4. IMU数据采集与预处理

TinyML无人机对IMU（惯性测量单元）数据的依赖是全方位的：姿态解算、速度估计、视觉惯性里程计（VIO）融合乃至飞控PID反馈，无一不以IMU的原始测量为起点。然而，从传感器芯片到可用的姿态数据之间，隔着通信协议、电气噪声、制造误差和运动伪影四道关卡。本章将沿着“物理链路→数据链路→误差补偿→信号调理”的工程主线，系统拆解IMU数据采集与预处理的完整链路，确保后续模型训练和飞控联动建立在干净、可信的数据地基之上。

上图展示了IMU数据从芯片到可用信号的完整工程链路。四个层次环环相扣：物理层决定数据能否被正确读取，数据链路层决定数据的格式与时效，误差补偿层决定数据的准确性，信号调理层决定数据的平滑度与可用性。任何一层的疏忽都会在后续姿态解算中放大为不可接受的漂移或噪声。

4.1 核心原理：I2C与SPI通信协议的选择与实现

IMU芯片与主控之间的通信是数据采集的第一道关卡。TinyML无人机常用的IMU（如BMI270、ICM-42688、LSM6DSV）均同时支持I2C和SPI两种接口，但两者在速率、引脚占用和可靠性上差异显著。

在TinyML无人机中，若使用ESP32-S3或STM32F4系列，推荐优先使用SPI接口，原因有三：其一，视觉识别任务往往需要IMU以1kHz以上的速率输出数据，I2C的400kHz在读取6轴数据+温度时已接近带宽极限；其二，SPI的全双工特性允许主控在读取数据的同时写入配置寄存器，减少时序开销；其三，SPI对时钟抖动的容忍度更高，更适合与DMA配合实现无CPU干预的批量数据搬运。

// SPI配置参数
spi_bus_config_t bus_cfg = {
    .mosi_io_num = 11,
    .miso_io_num = 13,
    .sclk_io_num = 12,
    .quadwp_io_num = -1,
    .quadhd_io_num = -1,
    .max_transfer_sz = 4096,
};
// IMU设备配置
spi_device_interface_config_t dev_cfg = {
    .clock_speed_hz = 10 * 1000 * 1000,  // 10MHz
    .mode = 0,                            // CPOL=0, CPHA=0
    .spics_io_num = 10,                   // CS引脚
    .queue_size = 8,
    .flags = SPI_DEVICE_HALFDUPLEX,
};

SPI模式选择需严格匹配IMU数据手册。BMI270支持SPI Mode 0和Mode 3，ICM-42688仅支持Mode 0。若模式不匹配，读取的数据将全部错位，表现为寄存器值异常或ID读取失败。建议初始化后首先读取WHO_AM_I寄存器（BMI270为0x00，期望值0x24），作为通信链路自检的第一道验证。

4.2 原始数据读取与量程配置

IMU原始数据通常以16位有符号整数（补码）形式存储在输出寄存器中。读取时需注意两个关键点：寄存器地址的自动递增功能，以及数据对齐方式（小端/大端）。BMI270和ICM-42688均支持自动递增，即连续读取从起始地址开始的多个字节，无需逐字节发送地址。

量程配置直接影响数据的分辨率。以加速度计为例，当量程为±2g时，灵敏度为16384 LSB/g；量程为±16g时，灵敏度降至2048 LSB/g。这意味着在±16g量程下，1g的重力加速度仅产生2048个LSB的数值，量化噪声相对增大。对于TinyML无人机，若飞行机动性较强（翻滚角速度可能超过1000dps），陀螺仪应选择±1000dps或±2000dps量程；加速度计则建议保持±4g或±8g，以平衡灵敏度和量程覆盖。

读取流程建议采用DMA+FIFO的方式：IMU内部FIFO可缓存多组数据，主控通过中断或轮询FIFO水位线，一次性批量读取。例如BMI270的FIFO可存储最多1088字节，在6轴+温度（14字节/帧）下可缓存约77帧。批量读取减少了SPI通信次数，降低了CPU占用率，同时保证了数据的时间连续性。

