3、传感器基础知识：常见传感器类型及其输出数据格式

在STM32Cube AI应用开发中，传感器是物理世界与神经网络之间的第一道桥梁。无论是加速度计、陀螺仪、温湿度传感器、气压计还是麦克风，它们的原始输出数据格式直接决定了预处理流程的设计、模型输入张量的形状以及最终推理结果的物理意义。本章将系统梳理嵌入式AI场景中最常用的五类传感器，深入解析其工作原理、数字输出协议（I2C/SPI/PDM）、数据封装格式（原始值、工程值、时间序列），并结合实际项目中的数据类型转换与归一化操作，为后续的模型联调打下坚实基础。

上图展示了从传感器物理量到AI模型输入之间的完整数据链路。理解这条链路中每个环节的数据格式变化，是进行传感器驱动开发与模型联调的前提。下面我们将逐一剖析各类传感器的核心原理与输出规范。

3.1 加速度计与陀螺仪：惯性测量的核心

核心原理：加速度计基于MEMS（微机电系统）技术，通过测量质量块在加速度作用下的位移变化，经电容或压阻效应转换为电信号。其输出代表物体在X、Y、Z三个轴上的比力（Specific Force），单位通常为g（9.8m/s²）或m/s²。陀螺仪则利用科里奥利效应，测量绕三个轴的角速度，单位为°/s或rad/s。在STM32Cube AI应用中，这两类传感器常以六轴IMU（惯性测量单元）形式集成，例如LSM6DSOX、BMI270等。

输出数据格式：绝大多数数字IMU通过I2C或SPI接口输出16位有符号整数。以LSM6DSOX为例，其加速度计满量程可配置为±2g、±4g、±8g、±16g，陀螺仪满量程为±125、±250、±500、±1000、±2000°/s。原始寄存器值（Raw Count）与物理工程值之间的转换关系为：

// 加速度计：满量程±4g，灵敏度 = 4g / 32768 ≈ 0.000122 g/LSB
float accel_g_x = (float)raw_accel_x * 4.0f / 32768.0f;

// 陀螺仪：满量程±2000°/s，灵敏度 = 2000 / 32768 ≈ 0.061 °/s/LSB
float gyro_dps_z = (float)raw_gyro_z * 2000.0f / 32768.0f;

在AI模型输入前，通常需要将连续时间序列的原始值或工程值组织为固定长度的滑动窗口。例如，对于人体活动识别（HAR）任务，常见配置为采样频率50Hz，窗口长度2秒，即100个采样点，每个采样点包含6个轴的数据，最终输入张量形状为(1, 100, 6)。

3.2 温湿度传感器：环境感知的基础

核心原理：温湿度传感器（如HTS221、SHT30）通常集成电容式湿度传感元件和带隙温度传感元件。湿度测量基于高分子薄膜吸湿后介电常数变化导致的电容变化，温度测量基于PN结正向压降与温度的线性关系。这类传感器输出的是相对湿度（%RH）和摄氏温度（℃）。

输出数据格式：以HTS221为例，其温度输出为10位有符号整数，湿度输出为10位无符号整数。数据通过I2C接口读取，转换公式如下：

// HTS221 温度转换：T_OUT = (T_OUT_H << 8) | T_OUT_L
// 实际温度 = T_OUT * 0.016 ℃（当分辨率配置为0.016℃/LSB时）
float temperature = (float)raw_temp * 0.016f;

// 湿度转换：H_OUT = (H_OUT_H << 8) | H_OUT_L
// 实际湿度 = H_OUT * 0.007 %RH（当分辨率配置为0.007%RH/LSB时）
float humidity = (float)raw_hum * 0.007f;

在AI联调场景中，温湿度数据通常作为辅助特征（Contextual Feature）与IMU数据融合。例如，在智能农业大棚监控中，模型输入可能包含温度、湿度、光照强度等多个环境参数，此时需要将不同量纲的数据进行归一化处理，使其均值为0、方差为1，以加速模型收敛。

