1. 课程导入与XENSIV传感器全景
欢迎进入《XENSIV多传感器融合与边缘推理》课程。在开始写代码、调参数之前，我们需要先建立一张"全局地图"：XENSIV 品牌下到底有哪些传感器，它们各自"感知"世界的哪个物理维度，以及为什么把这些传感器放在一起、再让边缘端自己"思考"，会比单颗传感器加云端处理更有价值。这一节不涉及复杂算法，但它是后续 29 节内容的地基——只有先看清传感器家族的分工，才能理解后面融合与推理的动机。
XENSIV 是什么：一个覆盖多种物理量的传感品牌
XENSIV 是英飞凌（Infineon）旗下的传感器品牌，其定位不是"某一类传感器"，而是覆盖多种物理量的一整套感知器件组合。理解它的最好方式，是按"感知对象"来分类，而不是按型号罗列。课程中我们会反复接触以下几大系列：
- 雷达（Radar）传感器：以 24 GHz、60 GHz 毫米波为主，用于检测目标的距离、速度、方位角，甚至通过微动特征做存在检测与生命体征感知。典型场景是智能家居中"人在不在、动不动、离多远"。
- 压力（Pressure）传感器：包括气压计与差压传感器，可测绝对气压、高度变化、微小压差。常用于高度估算、气流/液位检测、穿戴设备的高度与运动判断。
- 麦克风（Microphone）传感器：MEMS 数字麦克风，把声压转换为数字音频流，用于语音唤醒、噪声监测、异常声音识别。
- 气体（Gas）传感器：基于 MOS 或其它原理，检测 CO₂、VOC、CO 等气体浓度，用于空气质量监测与通风控制。
- 磁场（Magnetic）传感器：包括霍尔与磁阻（如 TMR/GMR）器件，测量磁场强度与方向，用于位置、角度、转速、电流隔离测量。
- 电流（Current）传感器：基于霍尔或磁通门原理，实现隔离式电流测量，广泛用于电机控制、电源管理与能耗监测。
这六类传感器有一个共同点：它们输出的都是"物理世界的某个投影"，而不是完整的世界本身。雷达看到的是电磁反射，麦克风听到的是声压波动，气压计感受到的是大气压强——每一种都只是真相的一个侧面。这正是"多传感器融合"要解决的问题。
为什么需要融合：单传感器的三个典型局限
先看一个具体例子。假设我们用一颗 24 GHz 雷达做"房间是否有人"的判断。雷达的优势是穿透性好、不涉及隐私图像，但它会遇到几个麻烦：
- 误触发：风扇转动、窗帘飘动、宠物移动都可能产生类似人体的微动信号，导致"无人却报有人"。
- 盲区与遮挡：金属物体、厚墙会削弱回波，某些角度下目标可能"消失"。
- 语义缺失：雷达能告诉你"有东西在动"，但很难直接告诉你"这是人在走动还是空调在吹风"。
如果同时引入麦克风，情况就不同了：风扇有稳定的低频噪声谱，人走动有脚步声与呼吸声，两者在音频特征上可区分。再引入气压计，还能辅助判断门窗开合导致的气压突变。于是，融合的本质是：用不同物理维度的证据互相印证、互相补盲，从而把"不确定的单一观测"变成"更可靠的联合判断"。
下面这张图给出了 XENSIV 主要传感器系列与它们所感知的物理量、典型输出以及融合中的角色关系。它不是简单的分类罗列，而是强调"每个传感器提供什么证据、这些证据如何汇入同一个决策"。
从"感知"到"决策"：边缘推理为什么关键
把多路传感器数据汇聚起来之后，下一步是"做判断"。传统做法是把原始数据传到云端或网关，由服务器上的模型推理。但这条路径有三个现实问题：延迟（网络往返可能几十到几百毫秒）、带宽（多路高频传感器数据量不小）、隐私（音频、雷达微动数据涉及个人活动信息）。
边缘推理的思路是：把推理模型直接部署在传感器附近的 MCU 或带 NPU 的边缘芯片上，让"判断"在本地完成。例如，用雷达 + 麦克风做"有人/无人 + 是否在活动"的二分类，模型可能只有几十 KB，却能在毫秒级给出结果，且原始音频不出设备。这就是本课程最终项目形态的雏形——一个在边缘端运行的多传感器融合推理节点。
课程目标与学习路径
本课程的目标可以概括为三句话：看得懂传感器数据、做得出融合特征、跑得动边缘模型。围绕这个目标，学习路径大致分为四个阶段：
- 第一阶段（传感器基础）：理解雷达、压力、麦克风、气体、磁场、电流六类传感器的工作原理、输出格式与典型参数，知道"什么场景该用哪颗"。
- 第二阶段（数据采集与特征）：学会从传感器读取原始数据，做时间对齐、滤波、特征提取（如雷达的距离-多普勒图、麦克风的 MFCC、气压的高度变化率）。
- 第三阶段（融合与推理）：掌握特征级/决策级融合的基本方法，了解轻量模型（如小型神经网络、决策树、卡尔曼滤波）在边缘端的部署方式。
- 第四阶段（项目实战）：完成一个完整的多传感器融合推理节点，从选型、采集、训练到部署、验证，形成可复现的工程闭环。
最终项目形态预览
课程结束时，你将交付一个可运行的原型：一块搭载 XENSIV 传感器（至少包含雷达与麦克风，可选气压计/气体）的开发板，通过 I²C/SPI 采集数据，在本地 MCU 上运行一个轻量融合推理模型，输出"有人/无人、活动强度、环境质量"等状态，并通过串口或无线方式上报结果。这个原型不追求工业级精度，但要求链路完整、参数可解释、结果可复现——这正是后续每一节要逐步搭建起来的东西。