第1章 课程导入：学习目标、课程结构、所需工具与实验环境搭建

惯性测量单元（IMU）——加速度计与陀螺仪——是机器人、无人机、自动驾驶、可穿戴设备、AR/VR 以及工业状态监测中不可或缺的传感器。然而，几乎所有工程师在首次接触 IMU 数据时都会遇到同一个问题：原始数据“没法直接用”。加速度计输出中混有高频噪声与振动分量，陀螺仪输出则存在零偏漂移与温度相关误差。如果不对这些数据进行滤波与融合处理，任何基于姿态或位移的算法都会迅速失效。本章作为整个课程的开篇，将明确学习目标、梳理课程结构、列出所需软硬件工具，并带领你完成一套可复用的实验环境搭建。我们将以“理论—仿真—实测定标—算法部署”为主线，确保你不仅理解滤波原理，更能动手解决真实工程问题。

1.1 学习目标：从“会读数据”到“会用数据”

本课程不是简单的“传感器使用教程”，而是围绕数据质量治理与姿态解算展开的系统训练。完成全部 30 章学习后，你将具备以下核心能力：

• 理解 IMU 数据噪声模型：掌握加速度计与陀螺仪的误差来源（高斯白噪声、零偏不稳定性、随机游走、温度漂移），能够用 Allan 方差分析法辨识噪声参数。
• 熟练运用经典滤波算法：包括移动平均滤波、一阶/二阶低通滤波（LPF）、高通滤波（HPF）、带通滤波，以及针对姿态解算的互补滤波（Complementary Filter）。
• 掌握现代状态估计方法：深入理解卡尔曼滤波（KF）与扩展卡尔曼滤波（EKF）在 IMU 数据融合中的应用，能够推导状态方程与观测方程，并完成代码实现。
• 具备工程调参与排障能力：面对实际数据中的异常跳变、饱和、丢帧、时延等问题，能够快速定位原因并采取对应滤波策略。
• 完成从仿真到实物的完整闭环：在 STM32/ESP32 等嵌入式平台上部署滤波算法，并通过上位机实时观察滤波效果。

1.2 课程结构：30 章进阶路径

课程内容按照“基础—方法—实战—综合”四个阶段递进，每章均包含理论讲解、代码示例、实验任务与常见误区分析。下表展示了完整的章节架构：

阶段	章节范围	核心主题	关键产出
基础篇	第1-8章	IMU 原理、数据采集、噪声分析、坐标系变换、滤波数学基础	能采集干净数据并完成 Allan 方差分析
方法篇	第9-18章	低通/高通/带通滤波、互补滤波、卡尔曼滤波、EKF、Mahony 算法	实现 3 种以上姿态解算算法并对比性能
实战篇	第19-26章	四旋翼姿态控制、行人导航、机械臂振动抑制、车载组合导航	完成 2 个完整应用案例的滤波方案设计
综合篇	第27-30章	多传感器融合（IMU+GPS+磁力计）、自适应滤波、深度学习辅助滤波	设计一个多源融合定位系统原型

每章内部遵循统一的教学闭环：核心原理 → 判断方法/操作流程 → 案例拆解 → 常见误区与复盘。这种结构确保你不仅知道“怎么做”，更理解“为什么这么做”以及“什么时候不能这么做”。

1.3 所需工具：硬件、软件与数据采集链路

为了完成课程中的全部实验，你需要准备以下工具。考虑到不同读者的预算与场景差异，我们提供了“最低配置”和“推荐配置”两档：

1.3.1 硬件清单

类别	最低配置	推荐配置	用途说明
IMU 传感器	MPU6050 模块（约 ¥15）	ICM20948（含磁力计）或 BMI270	加速度计+陀螺仪数据源；ICM20948 额外提供磁力计用于航向参考
主控 MCU	Arduino Uno/Nano	STM32F407 或 ESP32-S3	读取传感器数据并通过串口发送；STM32 适合后续部署复杂滤波算法
通信接口	USB-TTL 串口模块（CH340）	J-Link + 虚拟串口	实现 PC 与 MCU 之间的数据通信
逻辑分析仪	可选（Saleae 16MHz 克隆版）	DSLogic Plus 或 Saleae Pro 16	调试 I2C/SPI 时序，排查通信异常
电源	USB 供电（5V）	3.7V 锂电池 + 稳压模块	避免 USB 供电引入的工频噪声干扰 IMU 数据

1.3.2 软件环境

• Python 3.9+：推荐使用 Anaconda 发行版，包含 NumPy、SciPy、Matplotlib、Pandas 等科学计算库。
• 嵌入式开发环境：Arduino IDE（最低配置）或 STM32CubeIDE + Keil MDK（推荐配置）。
• 串口调试工具：PuTTY、MobaXterm 或 Python pyserial 库。
• 数据处理与可视化：Jupyter Notebook（交互式分析）、Plotly（3D 姿态可视化）。
• 版本控制：Git + GitHub（用于管理代码版本与实验数据）。

1.4 实验环境搭建：从零开始的数据采集链路

本节将带你完成一套最小可用的 IMU 数据采集系统。整个过程分为四个步骤：硬件连接、固件烧录、串口通信验证、数据记录与可视化。

步骤 1：硬件连接

以 MPU6050 + Arduino Uno 为例，连接方式如下：

MPU6050      Arduino Uno
VCC     →    3.3V（或 5V，取决于模块）
GND     →    GND
SCL     →    A5（SCL）
SDA     →    A4（SDA）
AD0     →    GND（I2C 地址 0x68）

