传感器基础：加速度计、陀螺仪、磁力计等常用传感器的工作原理与数据格式

在TinyML传感器融合项目中，数据源头决定了模型性能的上限。加速度计、陀螺仪、磁力计是惯性测量单元（IMU）和电子罗盘的核心器件，它们分别感知线性加速度、角速度和磁场矢量。理解这些传感器的工作原理、坐标系统约定以及原始数据格式，是后续进行信号预处理、特征工程和模型训练的前提。本章将深入剖析这三类传感器的物理机制、数字输出协议，并给出在嵌入式平台上进行数据解析与校准的工程方法。

核心原理：从物理量到数字信号的转换机制

加速度计的核心是一个微机械质量块（MEMS结构），当设备加速时，质量块因惯性发生位移，改变电容或压阻值，通过ASIC电路转换为电压信号。需要特别注意的是，加速度计测量的是"比力"（Specific Force），即物体受到的惯性力与重力之和。静止时，加速度计读数为1g（约9.8m/s²）指向地心，而非零值。这一特性在姿态解算中常被用作重力参考向量。

陀螺仪基于科里奥利效应（Coriolis Effect），内部有一个高速振动的质量块，当设备旋转时，质量块受到垂直于振动方向和旋转轴的科里奥利力，该力引起电容变化，从而测量角速度。陀螺仪对旋转敏感，但存在零偏漂移（Bias Drift），长时间积分会产生累积误差，因此需要与加速度计、磁力计进行融合互补。

磁力计利用磁阻效应（Magneto-resistive）或霍尔效应，测量周围磁场在三个轴向上的分量。地球磁场强度约为25-65μT，方向从地理南极指向北极（地磁北极）。磁力计易受铁磁性材料干扰（硬铁/软铁效应），在PCB布局时需远离扬声器、马达和电源线。

数据格式与寄存器映射

主流IMU芯片（如MPU6050、LSM6DS3、BMI160）通常通过I2C或SPI接口输出16位有符号整数。以MPU6050为例，加速度计的量程可配置为±2g、±4g、±8g、±16g，陀螺仪量程为±250、±500、±1000、±2000°/s。原始数据为16位补码，需要根据量程换算为实际物理值。

读取数据时需注意字节序（大端/小端），MPU6050默认大端模式，高字节在前。I2C读取时需连续读取6个字节（每个轴2字节），并拼接为16位有符号数。以下为典型的读取代码片段：

// 以MPU6050为例，读取加速度计原始数据
uint8_t buf[6];
i2c_read(MPU6050_ADDR, ACCEL_XOUT_H, buf, 6);
int16_t ax = (buf[0] << 8) | buf[1];
int16_t ay = (buf[2] << 8) | buf[3];
int16_t az = (buf[4] << 8) | buf[5];
// 换算为g值（±2g量程）
float ax_g = ax / 16384.0f;
float ay_g = ay / 16384.0f;
float az_g = az / 16384.0f;

传感器校准与误差补偿

MEMS传感器出厂时存在零偏误差、尺度因子误差和轴间非正交误差。对于TinyML项目，至少需要执行零偏校准和灵敏度校准。加速度计零偏校准方法：将设备水平静止放置，采集100个样本取平均，理想情况下三轴读数应为(0, 0, 1)g，实际偏差即为零偏。陀螺仪零偏校准：设备完全静止，采集200个样本取平均，该值即为零偏，后续每次读取时减去该值。

磁力计校准更为复杂，需要执行椭球拟合（Ellipsoid Fitting）。在无干扰环境下，将设备绕各个方向旋转，采集足够多的点（至少200个），这些点应分布在一个球面上。由于硬铁干扰，球心会偏移；软铁干扰会使球体变为椭球。校准算法需要估计12个参数（3个偏移、3个尺度、3个非正交、3个旋转），常用最小二乘法求解。

案例拆解：基于IMU的人体活动识别数据采集

假设我们要构建一个基于TinyML的人体活动识别系统（站立、行走、跑步、上楼），使用腕戴式设备内置的BMI160 IMU。硬件约束：采样率50Hz（满足活动识别需求），I2C接口，电池供电（需考虑功耗）。

初始现象：直接使用原始数据训练模型，准确率仅72%，且模型在设备佩戴方向改变时（如手腕旋转）性能急剧下降。

分析过程：检查数据发现，加速度计三轴读数在静止时并非(0,0,1)g，而是(0.12, -0.08, 0.98)g，说明存在零偏和安装误差。陀螺仪静止时读数不为零，存在约±3°/s的漂移。此外，不同佩戴方向导致重力在各轴上的投影不同，模型无法泛化。

实际操作步骤：

1. 执行加速度计六面校准：将设备分别以+X、-X、+Y、-Y、+Z、-Z朝上静止放置，采集数据计算零偏和尺度因子。
2. 执行陀螺仪零偏校准：静止采集200个样本，计算平均零偏并存储。
3. 对加速度计数据应用低通滤波（截止频率5Hz），去除高频噪声。
4. 计算合成加速度（magnitude = sqrt(ax²+ay²+az²)），消除方向影响。
5. 提取时域特征：均值、方差、过零率、峰值频率等。

结果对比：校准后，静止时加速度计读数误差小于0.01g，陀螺仪零偏小于0.1°/s。加入合成加速度特征后，模型准确率提升至91%，且对佩戴方向变化的鲁棒性显著增强。

风险与代价：六面校准需要人工操作约5分钟，不适合量产阶段。量产时可使用出厂校准参数，或采用自动校准算法（利用运动数据在线估计）。

复盘经验：传感器校准是TinyML项目中最容易被低估的环节。数据质量决定了模型性能上限，再好的模型也无法弥补传感器误差。建议在项目初期就建立标准化的校准流程，并将校准参数存储在非易失性存储器中。

常见误区与总结复盘

• 误区一：混淆加速度计与重力传感器。加速度计测量的是比力，包含重力分量。在自由落体时，加速度计读数为0g，而非1g。
• 误区二：忽略量程设置。量程设置过小会导致数据饱和（削波），过大会降低分辨率。应根据应用场景选择合适量程，如人体运动选择±4g或±8g。
• 误区三：不处理时间戳。传感器数据必须带有精确时间戳，否则后续特征提取和融合会引入时间错位误差。建议使用硬件定时器触发采样，而非软件延时。
• 误区四：直接使用原始整数训练模型。原始整数与物理量之间是线性关系，但不同量程下灵敏度不同。建议统一换算为物理单位（g、°/s、μT）后再输入模型。

掌握加速度计、陀螺仪和磁力计的工作原理与数据格式，是构建传感器融合系统的基础。本章详细介绍了三类传感器的物理机制、数字输出协议、校准方法以及实际案例。在下一阶段，我们将探讨如何对多传感器数据进行时间同步和空间对齐，为后续的特征工程和模型训练奠定数据基础。