4、传感器融合入门：为什么要融合？

好，咱们进入一个新的话题——传感器融合。说实话，很多做电机控制的工程师，一开始都觉得“一个编码器就够了”。我以前也这么想。直到我在一个项目里被折腾得够呛，才真正明白：单一传感器，真的扛不住所有工况。

这一章，我们就来聊聊：为什么要融合？单一传感器有什么局限？融合的基本思想又是什么？

4.1 单一传感器的局限性

你想想看，一个编码器，装在电机轴上，看起来挺准的。但实际用起来，问题不少。

我归纳了几个最常见的痛点：

• 累积误差：增量式编码器，说白了就是数脉冲。一旦丢了一个脉冲，后面的位置就全偏了。我遇到过一台AGV小车，跑了几圈之后，定位偏差直接到了厘米级。
• 低速失真：绝对式编码器虽然不丢步，但在极低速下，信号信噪比会下降。尤其是磁编码器，低速时抖动明显。
• 受环境影响：光电编码器怕油污、怕灰尘。我一个做机床的朋友，车间里切屑一多，编码器读数就开始跳变。
• 带宽限制：编码器的更新率有限。高速运行时，你可能根本来不及读取完整的位置信息。

你看，单一传感器就像一个人单打独斗。总有力不从心的时候。

4.2 融合的基本思想

那怎么办？很简单——多找几个“帮手”。把不同传感器的数据结合起来，取长补短。这就是传感器融合的核心思想。

我个人习惯把融合分成两个层次：

1. 互补：利用不同传感器的优势，互相弥补对方的短板。
2. 估计：通过统计模型，从多个有噪声的测量值中，估算出最接近真实值的结果。

下面我们分别展开。

4.3 互补融合：取长补短

互补融合，说白了就是“谁擅长什么，就让谁干什么”。

举个例子：编码器在低速时精度高，但高速时容易丢步；而加速度计在高速时响应快，但低速时噪声大。那好办——低速时信编码器，高速时信加速度计。中间用一个低通+高通滤波器来平滑过渡。

互补融合的典型结构是这样的：

// 互补滤波伪代码
float fused_value = alpha * encoder_value + (1 - alpha) * accelerometer_value;

// alpha 根据工况动态调整
if (speed < LOW_SPEED_THRESHOLD) {
    alpha = 0.9;  // 更信任编码器
} else {
    alpha = 0.3;  // 更信任加速度计
}

你看，就这么几行代码，就能让系统在大部分工况下表现稳定。当然，这只是一个最简单的例子。实际项目中，alpha 的取值需要根据传感器特性和系统动态来标定。

4.4 卡尔曼滤波：最优估计

互补滤波虽然好用，但它有一个问题：它假设传感器的噪声是固定的。但实际情况往往更复杂。这时候，就需要请出我们的“大杀器”——卡尔曼滤波。

卡尔曼滤波的思想，我尽量用大白话讲：

• 你有一个系统模型（比如电机转动的物理方程）。
• 你有一个测量值（比如编码器读数）。
• 模型会预测下一个状态，测量会修正这个预测。
• 最终得到一个“最优估计”。

说白了，就是“预测 + 修正”的循环。卡尔曼滤波会动态计算一个“增益”，来决定当前更相信模型还是更相信测量。

下面是一个简化的卡尔曼滤波流程：

// 卡尔曼滤波五步法（简化版）
// 1. 预测状态
x_pred = A * x_est + B * u;
// 2. 预测协方差
P_pred = A * P_est * A' + Q;
// 3. 计算卡尔曼增益
K = P_pred * H' * inv(H * P_pred * H' + R);
// 4. 更新状态估计
x_est = x_pred + K * (z - H * x_pred);
// 5. 更新协方差
P_est = (I - K * H) * P_pred;

其中：

• x 是状态（比如位置、速度）
• z 是测量值（编码器读数）
• Q 是过程噪声协方差（模型的不确定性）
• R 是测量噪声协方差（传感器的不确定性）
• K 是卡尔曼增益（核心中的核心）

我曾经在一个伺服驱动器项目里，用卡尔曼滤波融合编码器和霍尔传感器。效果非常明显：低速抖动从原来的±5个脉冲，降到了±1个脉冲以内。

4.5 互补 vs 卡尔曼：怎么选？

很多初学者会问：到底用互补还是卡尔曼？我的建议是：

对比维度	互补滤波	卡尔曼滤波
计算量	极低（几行代码）	较高（矩阵运算）
适用场景	传感器特性互补明显	噪声特性已知，系统模型明确
调参难度	低（一个alpha值）	高（Q、R矩阵需要调试）
动态性能	一般	优秀（能自适应）
资源占用	几乎为零	需要浮点运算单元

我个人习惯是：能用互补解决的，绝不上卡尔曼。因为卡尔曼滤波的调参过程，真的很折磨人。我曾经为了调一组Q、R矩阵，花了整整两天时间。但如果你对精度有极致要求，或者系统噪声变化很大，那卡尔曼滤波是绕不开的选择。

4.6 本章知识体系

为了让你更直观地理解本章的核心逻辑，我画了一张图：

4.7 避坑指南

最后，分享几个我踩过的坑：

• 不要盲目上卡尔曼：我曾经在一个8位MCU上硬跑卡尔曼，结果CPU满载，电机控制周期直接崩了。后来换成互补滤波，问题解决。
• 注意传感器的时间同步：编码器和加速度计的采样时刻如果不一致，融合出来的结果反而更差。我建议用硬件触发或时间戳对齐。
• Q和R矩阵不是玄学：很多新手觉得卡尔曼增益调不出来。其实你可以先跑一段开环数据，统计一下测量噪声的方差，R值就出来了。
• 互补滤波的alpha值要动态调整：固定alpha在高速和低速下表现差异很大。我一般会根据转速或加速度来实时调整alpha。