注意：MPU6050 的 VCC 逻辑电平必须与 Arduino 的 I2C 电平匹配。Uno 的 A4/A5 是 5V 电平，而 MPU6050 的 I2C 引脚是 3.3V 耐受，因此建议将 VCC 接 3.3V，并确认模块上的电平转换电路存在。若模块没有电平转换，请使用逻辑电平转换器。

步骤 2：固件烧录

在 Arduino IDE 中安装 MPU6050 库（由 Jeff Rowberg 开发），然后烧录以下示例代码：

#include <Wire.h>
#include <MPU6050.h>

MPU6050 mpu;

void setup() {
  Serial.begin(115200);
  Wire.begin();
  mpu.initialize();
  if (!mpu.testConnection()) {
    Serial.println("MPU6050 connection failed");
    while (1);
  }
  // 设置量程：加速度计 ±2g，陀螺仪 ±250°/s
  mpu.setFullScaleAccelRange(MPU6050_ACCEL_FS_2);
  mpu.setFullScaleGyroRange(MPU6050_GYRO_FS_250);
}

void loop() {
  int16_t ax, ay, az, gx, gy, gz;
  mpu.getMotion6(&ax, &ay, &az, &gx, &gy, &gz);
  // 输出原始值，格式：ax,ay,az,gx,gy,gz
  Serial.print(ax); Serial.print(",");
  Serial.print(ay); Serial.print(",");
  Serial.print(az); Serial.print(",");
  Serial.print(gx); Serial.print(",");
  Serial.print(gy); Serial.print(",");
  Serial.println(gz);
  delay(10); // 100Hz 采样率
}

步骤 3：串口通信验证

烧录完成后，打开串口监视器（波特率 115200），应能看到类似如下的数据流：

382, 124, 16384, -12, 5, -3
381, 125, 16385, -11, 6, -2
...

其中加速度计 Z 轴数值接近 16384（对应 1g，因为 ±2g 量程下 1g = 16384 LSB）。如果数值明显异常（如全为 0 或满量程），请检查接线和 I2C 地址。

步骤 4：Python 数据采集与可视化

使用 Python 的 pyserial 库读取串口数据，并实时绘制波形：

import serial
import matplotlib.pyplot as plt
import numpy as np

ser = serial.Serial('COM3', 115200)  # Linux 下为 /dev/ttyUSB0
plt.ion()
fig, ax = plt.subplots(2, 1, figsize=(10, 6))
acc_data, gyro_data = [], []

try:
    while True:
        line = ser.readline().decode().strip()
        if line:
            values = list(map(int, line.split(',')))
            if len(values) == 6:
                acc_data.append(values[:3])
                gyro_data.append(values[3:])
                # 保留最近 200 个点
                if len(acc_data) > 200:
                    acc_data.pop(0)
                    gyro_data.pop(0)
                # 更新绘图
                ax[0].clear()
                ax[0].plot(np.array(acc_data))
                ax[0].set_ylabel('ACC (LSB)')
                ax[0].legend(['X', 'Y', 'Z'])
                ax[1].clear()
                ax[1].plot(np.array(gyro_data))
                ax[1].set_ylabel('GYRO (LSB)')
                ax[1].legend(['X', 'Y', 'Z'])
                plt.pause(0.01)
except KeyboardInterrupt:
    ser.close()
    print("采集结束")

1.5 案例拆解：一次典型的 IMU 数据异常排查

为了让你直观感受滤波处理的重要性，我们来看一个真实场景。某学生在搭建四旋翼飞控时，发现姿态解算结果剧烈跳动，即使无人机静止不动，俯仰角也在 ±15° 范围内波动。

初始现象：串口输出的加速度计 Z 轴数值在 12000~20000 LSB 之间剧烈变化（理论应为 16384 ± 噪声）。陀螺仪静止时输出不为 0，且随时间缓慢漂移。

分析过程：

1. 检查供电：用万用表测量模块 VCC 引脚，发现电压在 4.8V~5.2V 之间波动。USB 供电的电压纹波过大，导致传感器内部 ADC 参考电压不稳定。
2. 检查机械安装：模块通过杜邦线连接，线长 20cm，在无人机电机启动时，导线会因振动产生微小位移，导致接触电阻变化。
3. 检查采样率：代码中 delay(10) 实际采样率约为 90Hz（因为串口打印耗时），而非预期的 100Hz。采样率不稳定会引入额外的频谱泄漏。

解决方案：

• 改用锂电池供电，并增加 100μF + 0.1μF 去耦电容。
• 将杜邦线改为焊接，缩短线缆长度。
• 使用定时器中断实现精确采样，而非 delay()。

结果对比：改进后，静止时加速度计 Z 轴标准差从 850 LSB 降至 120 LSB，姿态角波动从 ±15° 降至 ±2°。后续再配合低通滤波，最终控制在 ±0.5° 以内。

复盘经验：IMU 数据质量的好坏，70% 取决于硬件设计和供电质量，只有 30% 取决于滤波算法。在开始滤波之前，务必先确保原始数据的“干净度”。

1.6 常见误区与总结

在课程开始阶段，以下误区需要特别警惕：

误区	后果	正确做法
拿到数据直接套用卡尔曼滤波	滤波发散或收敛极慢，无法定位问题	先做频谱分析，了解噪声分布，再选择合适滤波器
忽略采样率稳定性	滤波器参数设计失真，实际效果与仿真不符	使用定时器/中断保证固定采样率，并记录实际采样间隔
所有场景都用同一套滤波参数	在振动大的环境中低通滤波过度，导致姿态延迟	根据应用场景动态调整截止频率或使用自适应滤波
只关注滤波结果，不关注计算开销	在低性能 MCU 上无法实时运行	评估算法复杂度，必要时降采样或简化矩阵运算