4. 窗口化技术：固定窗口、滑动窗口、事件窗口的概念，窗口大小与步长的选择原则，以及窗口重叠对特征的影响
在无人机TinyML应用中，原始传感器数据（加速度计、陀螺仪、气压计等）通常以连续时间序列的形式流入微控制器。然而，机器学习模型无法直接处理无限长的数据流，必须将数据切分为有限长度的片段，这些片段被称为“窗口”。窗口化技术是特征工程的第一步，也是决定模型输入质量的关键环节。对于资源受限的TinyML设备而言，窗口的划分方式直接影响内存占用、计算延迟和识别精度。本章将系统阐述固定窗口、滑动窗口与事件窗口三种核心机制，深入分析窗口大小、步长与重叠率的选择原则，并结合无人机姿态识别的实际场景，帮助学习者在嵌入式环境下做出合理的窗口化决策。
4.1 三种窗口化机制的核心原理
窗口化技术的本质是将连续时间序列离散化为模型可处理的有限长度样本。在无人机TinyML场景中，传感器采样率通常为50Hz~200Hz，每个样本包含3轴加速度、3轴角速度等6~10个通道数据。窗口化机制决定了模型“看到”的数据范围，也决定了特征提取的上下文信息量。
固定窗口（Fixed Window）是最基础的切分方式，将数据流按固定长度等分，窗口之间无重叠、无间隔。例如，以100Hz采样率采集数据，每2秒切分为一个窗口，则每个窗口包含200个采样点。固定窗口的优点是实现简单、内存管理容易，适合处理周期性明显的动作（如无人机匀速旋转）。但其缺点也很突出：如果动作跨越窗口边界，特征会被截断，导致识别错误；且窗口边界处的信息完全丢失，无法捕捉动作的连续性。
滑动窗口（Sliding Window）以固定长度窗口在数据流上按固定步长移动，窗口之间可以重叠。步长小于窗口长度时即产生重叠。例如，窗口长度2秒（200点），步长0.5秒（50点），则相邻窗口重叠75%。滑动窗口是TinyML中最常用的方案，因为它能保证每个时刻都有对应的窗口输出，实时性好，且通过重叠可以缓解边界截断问题。但重叠也意味着计算冗余——每个采样点可能被多个窗口重复处理，增加CPU负载。
事件窗口（Event Window）由特定触发条件启动，窗口长度不固定。触发条件可以是阈值（如加速度幅值超过2g）、状态变化（如从悬停切换到水平移动）或外部中断。事件窗口适合检测异常事件（如碰撞、坠落）或非周期性动作。其优势是能完整捕获事件全过程，不浪费计算资源在无事件时段；但需要额外的触发检测逻辑，且触发条件设置不当会导致漏检或误检。
| 特性 | 固定窗口 | 滑动窗口 | 事件窗口 |
|---|---|---|---|
| 窗口长度 | 固定 | 固定 | 可变 |
| 重叠可能性 | 无 | 可配置 | 取决于触发频率 |
| 实时性 | 较差（需等待窗口填满） | 好（每个步长输出一次） | 取决于事件频率 |
| 内存占用 | 最小 | 中等（需环形缓冲区） | 动态分配 |
| 适用场景 | 周期性动作、离线分析 | 实时姿态识别、连续监测 | 异常检测、瞬态事件 |
4.2 窗口大小与步长的选择原则
窗口大小（W）和步长（S）是窗口化设计的两个核心超参数，它们共同决定了模型输入的时间分辨率和频率分辨率。在TinyML场景下，选择原则必须同时考虑物理意义、模型性能和硬件约束。
窗口大小的选择依据：首先，窗口应覆盖一个完整的最小动作周期。例如，无人机快速翻转动作约需0.5~1秒，则窗口至少应设为1秒（100Hz采样率下为100点）。其次，窗口大小影响频域特征的分辨率——窗口越长，FFT的频率分辨率越高（Δf = 采样率/窗口长度）。但窗口过长会引入两个问题：一是延迟增加，模型需要等待更多数据才能输出结果；二是可能包含多个动作的混合信息，导致特征模糊。对于TinyML设备，窗口长度通常限制在1~4秒之间，因为MCU的RAM有限，一个窗口的数据缓冲区大小 = 窗口长度 × 通道数 × 字节数。例如，100Hz × 6通道 × 2字节 × 2秒 = 2400字节，这在多数MCU上可以接受，但若窗口增至10秒，则需12KB，可能超出可用内存。