3.3 气压传感器：高度与天气的判据

核心原理：气压传感器（如LPS22HH、BMP388）基于压阻效应或电容效应，通过测量薄膜在气压作用下的形变来推算绝对气压值。其典型应用包括室内定位（楼层检测）、气象站以及无人机高度控制。

输出数据格式：气压传感器通常提供24位无符号整数输出，单位为hPa（百帕）。LPS22HH的转换公式为：

// 气压值 = PRESS_OUT / 4096.0f (单位：hPa)
float pressure_hpa = (float)raw_pressure / 4096.0f;

// 根据气压计算海拔高度（简化公式，海平面气压1013.25hPa）
float altitude_m = 44330.0f * (1.0f - powf(pressure_hpa / 1013.25f, 0.1903f));

在AI应用中，气压数据常用于检测电梯上下行、楼层切换等场景。由于气压变化非常缓慢（每米约0.12hPa），通常需要低通滤波去除高频噪声，并采用差分特征（如连续窗口内的气压变化率）作为模型输入。

3.4 麦克风：音频AI的入口

核心原理：MEMS麦克风（如MP34DT05）通过MEMS振膜感知声压变化，将声波转换为电信号。数字麦克风通常输出PDM（脉冲密度调制）信号，这是一种1位过采样编码，需要经过抽取滤波（Decimation Filter）转换为16位PCM数据。

输出数据格式：PDM信号经过STM32的DFSDM（数字滤波器）模块或软件CIC滤波器后，输出16位有符号整数PCM数据，采样率通常为16kHz或48kHz。对于AI语音识别任务，原始PCM数据需要进一步提取特征，如MFCC（梅尔频率倒谱系数）或Mel频谱图。Cube.AI支持直接输入原始波形（1D-CNN）或频谱特征（2D-CNN）。

// PDM转PCM示意（简化）：假设PDM数据为pdm_buffer，输出为pcm_buffer
// 使用CIC滤波器，抽取因子64，输出16kHz采样率
for (int i = 0; i < PCM_SAMPLES; i++) {
    int32_t sum = 0;
    for (int j = 0; j < 64; j++) {
        sum += (pdm_buffer[i * 64 + j] >> 16) & 0x01 ? 1 : -1;
    }
    pcm_buffer[i] = (int16_t)(sum * 4096); // 缩放至16bit范围
}

在音频AI联调中，一个关键问题是数据对齐。麦克风采集的音频帧必须与模型期望的输入长度严格匹配。例如，1秒的音频在16kHz采样率下包含16000个采样点，若模型输入窗口为1秒，则每次推理需要恰好16000个PCM样本。

3.5 传感器数据联调中的常见误区与复盘

误区一：忽视量程与灵敏度配置。在Cube.AI模型训练时使用了±2g量程的加速度数据，但部署时传感器配置为±16g，导致输入数据分布完全不同，模型精度急剧下降。解决方法是：在驱动初始化时，将量程配置为与训练数据完全一致，并在代码注释中明确记录。

误区二：字节序与位操作错误。I2C读取多字节数据时，不同传感器厂商的字节序（大端/小端）可能不同。例如，LSM6DSOX默认输出小端格式，而某些气压传感器输出大端格式。若未正确拼接高低字节，数据将完全错误。建议编写统一的字节序转换函数，并在驱动层进行单元测试。

误区三：时间戳与采样率不匹配。AI模型对时间序列的采样率非常敏感。若实际采样率为100Hz，而训练时假设为50Hz，模型看到的“时间拉伸”会导致特征失真。务必在数据采集代码中加入时间戳记录，并在预处理阶段进行重采样或插值。

总结：传感器数据格式是连接物理世界与数字模型的“通用语言”。开发者必须精确掌握每种传感器的量程、分辨率、转换公式和时序特性，并在驱动代码中实现可配置、可测试的数据管道。在Cube.AI联调阶段，建议先使用STM32CubeMonitor等工具实时可视化传感器数据，确认数据范围与波形符合预期后，再进行模型集成。只有确保数据管道的正确性，AI模型才能发挥其应有的智能分析能力。