3. IMU数据采集

在TinyML姿态识别项目中，IMU（惯性测量单元）数据采集是整个pipeline的起点，也是决定模型识别精度的“第一公里”。如果采集的数据存在时间戳抖动、量程溢出或轴序混乱，后续无论模型结构多先进、训练策略多巧妙，最终部署到边缘设备上的推理结果都会失真。本章以Arduino Nano 33 BLE Sense开发板为例，系统讲解IMU传感器的硬件连接、寄存器配置、数据读取逻辑以及串口输出的工程化实现，帮助读者建立一套可复用的数据采集框架。

IMU数据采集链路与关键节点 物理层 LSM9DS1 I2C地址: 0x6B/0x6A SPI: CS=10, SCK=13 I2C/SPI 驱动层 Arduino_LSM9DS1库 begin() → 自动配置 加速度±4g/陀螺仪±2000dps readAccel() 数据层 ax, ay, az gx, gy, gz 单位: g / dps Serial 输出层 串口监视器 115200 baud CSV格式 采样时序关键参数 • 采样率: 50Hz ~ 200Hz（根据动作复杂度调整） • 每帧数据: 6个浮点数 + 时间戳 → 约 48~64 字节 • 时间戳: millis() 或 micros()，用于后续数据对齐与重采样 常见风险点 ① 串口打印阻塞导致采样率波动 → 使用缓冲区或降低打印频率 ② 量程配置不当导致数据截断 → 根据动作幅度选择±2g/±4g/±8g/±16g ③ 轴序不一致 → 统一坐标系，记录传感器安装方向

3.1 核心原理：从物理量到数字信号的转换链路

IMU数据采集的本质是将物理世界的运动（加速度、角速度）转换为微控制器可处理的数字信号。以Arduino Nano 33 BLE Sense板载的LSM9DS1传感器为例，其内部集成了一个三轴加速度计和一个三轴陀螺仪，通过MEMS（微机电系统）技术感知惯性变化。加速度计基于电容式检测原理，当芯片发生位移时，质量块与固定电极之间的间距改变，导致电容值变化，进而通过ADC（模数转换器）输出数字量；陀螺仪则利用科里奥利力效应，通过检测振动质量块在旋转时产生的横向位移来计算角速度。

在数据链路层面，传感器通过I2C或SPI总线与主控芯片通信。I2C模式仅需两根线（SDA、SCL），连接简单但速率相对较低（标准模式100kbps，快速模式400kbps）；SPI模式需要四根线（CS、SCK、MOSI、MISO），速率可达10Mbps以上，适合高频采样场景。Arduino Nano 33 BLE Sense默认使用I2C接口，地址为0x6B（加速度计/陀螺仪共用），用户无需额外接线，板载PCB已做好布线。

理解采样率与带宽的关系至关重要。根据奈奎斯特采样定理，采样频率必须大于信号最高频率的两倍。人体动作的频谱能量主要集中在0.5Hz~10Hz之间，因此50Hz的采样率理论上已足够；但考虑到动作的瞬态冲击（如挥手、跳跃）可能包含更高频分量，实际项目中常设置为100Hz~200Hz。需要注意的是，采样率并非越高越好——过高的采样率会带来数据冗余、存储压力增大以及功耗上升，同时串口传输可能成为瓶颈。

3.2 操作流程：从零开始配置IMU并输出数据

下面以Arduino IDE为开发环境，逐步演示IMU数据采集的完整流程。整个过程分为硬件准备、库安装、代码编写、串口验证四个阶段。

3.2.1 硬件准备与开发环境

  • 开发板：Arduino Nano 33 BLE Sense（板载LSM9DS1、APDS9960等传感器）
  • 连接线：Micro USB数据线（用于供电和串口通信）
  • 软件：Arduino IDE 2.x，安装“Arduino Mbed OS Nano Boards”开发板支持包
  • 库：在库管理器中搜索“Arduino_LSM9DS1”并安装（官方库，无需额外配置）

3.2.2 核心代码实现

以下代码实现了IMU初始化、数据读取和串口输出。关键点在于：使用IMU.begin()自动配置传感器量程和采样率；通过IMU.accelerationAvailable()和IMU.gyroscopeAvailable()检查数据就绪状态；读取数据后通过串口以CSV格式输出，便于后续Python脚本解析。

#include <Arduino_LSM9DS1.h>

const float ACCEL_RANGE = 4.0;   // 加速度量程 ±4g
const float GYRO_RANGE = 2000.0; // 陀螺仪量程 ±2000dps
const int SAMPLE_RATE = 100;     // 目标采样率 100Hz

unsigned long lastSampleTime = 0;

void setup() {
  Serial.begin(115200);
  while (!Serial);  // 等待串口连接
  
  if (!IMU.begin()) {
    Serial.println("Failed to initialize IMU!");
    while (1);
  }
  
  // 配置量程（可选，默认值已合理）
  IMU.setAccelRange(ACCEL_RANGE);
  IMU.setGyroRange(GYRO_RANGE);
  
  // 打印配置信息
  Serial.print("Accelerometer range: ±");
  Serial.print(IMU.getAccelRange());
  Serial.println("g");
  Serial.print("Gyroscope range: ±");
  Serial.print(IMU.getGyroRange());
  Serial.println("dps");
  