步长的选择依据：步长决定了模型输出的频率。步长越小，输出越密集，实时性越好，但计算量增大。步长与窗口长度的比值称为重叠率（Overlap Ratio），计算公式为：重叠率 = (W - S) / W × 100%。当S = W时，无重叠；当S = W/2时，重叠50%。在无人机姿态控制中，控制环路的周期通常为10~50ms，因此模型输出频率应不低于20Hz，即步长不应超过50ms（5个采样点@100Hz）。但过小的步长会导致相邻窗口高度相似，特征冗余，增加分类器的计算负担。经验法则是：步长设为窗口长度的10%~50%，在实时性和计算量之间取平衡。
工程经验：在STM32F4系列（Cortex-M4，168MHz）上运行CNN模型时，若窗口为2秒（200点）、步长为0.2秒（20点），则每秒需处理5个窗口。每个窗口的推理时间约15ms，CPU占用率约75%，接近极限。若将步长增大至0.5秒，CPU占用率降至30%，但输出频率降为2Hz，可能无法满足姿态控制的实时需求。因此，步长的选择必须与模型推理时间联合优化。
4.3 窗口重叠对特征的影响分析
窗口重叠是滑动窗口特有的参数，它对特征质量的影响常被初学者忽视。重叠的本质是让相邻窗口共享部分数据，从而在时间轴上产生平滑效应。
重叠对时域特征的影响：高重叠率（如75%以上）会使相邻窗口的均值、方差、峰值等统计特征高度相关，导致特征分布过于平滑，可能掩盖动作的突变信息。例如，无人机在快速俯仰时，加速度峰值出现在极短时间内，若窗口重叠过多，峰值特征会被前后窗口的均值稀释，降低分类器的区分度。相反，低重叠率（如0%~25%）能保留更多瞬态信息，但特征方差增大，模型可能过拟合噪声。
重叠对频域特征的影响：在FFT分析中，重叠相当于对信号进行了加权平均，等效于对频谱进行平滑滤波。50%重叠配合汉宁窗（Hann Window）是语音处理中的经典配置，能有效降低频谱泄漏。但在TinyML中，MCU的FFT计算能力有限，过高的重叠意味着需要执行更多次FFT运算。例如，窗口256点、步长64点（75%重叠）时，每秒需执行约15次FFT（@100Hz采样），而步长128点（50%重叠）时仅需8次，计算量几乎减半。
重叠与模型鲁棒性的关系：适度的重叠（50%~75%）相当于数据增强，让模型看到更多“部分重叠”的样本，提高对动作起始时间偏移的鲁棒性。但重叠率超过87.5%时，相邻窗口的差异极小，模型可能记住训练集中的特定时间偏移，导致泛化能力下降。在无人机姿态识别中，推荐的重叠率范围为50%~75%，既能保证实时性，又能提供足够的样本多样性。
风险提示：在TinyML设备上，窗口重叠直接增加内存带宽消耗。每次滑动窗口时，需要将新数据复制到缓冲区，并丢弃旧数据。若使用DMA（直接内存访问）传输，高重叠率会导致DMA频繁中断，影响其他外设（如电机PWM控制）的实时性。建议使用环形缓冲区（Ring Buffer）管理窗口数据，避免数据搬移开销。
4.4 案例拆解：无人机姿态识别中的窗口参数调优
本案例基于一个实际的TinyML项目：在STM32L4系列MCU（Cortex-M4，80MHz，128KB RAM）上实现无人机飞行姿态识别，目标区分悬停、前飞、左转、右转四种状态。传感器为MPU6050（加速度+陀螺仪），采样率100Hz，数据通道6个（3轴加速度+3轴角速度）。
初始方案与问题：开发团队最初采用固定窗口，窗口长度2秒（200点），无重叠。模型为2层1D-CNN，参数量约8K，Flash占用45KB，RAM占用12KB。实测发现两个问题：一是模型输出频率仅0.5Hz，无法满足飞控系统20Hz的控制需求；二是当无人机从悬停切换到前飞时，动作跨越窗口边界，导致约30%的切换瞬间被误判为“左转”。
