2、传感器基础：常见机器人传感器类型及其数据特性

机器人感知外部世界的起点是传感器。无论是双足人形机器人在不平整地面上保持平衡，还是仓储AGV在货架间穿行避障，抑或是服务机器人在嘈杂环境中识别语音指令，所有智能决策都依赖于对传感器数据的正确采集与解读。在TinyML（微型机器学习）的语境下，传感器不仅是物理量的转换器，更是数据管线的源头——其采样率、位深、噪声特性、时间戳精度直接决定了后续预处理算法的复杂度和模型推理的上限。本章将系统梳理机器人领域最常见的五类传感器（IMU、摄像头、麦克风、激光雷达、编码器/力传感器），重点分析它们的数据格式、时序特性、噪声来源以及在边缘设备上的接入要点，为后续构建高效的输入管线打下基础。

上图展示了机器人传感器到TinyML推理的完整链路。传感器层负责物理量采集，数据特性层决定了预处理策略，输入管线则完成从原始数据到模型输入张量的转换。理解每个环节的约束，是设计高效、低功耗、实时性强的机器人感知系统的前提。下面逐一剖析各类传感器的核心特性。

2.1 惯性测量单元（IMU）：运动感知的基石

核心原理：IMU通常由三轴加速度计、三轴陀螺仪（部分集成三轴磁力计）组成。加速度计基于MEMS（微机电系统）电容检测原理，测量物体受到的比力（Specific Force），即加速度与重力加速度的矢量和；陀螺仪通过科里奥利效应测量角速度。在TinyML应用中，IMU是功耗最低、采样率最高的传感器之一，典型输出为16位有符号整数或32位浮点数。

数据特性与关键参数：

• 采样率：100Hz~1000Hz可配置。高采样率适合捕捉快速运动（如机械臂振动），但会线性增加数据量和功耗。对于TinyML，通常降采样至50~200Hz即可满足大多数分类任务。
• 量程与灵敏度：加速度计量程常见±2g/±4g/±8g/±16g，陀螺仪量程±125°/s~±2000°/s。量程越小，灵敏度越高，但容易饱和。需根据机器人运动剧烈程度选择。
• 噪声与漂移：MEMS传感器存在白噪声（角度随机游走）和零偏不稳定性（Bias Instability）。陀螺仪积分会产生累积漂移，加速度计易受振动干扰。预处理时需考虑高通滤波去除重力分量，或低通滤波抑制高频噪声。
• 时间戳：IMU数据通常由MCU通过SPI/I2C接口读取，每次读取需记录精确时间戳（微秒级），否则后续姿态解算或特征提取会产生相位误差。

2.2 摄像头：视觉信息的富矿与挑战

核心原理：摄像头将光信号转换为数字图像。在机器人领域，常见类型包括RGB单目相机、双目深度相机（如Intel RealSense）、ToF（飞行时间）相机以及新兴的事件相机（Event Camera）。对于TinyML，图像数据量巨大——一张640×480的RGB图像约921KB（未压缩），远超MCU内存，因此必须进行裁剪、缩放和格式转换。

数据特性与关键参数：

预处理要点：摄像头数据在进入TinyML模型前，通常需要经历：裁剪（ROI提取）→ 缩放（如bilinear插值到64×64）→ 格式转换（RGB→灰度或RGB→量化后的uint8张量）→ 归一化（除以255或使用均值/方差标准化）。此外，自动曝光和白平衡会影响图像一致性，在固定光照场景下建议关闭自动调节，以保证输入分布稳定。

2.3 麦克风：音频特征的时频变换

核心原理：麦克风将声压波动转换为电信号，经ADC采样为数字音频流。机器人语音交互（唤醒词、声源定位、命令识别）依赖麦克风阵列或单麦克风。TinyML音频处理的核心是时频域变换——通常使用MFCC（梅尔频率倒谱系数）或简单的FFT频谱作为模型输入。

数据特性与关键参数：

• 采样率：8kHz（电话质量）~48kHz（高保真）。语音识别常用16kHz，音乐分析需44.1kHz以上。采样率越高，数据量越大，但高频信息越丰富。
• 位深：16bit或24bit。16bit动态范围约96dB，足以覆盖语音场景。24bit用于高动态范围录音，但MCU处理负担重。
• 帧与窗口：音频处理通常以帧为单位，帧长20~40ms，帧移10~20ms。例如16kHz采样率下，30ms帧包含480个采样点。每帧提取39维MFCC特征（13静态+13差分+13二阶差分）。
• 麦克风阵列：多麦克风（如4麦环形阵列）可提供声源方位信息，但需要波束成形算法，计算量较大。TinyML场景下，通常先做简单的延时求和（Delay-and-Sum）或直接使用单通道。

// 音频特征提取伪代码（适用于C语言实现）
#define SAMPLE_RATE 16000
#define FRAME_SIZE 480   // 30ms
#define HOP_SIZE 160     // 10ms

void extract_mfcc(int16_t *audio_buffer, float *mfcc_out) {
    // 1. 预加重: y[n] = x[n] - 0.97 * x[n-1]
    // 2. 分帧加窗（汉明窗）
    // 3. FFT（480点补零到512点）
    // 4. Mel滤波器组（26个滤波器）
    // 5. 取对数，DCT变换得到13维MFCC
    // 6. 计算一阶/二阶差分，拼接为39维特征
}