4.3 校准方法：零偏、标度因数与正交误差

即使最精密的MEMS IMU，出厂后仍存在三类主要误差：零偏（Bias）、标度因数误差（Scale Factor）和轴间正交误差（Misalignment）。这三类误差若不校准，将直接导致姿态解算的积分漂移。

4.3.1 零偏校准

零偏是指IMU在静止状态下输出不为零的偏移量。陀螺仪的零偏主要来源于MEMS结构的残余应力，加速度计的零偏则与重力方向有关。校准方法：将IMU水平静止放置，采集N个样本（建议N≥500），计算均值即为零偏。对于陀螺仪，零偏单位为dps；对于加速度计，零偏单位为g。

// 零偏校准伪代码
float gyro_bias[3] = {0};
float accel_bias[3] = {0};
for (int i = 0; i < 500; i++) {
    read_imu(&gyro_raw, &accel_raw);
    gyro_bias[0] += gyro_raw[0];
    gyro_bias[1] += gyro_raw[1];
    gyro_bias[2] += gyro_raw[2];
    accel_bias[0] += accel_raw[0];
    accel_bias[1] += accel_raw[1];
    accel_bias[2] += accel_raw[2];
    delay(2);  // 2ms间隔，共采集1秒
}
gyro_bias[0] /= 500; gyro_bias[1] /= 500; gyro_bias[2] /= 500;
accel_bias[0] /= 500; accel_bias[1] /= 500; accel_bias[2] /= 500;
// 注意：加速度计Z轴零偏应接近1g（重力），X/Y轴接近0

零偏校准的精度受温度影响显著。MEMS陀螺仪的零偏温度系数通常在±0.01dps/°C量级，若无人机飞行环境温度变化超过20°C，零偏漂移可达0.2dps，在10分钟飞行中累积角度误差达120°。因此，对于高精度应用，建议在不同温度点（如25°C、40°C、60°C）分别采集零偏，建立温度-零偏查找表。

4.3.2 标度因数校准

标度因数误差是指IMU输出的数字量与实际物理量之间的比例关系不准确。加速度计的标度因数误差通常为±1%，陀螺仪为±0.5%。校准方法采用六位置法：将IMU分别以+X、-X、+Y、-Y、+Z、-Z轴朝上放置，记录每个位置的加速度计输出。理想情况下，朝上的轴应输出+1g，朝下的轴应输出-1g，其余轴为0g。

标度因数取六个位置的平均值，例如X轴标度因数 = (16350 + 16380) / 2 = 16365 LSB/g。陀螺仪的标度因数校准需要转台提供已知角速度，在无转台条件下，可粗略使用IMU自带的自检（Self-test）功能，但精度有限。

4.3.3 正交误差校准

正交误差源于MEMS制造过程中三个敏感轴无法做到垂直，导致一个轴的运动会耦合到其他轴。典型正交误差为±1°~±2°。校准方法：利用六位置法采集的数据，构建3×3的校正矩阵。设理想加速度向量为a_ideal，实际测量向量为a_meas，则存在关系：a_meas = M · a_ideal + b，其中M为包含标度因数和正交误差的3×3矩阵，b为零偏向量。通过最小二乘法求解M和b，然后应用逆变换：a_corrected = M⁻¹ · (a_meas - b)。

4.4 滤波方法：低通与滑动平均

经过校准的IMU数据仍包含高频噪声，主要来源于机械振动（电机转速通常在4kHz~10kHz）、电气干扰和量化噪声。滤波的目标是在保留真实运动信号的同时抑制噪声。

4.4.1 低通滤波

低通滤波允许低于截止频率的信号通过，衰减高频成分。在嵌入式系统中，常用一阶IIR低通滤波器，其递推公式为：y[n] = α · x[n] + (1-α) · y[n-1]，其中α = 1 / (1 + 2π·fc·T)，fc为截止频率，T为采样周期。例如，采样频率1kHz，截止频率50Hz，则α ≈ 0.095。

// 一阶低通滤波实现
float lowpass_filter(float input, float prev_output, float alpha) {
    return alpha * input + (1.0f - alpha) * prev_output;
}
// 使用示例：alpha = 0.1，截止频率约16Hz（采样率1kHz）
float filtered_gyro_x = lowpass_filter(raw_gyro_x, prev_gyro_x, 0.1f);

