3、传感器基础：常见传感器类型及其在机器人感知中的作用

TinyML机器人项目的核心挑战，在于如何让一个算力受限的微控制器（如ESP32、STM32或K210）理解物理世界。传感器是机器人感知系统的“感官末梢”，它们将物理世界的连续模拟量（加速度、声压、光强、距离）转换为微控制器可以处理的数字信号。在TinyML语境下，传感器选型不仅关乎测量精度，更关乎数据带宽、功耗预算和特征提取的难易程度。本章将系统梳理六类在TinyML机器人项目中最高频使用的传感器，剖析其物理原理、输出特性、在机器人感知链路中的角色，以及接入微控制器时的工程要点。

上图展示了TinyML机器人感知链路的基本架构。传感器层负责物理量到电信号的转换，信号调理层完成滤波和特征提取，推理决策层运行轻量级模型并输出控制指令。理解这条链路中的每一个环节，是后续章节中实现“传感器识别到动作联动”的基础。

3.1 惯性传感器：加速度计与陀螺仪

核心原理

加速度计（Accelerometer）基于MEMS（微机电系统）技术，内部包含一个悬臂梁结构和质量块。当机器人加速或倾斜时，质量块因惯性发生位移，导致差分电容变化，通过ASIC芯片转换为数字信号。其输出为三轴加速度值（单位：g或m/s²），包含重力分量和运动加速度分量。陀螺仪（Gyroscope）则基于科里奥利效应，测量绕三轴的角速度（单位：°/s或rad/s）。在TinyML机器人中，两者通常集成在同一个IMU（惯性测量单元）芯片中，如MPU6050、ICM-20948。

判断方法或操作流程

在机器人感知中，加速度计和陀螺仪的数据融合是关键。加速度计在静止时能准确测量重力方向，但动态响应慢且噪声大；陀螺仪动态响应快，但存在零偏漂移。工程上常采用互补滤波或Mahony滤波进行姿态解算。操作流程如下：

1. 初始化：配置I2C或SPI接口，设置量程（±2g/±4g/±8g/±16g）和输出数据速率（ODR）。
2. 校准：静止放置时采集1000个样本，计算零偏（Offset）并写入寄存器。
3. 数据读取：以固定频率（如100Hz）读取原始数据，转换为物理单位。
4. 滤波融合：使用互补滤波公式 angle = 0.98 * (angle + gyro*dt) + 0.02 * accel_angle 估计倾角。

案例拆解：跌倒检测机器人

假设我们要设计一个老人陪护机器人，需要检测跌倒事件。初始现象是：正常行走时加速度幅值约1g，跌倒瞬间会产生约2-3g的冲击，随后静止。关键参数：采样率50Hz，窗口长度2秒。分析过程：计算窗口内加速度幅值 acc_mag = sqrt(ax²+ay²+az²)，若超过阈值2.5g且持续200ms，则判定为疑似跌倒。实际操作中，我们使用MPU6050，通过I2C读取数据，在ESP32上运行一个简单的阈值分类器。结果对比：单纯使用加速度计误报率约15%（弯腰捡物也会触发），加入陀螺仪角速度变化率（>300°/s）后误报率降至3%。风险与代价：高采样率会增加功耗，需在检测灵敏度和电池续航间平衡。复盘经验：TinyML模型（如1D-CNN）可以替代手工阈值，但需要标注数据。

3.2 声学传感器：麦克风

核心原理

麦克风将声压波动转换为电信号。在TinyML机器人中，常用MEMS麦克风（如INMP441、ICS-43434），输出PDM（脉冲密度调制）或I2S数字信号。PDM输出为1-bit流，需通过抽取滤波器转换为16-bit PCM数据。麦克风在机器人感知中的作用包括：语音命令识别（唤醒词）、声源定位（多麦克风阵列）、异常声音检测（玻璃破碎、警报声）。

判断方法或操作流程

麦克风数据处理的典型流程是：

1. 采集：设置采样率（16kHz用于语音，8kHz用于检测），DMA传输避免CPU阻塞。
2. 预处理：去除直流偏置，应用汉明窗减少频谱泄漏。
3. 特征提取：计算梅尔频率倒谱系数（MFCC）或短时傅里叶变换（STFT）作为TinyML模型输入。
4. 推理：在MCU上运行关键词识别模型（如TinyML的DS-CNN）。

实战场景：语音控制机器人小车

场景：我们使用INMP441麦克风，通过I2S接口连接ESP32。目标：识别“前进”、“停止”、“左转”三个命令。初始现象：环境噪声约50dB，语音信号约70dB。关键参数：采样率16kHz，帧长30ms（480样本），帧移20ms。分析判断：直接使用原始波形训练CNN效果差，因为噪声干扰大。实际操作：先做VAD（语音活动检测），仅在有语音时提取MFCC特征（13维），输入一个2层全连接网络（参数量约5K）。结果对比：使用MFCC+CNN的准确率92%，而使用原始波形+CNN的准确率仅78%。风险与代价：MFCC计算涉及FFT，在ESP32上耗时约15ms，需优化使用CMSIS-DSP库。复盘经验：麦克风阵列的波束成形可以进一步提升信噪比，但MCU算力有限，不推荐在入门项目中使用。

3.3 视觉传感器：摄像头

核心原理

摄像头是信息量最大的传感器，但也是TinyML中最具挑战性的。常用模块为OV2640（200万像素）或OV7670（30万像素），输出格式为JPEG或RGB565。在TinyML机器人中，摄像头通常用于图像分类（识别物体）、目标检测（定位物体）和避障。由于MCU内存有限（如ESP32的320KB SRAM），图像必须经过缩放（如96x96像素）和格式转换（RGB→灰度）后才能送入模型。