在TinyML中，MFCC提取的FFT计算是主要瓶颈。对于ARM Cortex-M4F内核，512点FFT约需0.5ms，可满足实时性要求。若MCU无FPU（浮点单元），需改用定点FFT或降低Mel滤波器数量。

2.4 激光雷达与测距传感器：空间几何的精确感知

核心原理：激光雷达（LiDAR）通过发射激光束并测量反射时间（ToF）或相位差来计算距离。机器人常用单线激光雷达（如RPLIDAR A1）用于2D SLAM和避障，多线雷达（如Velodyne VLP-16）用于3D环境建模。此外，超声波传感器和红外测距传感器也属于测距类，但精度和范围不同。

数据特性与关键参数：

数据特性分析：单线LiDAR输出的是极坐标距离序列，角度分辨率通常为0.5°~1°，即每帧360~720个距离值。这些数据天然适合作为TinyML模型的输入——例如，将720维距离向量降采样到90维（每4°取一个值），即可用于障碍物分类或走廊检测。多线LiDAR点云数据量巨大（每秒数十万点），不适合直接在MCU上处理，通常需要先在边缘网关或上位机进行体素滤波和地面分割，再提取低维特征传给TinyML设备。

2.5 编码器与力传感器：关节级反馈

核心原理：电机编码器（增量式或式）测量关节角度/角速度，是机器人运动控制的基础。力传感器（如六维力/力矩传感器）测量末端执行器与环境的交互力。在TinyML中，这些传感器数据通常用于异常检测（如碰撞检测、关节磨损预测）或柔顺控制。

数据特性：编码器输出为脉冲计数（增量式）或角度值（式），采样率通常为1kHz~10kHz。力传感器输出为6通道（Fx, Fy, Fz, Mx, My, Mz）模拟信号，经24位ADC采样，噪声水平较低（0.1%FS）。这些数据的特点是：维度低、采样率高、时序相关性强，非常适合使用1D-CNN或LSTM模型进行时间序列分类。

预处理要点：编码器数据需进行零位校准和方向统一；力传感器需进行零点漂移补偿和低通滤波（截止频率通常设为50Hz~100Hz）。对于TinyML，建议使用滑动窗口（如256个采样点）提取时域特征（均值、RMS、峰值因子）和频域特征（主频幅值）。

2.6 多传感器时间同步与数据融合

在真实机器人系统中，多个传感器以不同频率异步运行。例如，IMU输出1000Hz，摄像头30Hz，LiDAR 10Hz。若直接将它们拼接为模型输入，必须解决时间对齐问题。常用方法包括：

1. 硬件同步：使用MCU的PPS（脉冲秒）信号或外部触发线，让摄像头和LiDAR在同一时刻曝光/扫描。
2. 软件插值：以最低频率传感器为基准，对高频传感器数据在时间戳上进行线性插值或最近邻采样。
3. 缓存队列：为每个传感器维护一个环形缓冲区，当主传感器（如摄像头）新帧到达时，从其他传感器缓冲区中取时间戳最接近的数据。

// 时间同步伪代码
typedef struct {
    uint32_t timestamp_ms;
    float data[6];
} imu_sample_t;

imu_sample_t imu_buffer[256];  // 环形缓冲区
int head = 0, tail = 0;

// 摄像头帧到达回调
void on_camera_frame(uint32_t cam_ts) {
    // 在IMU缓冲区中查找时间戳最接近cam_ts的样本
    int idx = find_closest(imu_buffer, head, tail, cam_ts);
    imu_sample_t sync_imu = imu_buffer[idx];
    // 将sync_imu与图像数据一起送入模型
}

2.7 常见误区与设计复盘

误区一：盲目追求高采样率。高采样率意味着更大的数据量和更高的功耗。对于TinyML，应根据任务需求选择采样率。例如，人体活动识别（HAR）在50Hz下即可达到95%准确率，而机械臂振动检测可能需要500Hz以上。

误区二：忽略传感器噪声特性。不同传感器的噪声分布差异很大。IMU的噪声近似高斯白噪声，而LiDAR在边缘处会产生离群点。预处理时应针对性地使用中值滤波（LiDAR）或卡尔曼滤波（IMU），而不是统一使用移动平均。

误区三：数据归一化方式错误。摄像头图像归一化到[0,1]是合理的，但IMU数据归一化到[0,1]会丢失正负号信息。建议对IMU使用z-score标准化（均值为0，方差为1），对LiDAR距离数据使用min-max归一化到[0,1]。

误区四：忽视传感器失效模式。在真实部署中，传感器可能因遮挡、断电、通信故障而失效。TinyML模型应具备鲁棒性——例如，在训练时加入随机丢弃某些传感器通道的增强策略，或设计一个简单的有效性检查（如检测IMU数据是否恒为0）。