截止频率的选择需权衡：过低会引入相位延迟，影响飞控的实时响应；过高则无法有效滤除振动噪声。对于TinyML无人机，建议陀螺仪截止频率设为40~80Hz，加速度计设为20~50Hz。若使用BMI270内置的数字低通滤波器（DLPF），可配置为ODR/4或ODR/8，减少CPU计算负担。

4.4.2 滑动平均滤波

滑动平均是一种FIR滤波，对最近N个样本取平均。其优点是线性相位（无相位畸变），缺点是会引入N/2个采样周期的延迟。窗口大小N的选择需平衡平滑度和响应速度：N=5时延迟5ms（1kHz采样），N=20时延迟20ms。

滑动平均的变体——加权滑动平均（如汉宁窗、指数加权移动平均EWMA）可进一步优化性能。EWMA的递推公式为：y[n] = β · x[n] + (1-β) · y[n-1]，其中β为权重系数，等效于α=β的一阶低通。实际工程中，滑动平均更适合去除周期性振动噪声，而低通滤波更适合去除宽带随机噪声。

4.5 实战案例：TinyML无人机IMU数据链路调试与优化

背景与约束：某TinyML无人机项目采用ESP32-S3 + BMI270组合，目标实现视觉避障与姿态稳定。飞控任务要求IMU数据输出速率1kHz，姿态解算延迟不超过5ms，视觉识别帧率10fps。初始测试中发现姿态解算结果抖动明显，无人机在悬停时出现高频振荡。

初始现象与诊断：通过串口打印原始IMU数据，发现陀螺仪Z轴输出在静止时存在±15 LSB的随机波动（对应约±0.9dps），加速度计X/Y轴存在明显的周期性波动，频率约200Hz。进一步检查发现，200Hz波动与电机PWM频率（8kHz）的谐波相关，属于机械振动耦合。

关键输入数据：

• 陀螺仪原始噪声：±15 LSB（量程±2000dps，灵敏度16.4 LSB/dps）
• 加速度计振动噪声：±50 LSB（量程±4g，灵敏度8192 LSB/g）
• SPI通信速率：10MHz，读取一帧数据耗时约20μs
• CPU占用率：SPI轮询方式占30%，DMA方式占5%

分析判断过程：首先确认通信链路无误（WHO_AM_I读取正确），排除SPI时序问题。其次，将IMU从机架上拆下，置于桌面静止测试，噪声降至±3 LSB，确认振动耦合为主要噪声源。然后，对比不同滤波策略：仅用BMI270内置DLPF（截止频率100Hz）时，振动噪声衰减至±8 LSB，但仍有残余；叠加一阶低通（截止频率50Hz）后，噪声降至±4 LSB；再叠加滑动平均（N=5）后，噪声降至±2 LSB，但总延迟增加约7ms。

实际操作步骤：

1. 将BMI270配置为SPI模式，ODR=1kHz，DLPF=ODR/8（约125Hz），量程陀螺仪±2000dps、加速度计±4g。
2. 启用FIFO，设置水位线为30帧，通过DMA批量读取，减少CPU中断频率。
3. 在软件中增加一阶低通滤波，截止频率60Hz，α=0.09（1kHz采样）。
4. 对加速度计数据额外增加滑动平均（N=5），用于视觉识别前的姿态粗估计。
5. 在机架与飞控板之间增加减震泡棉（厚度2mm，硬度Shore A 20），降低高频振动传递。

结果对比：

风险与代价：最终方案选择了“DLPF + 一阶低通”组合，放弃滑动平均，因为7ms延迟对飞控内环而言已接近临界值（飞控周期通常为1~4ms）。若未来需要更低噪声，可考虑升级为更高精度的IMU（如ICM-42688-P）或增加主动减震平台。

复盘经验：IMU数据链路优化应遵循“先硬件减震、再内置滤波、后软件滤波”的优先级顺序。软件滤波是最后手段，不应替代机械设计。同时，滤波器的延迟预算必须在系统设计初期就纳入考量，否则后期调整会牵一发而动全身。

4.6 常见误区与总结复盘