  Serial.println("timestamp,ax,ay,az,gx,gy,gz");
}

void loop() {
  // 控制采样率
  if (millis() - lastSampleTime < (1000 / SAMPLE_RATE)) {
    return;
  }
  lastSampleTime = millis();
  
  float ax, ay, az, gx, gy, gz;
  
  // 等待数据就绪
  if (IMU.accelerationAvailable() && IMU.gyroscopeAvailable()) {
    IMU.readAcceleration(ax, ay, az);
    IMU.readGyroscope(gx, gy, gz);
    
    // 输出CSV格式数据
    Serial.print(lastSampleTime);
    Serial.print(",");
    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);
  }
}

3.2.3 串口数据验证

将代码上传至开发板后，打开串口监视器（波特率115200），应能看到类似以下输出：

timestamp,ax,ay,az,gx,gy,gz
1234,0.02,-0.01,1.00,0.05,-0.03,0.02
1334,0.03,-0.02,0.99,0.06,-0.04,0.03
1434,0.01,0.00,1.01,0.04,-0.02,0.01

静止状态下，加速度的Z轴应接近1g（重力加速度），X/Y轴接近0；陀螺仪三轴应接近0。若数值偏差较大，需检查传感器是否水平放置或存在外部振动干扰。

3.3 案例拆解：手势识别数据采集的工程化实践

假设我们需要为一个“挥拳”动作识别项目采集训练数据。目标动作包括：左挥拳、右挥拳、上勾拳、静止四种状态。以下是完整的案例闭环。

背景与约束：采集环境为室内，无强磁场干扰；要求每个动作采集200组样本，每组样本包含2秒的连续数据（200Hz采样率下共400帧）；数据需标注动作类别，用于后续训练TinyML模型。

初始现象：直接使用默认配置采集时，发现挥拳瞬间的加速度值经常达到±8g以上，而默认量程为±4g，导致数据截断（波形出现平顶）。同时，串口打印速度跟不上采样速度，实际采样率只有约80Hz，低于设定的200Hz。

分析判断过程：通过串口监视器观察原始数据，发现挥拳时加速度峰值超过4g；进一步使用micros()计时，发现每次循环中串口打印耗时约3ms，加上传感器读取时间，总耗时约5ms，理论最大采样率为200Hz，但实际因串口缓冲阻塞降至80Hz。

实际操作步骤：

  1. 将加速度量程调整为±8g（IMU.setAccelRange(8)），陀螺仪量程保持±2000dps。
  2. 优化串口输出：将浮点数转换为字符串并存入缓冲区，每10帧批量发送一次，减少串口中断频率。
  3. 增加时间戳字段，使用micros()记录精确采样时刻，便于后续重采样对齐。
  4. 编写Python脚本通过pyserial读取串口数据，实时保存为CSV文件，并添加动作标签列。

结果对比：调整后，采样率稳定在200Hz±2Hz，加速度峰值完整记录（最大约7.2g），数据无截断。采集的400帧数据中，有效帧率达99.5%，满足训练要求。

风险与代价：提高量程至±8g会降低加速度计的分辨率（从0.122mg/LSB降至0.244mg/LSB），但对于挥拳这类大幅度动作，分辨率损失可接受。批量发送数据增加了约20ms的延迟，但通过时间戳补偿，不影响后续处理。

复盘经验：IMU配置必须与动作幅度匹配；串口通信是嵌入式数据采集的常见瓶颈，应优先考虑二进制协议或DMA传输；时间戳是数据质量的“锚点”，务必在采集时记录。

3.4 常见误区与总结复盘

在IMU数据采集中，初学者常陷入以下误区，导致数据质量下降或项目返工。

误区 表现 后果 正确做法
量程设置不当 数据出现平顶或数值恒为最大值 丢失真实峰值，模型无法学习完整特征 根据动作幅度选择量程，预留20%余量
采样率虚高 设定200Hz但实际仅80Hz 时间序列失真，频谱分析错误 用micros()实测循环耗时，调整采样率
忽略轴序 传感器安装方向不同导致数据混乱 模型泛化能力差，部署时失效 统一坐标系，记录安装方向，必要时做轴交换
串口阻塞 打印数据时采样暂停 数据时间间隔不均匀 使用缓冲区、二进制输出或降低打印频率
未校准零偏 静止时陀螺仪输出非零 积分漂移，姿态估计错误 采集静止数据计算零偏并补偿

总结：IMU数据采集看似简单，实则需要精细的工程权衡。核心要点可归纳为：量程匹配动作幅度、采样率匹配信号带宽、串口传输不阻塞采样、时间戳保证数据可对齐、坐标系统一保证模型可迁移。建议读者在正式采集前，先进行10分钟的静态测试和动态扫频测试，确认传感器响应正常后再开始正式数据采集。此外，将采集脚本与数据可视化工具（如Python的matplotlib）结合，实时观察波形，能快速发现异常。

经验提示：对于TinyML项目，建议在采集阶段就考虑边缘设备的算力限制。例如，如果最终模型将在Arduino上运行，采集时无需保存高精度浮点数，可转换为int16类型存储，既减小数据量又加速后续推理。
风险警告：切勿在未验证数据质量的情况下直接开始模型训练。一个常见的“陷阱”是：采集时开发板通过USB供电，而USB电源噪声可能耦合到IMU读数中。建议使用电池供电进行正式采集，并在代码中增加简单的低通滤波（如移动平均）以抑制高频噪声。
← 上一章 📖 返回目录 下一章 →