz（满足100Hz基频和200Hz二倍频的奈奎斯特要求）
• 加速度计量程：±4g（悬停时振动加速度约0.1~0.5g，留有余量）
• DLPF截止频率：100Hz（内置滤波器，防止高频混叠）
• 窗口长度：128点（0.32秒），步长64点（50%重叠）

分析判断过程： 在试飞中采集健康桨叶数据，发现频谱在100Hz处有显著峰值，200Hz处有较小峰值。损伤桨叶在200Hz处的能量比健康状态高出约40%，且出现300Hz的额外峰值。但原始时域信号差异不明显，必须通过FFT才能区分。

实际操作步骤：

1. 上电后执行2秒静止校准，记录加速度计零偏。
2. 以400Hz采样率连续采集Z轴加速度数据，每次取128点。
3. 对128点数据施加汉宁窗，减少频谱泄漏。
4. 执行128点FFT，取前64个频点（0~200Hz）作为特征。
5. 将64维特征输入轻量级CNN（2层卷积+1层全连接），输出健康/损伤二分类。

结果对比与复盘： 在20次飞行测试中（10次健康、10次损伤），模型准确率达到93%。但发现当电池电压下降时，旋翼转速降低，基频从100Hz降至90Hz，导致频谱特征偏移。后续在训练数据中加入了不同电压下的样本，并采用基频归一化（将频谱按基频位置对齐），准确率提升至96%。

2.7 常见误区与总结复盘

在IMU传感器使用中，以下误区在TinyML项目中反复出现，需要特别注意：

• 误区一：采样率越高越好。 高采样率带来数据量激增，MCU存储和算力压力增大，且高频噪声可能淹没有效特征。应根据目标频带选择合适采样率。
• 误区二：忽略抗混叠滤波。 即使采样率足够高，如果IMU内置DLPF未正确配置，高频信号仍会混叠到低频段，污染特征。
• 误区三：直接使用原始数据做长时间积分。 陀螺仪零偏漂移会导致积分角度发散，必须配合加速度计和磁力计进行融合。
• 误区四：磁力计不做校准。 无人机电机和电调产生的磁场干扰会使磁力计数据严重失真，必须进行椭球拟合校准。

总结而言，IMU传感器是TinyML特征工程的数据基石。理解加速度计、陀螺仪、磁力计的工作原理和噪声特性，能够帮助开发者合理配置采样参数、设计预处理流程、选择有效的特征提取方法。在实际项目中，建议先通过离线数据分析充分理解传感器数据特性，再在MCU上实现精简的实时处理链路。下一阶段，我们将在此基础上讨论窗口切分和频域特征的具体构建方法。