分析与决策过程：团队对比了三种窗口化方案。首先，将固定窗口改为滑动窗口，窗口长度保持2秒，步长设为0.2秒（20点），重叠率90%。模型输出频率提升至5Hz，但CPU占用率从40%飙升至95%，接近超时。其次，尝试缩短窗口至1秒（100点），步长0.1秒（10点），重叠率90%，输出频率10Hz，CPU占用率降至70%，但识别准确率从92%降至85%，因为1秒窗口无法完整覆盖“左转”动作的完整过程（约1.5秒）。最终，采用窗口长度1.5秒（150点），步长0.15秒（15点），重叠率90%，输出频率6.7Hz，CPU占用率65%，准确率回升至89%。
关键参数对比：
| 方案 | 窗口长度 | 步长 | 重叠率 | 输出频率 | CPU占用 | 准确率 |
|---|---|---|---|---|---|---|
| 初始固定窗口 | 2s (200点) | 2s | 0% | 0.5Hz | 40% | 92% |
| 滑动窗口A | 2s (200点) | 0.2s | 90% | 5Hz | 95% | 92% |
| 滑动窗口B | 1s (100点) | 0.1s | 90% | 10Hz | 70% | 85% |
| 最终方案 | 1.5s (150点) | 0.15s | 90% | 6.7Hz | 65% | 89% |
实施细节与代价：最终方案中，窗口缓冲区大小为150点 × 6通道 × 2字节 = 1800字节，使用环形缓冲区管理。步长15点意味着每150ms触发一次推理，每次推理耗时约20ms（含特征提取和CNN前向传播），剩余130ms可用于其他任务。团队还发现，90%重叠率下相邻窗口的FFT频谱差异很小，因此将FFT计算改为每3个窗口计算一次（即每450ms一次），进一步降低CPU占用至55%。这一优化牺牲了部分频域特征的时效性，但对姿态分类影响不大。
复盘经验：窗口参数不能独立优化，必须与模型结构、MCU算力、控制环路需求联合设计。固定窗口虽然实现简单，但在实时系统中几乎不可用；滑动窗口的重叠率并非越高越好，需要实测CPU占用和准确率的权衡曲线。此外，事件窗口在本案例中未被采用，因为四种姿态均为持续状态而非瞬态事件，但团队在后续的“坠落检测”功能中引入了事件窗口，以加速度阈值2.5g作为触发条件，效果良好。
4.5 常见误区与总结复盘
在窗口化技术的工程实践中，以下误区值得特别注意：
- 误区一：窗口越大越好。大窗口虽然提供更多上下文，但会引入延迟和混合动作信息。在TinyML中，窗口长度应不超过动作周期的1.5倍，且需考虑RAM限制。
- 误区二：重叠率越高越平滑。超过87.5%的重叠会导致特征冗余，增加计算量而不提升精度。建议通过实验绘制“重叠率-准确率”曲线，找到拐点。
- 误区三：所有通道使用相同窗口。加速度计和陀螺仪的动态特性不同，加速度变化快，陀螺仪相对平滑。可考虑对加速度通道使用较短窗口（如0.5s），对陀螺仪使用较长窗口（如2s），但需注意特征对齐问题。
- 误区四：忽略窗口边界效应。在窗口边缘，数据可能不完整（如启动阶段），需设计填充策略（零填充、边缘复制）或丢弃不完整窗口。
总结：窗口化技术是无人机TinyML特征工程的基石。固定窗口适合离线分析和周期性动作；滑动窗口是实时系统的首选，其重叠率需在计算量和特征质量间权衡；事件窗口则针对异常检测提供高效方案。窗口大小和步长的选择应遵循“物理周期约束→硬件资源约束→实验调优”的流程。在实际项目中，建议先以50%重叠率起步，逐步调整步长，同时监控CPU占用率和准确率的变化，找到满足实时性要求的最优参数组合。窗口化决策没有通用答案，只有基于具体任务、硬件平台和数据特性的工程折中。