判断方法或操作流程

摄像头接入MCU的流程如下：

1. 初始化：通过SCCB接口（类似I2C）配置寄存器，设置分辨率、帧率和输出格式。
2. 图像采集：使用DMA将图像数据从摄像头FIFO传输到MCU内存。
3. 预处理：裁剪感兴趣区域（ROI），缩放至模型输入尺寸，归一化到[0,1]。
4. 推理：运行MobileNet或更小的模型（如SqueezeNet）进行分类。

案例拆解：颜色识别分拣机器人

背景：一个桌面级机械臂需要分拣红、绿、蓝三色积木。约束：MCU为ESP32-S3，内存512KB，无外部PSRAM。初始目标：识别准确率>90%，帧率>5FPS。关键输入：OV2640摄像头，分辨率设为160x120 RGB565。分析过程：直接使用RGB三通道输入，模型参数量大且易受光照影响。实际操作：将图像转为HSV色彩空间，仅使用H（色调）通道，通过阈值分割提取目标颜色区域，计算质心坐标。结果对比：RGB阈值法在光照变化时准确率降至60%，HSV法稳定在95%。风险与代价：HSV转换需要浮点运算，在ESP32上耗时约8ms，但可接受。复盘经验：对于颜色识别，传统CV方法比TinyML更高效；TinyML更适合复杂纹理或形状识别。

3.4 测距传感器：红外与超声波

核心原理

红外测距传感器（如Sharp GP2Y0A21）基于三角测量原理，发射红外光，接收反射光，根据光斑在PSD（位置敏感探测器）上的位置计算距离。输出为模拟电压，需通过ADC读取。超声波传感器（如HC-SR04）则通过发射40kHz声波脉冲，测量回波时间计算距离：distance = time * 340m/s / 2。两者在机器人避障中应用广泛，但特性差异明显。

对比分析

操作流程与误区

超声波传感器的典型操作流程：

1. 拉高Trig引脚10μs，触发发射。
2. 测量Echo引脚高电平持续时间（使用定时器输入捕获）。
3. 计算距离并转换为厘米。

常见误区：超声波传感器存在20ms的“死区时间”（发射后接收器饱和），若连续触发间隔小于20ms，会导致测量错误。此外，超声波对软质材料（如海绵）反射弱，对斜面反射会偏离接收器，导致读数偏大。

3.5 传感器融合与TinyML实践要点

核心原理

单一传感器往往无法提供鲁棒的感知。例如，仅用加速度计无法区分“机器人被拿起”和“机器人跌倒”；仅用摄像头在暗光环境下失效。传感器融合通过互补特性提升整体感知可靠性。在TinyML中，融合可以在三个层面进行：数据级融合（拼接原始数据）、特征级融合（拼接提取的特征）、决策级融合（多个模型投票）。

操作流程：多传感器动作识别

以“手势控制机器人”为例，融合加速度计和陀螺仪数据：

1. 以50Hz采样IMU数据，窗口大小2秒（100个样本）。
2. 提取每个轴的特征：均值、方差、峰峰值、过零率。
3. 将6轴特征拼接为18维特征向量。
4. 输入一个3层全连接网络（18→32→16→3），输出为“左挥”、“右挥”、“静止”三类。

案例拆解：避障机器人传感器选型

背景：设计一个桌面级避障机器人，预算有限，MCU为Arduino Nano 33 BLE Sense。初始目标：在0.5m/s速度下可靠避开障碍物。关键输入：超声波传感器（HC-SR04）和红外传感器（GP2Y0A21）。分析过程：超声波在30cm内响应慢（20ms），但机器人0.5m/s速度下20ms移动1cm，尚可接受；红外响应快但范围窄。实际操作：采用“红外优先+超声波确认”策略——红外检测到障碍物（<20cm）时立即减速，超声波确认距离后决定转向角度。结果对比：单独使用超声波，在快速接近时因响应延迟导致碰撞率25%；融合后碰撞率降至2%。风险与代价：红外在强光下可能失效，需增加遮光罩。复盘经验：传感器融合不是简单叠加，而是根据物理特性设计优先级逻辑。

3.6 常见误区与总结复盘

误区一：采样率越高越好

高采样率意味着更多的数据、更大的内存占用和更高的功耗。对于加速度计，100Hz足以捕捉人体动作；对于麦克风，16kHz是语音识别的下限。盲目提高采样率会导致MCU资源耗尽，甚至无法运行TinyML模型。

误区二：忽略传感器校准

MEMS传感器出厂时存在零偏和灵敏度误差。未校准的加速度计在静止时可能输出1.1g，导致倾角计算偏差5°以上。校准是TinyML项目中最容易被忽略但性价比最高的步骤。

误区三：将原始数据直接送入模型

虽然TinyML模型理论上可以学习原始数据中的特征，但受限于模型参数量和训练数据量，效果往往不佳。手动提取特征（如RMS、FFT峰值）可以显著降低模型复杂度，提高推理速度。

总结复盘

本章系统梳理了六类传感器的物理原理、接口特性和在机器人感知中的角色。核心要点归纳如下：

• 加速度计/陀螺仪：用于姿态估计和运动检测，需融合使用，注意零偏校准。
• 麦克风：用于语音和声音事件检测，PDM接口需抽取滤波，MFCC是主流特征。
• 摄像头：信息量最大但资源消耗高，需降采样和格式转换，传统CV与TinyML结合更高效。
• 红外/超声波：用于近距离测距，各有优劣，融合使用可提升可靠性。
• 传感器融合：在数据、特征或决策层面进行，需注意时间同步。