3、时间同步算法：NTP与PTP对比、卡尔曼滤波在时间同步中的应用、时钟漂移补偿

多摄像头同步，说白了就是让每个摄像头都「看」到同一个时间点。硬件触发能搞定几米内的设备，但一旦摄像头分散在几十米甚至跨机房，就得靠网络时间协议了。

这一章我们聊聊三个核心问题：NTP 和 PTP 到底怎么选？卡尔曼滤波怎么帮我们「猜」出更准的时间？时钟漂移怎么补偿？

3.1 NTP 与 PTP：精度差了两个数量级

先看一张对比表，心里有个底：

特性	NTP (v4)	PTP (IEEE 1588v2)
典型精度	1~10 ms	亚微秒级（< 1 µs）
硬件依赖	纯软件，网卡即可	需要硬件时间戳（PTP 网卡/交换机）
网络开销	低，周期查询	中，主从同步报文
适用场景	安防监控、IoT 节点	工业视觉、自动驾驶、高速相机阵列
成本	几乎零成本	硬件升级成本较高

我个人习惯这样选：如果摄像头之间的同步误差允许在 10ms 以内，NTP 完全够用。但如果你在做多视角 3D 重建，或者需要把多个 1000fps 高速相机的帧对齐，那必须上 PTP。

3.2 卡尔曼滤波：让时间戳更「稳」

不管是 NTP 还是 PTP，拿到的原始时间戳都有抖动。网络延迟不对称、CPU 调度延迟、中断响应时间……这些噪声叠加在一起，直接拿来做同步，帧对齐时会出现 1~2 帧的随机偏移。

卡尔曼滤波在这里干的事很简单：把时间戳当成一个带噪声的观测值，用状态模型去估计「真实」的时间。

我做过一个项目，8 个摄像头分布在 50 米长的产线上，用 PTP 同步后原始时间戳抖动还有 ±50µs。加上卡尔曼滤波后，抖动压到了 ±5µs 以内。

状态模型怎么搭？

我们把每个摄像头本地时钟建模成一个线性系统：

状态向量：x = [t, drift]ᵀ
  t    —— 本地时间
  drift —— 时钟漂移率（ppm）

状态转移方程：
  tₖ₊₁ = tₖ + Δt · driftₖ + w₁
  driftₖ₊₁ = driftₖ + w₂

观测方程：
  zₖ = tₖ + vₖ

这里 w₁、w₂ 是过程噪声，vₖ 是观测噪声。卡尔曼滤波会递归地更新 t 和 drift，输出一个平滑后的时间估计。

3.3 时钟漂移补偿：别让时间越跑越偏

每个晶振都有频率误差，标称 25ppm 的晶振，实际可能跑到 30ppm。这意味着每过 1 秒，本地时钟就比参考时钟偏 30µs。一小时下来，误差超过 100ms。

补偿的思路有两种：

• 频率补偿：调整本地时钟的 tick 速率。Linux 下可以用 adjtimex() 系统调用，直接修改晶振的分频系数。
• 时间补偿：不调速率，而是定期给本地时间加一个修正量。适合不能动硬件时钟的场景。

我推荐的做法是两者结合：先用卡尔曼滤波估计出 drift 值，然后通过 adjtimex() 做频率补偿，把长期漂移吃掉。剩下的短时抖动，用时间补偿抹平。

3.4 整体流程：一张图说清楚

下面这张 SVG 图展示了从原始时间戳到最终同步时间戳的完整链路：

3.5 避坑指南

• 不要迷信 PTP：如果交换机不支持 PTP 透明时钟或边界时钟，PTP 精度会大幅下降。我踩过这个坑，后来换了支持 1588v2 的交换机才解决。
• 卡尔曼滤波初始化：前 10~20 个时间戳不要输出，等滤波器收敛。我一般用前 50 个点做初始化，效果比较稳。
• 漂移补偿不要过猛：每次调整频率的步长控制在 1ppm 以内，否则系统会振荡。