3. 数据预处理：传感器数据滤波算法（卡尔曼滤波、互补滤波）的硬件化思路

做智能穿戴芯片，最头疼的是什么？

我个人的经验是——传感器数据太「脏」了。加速度计随便一晃，输出值能跳得像心电图。陀螺仪温漂起来，角度能自己跑偏十几度。你想想看，如果原始数据直接喂给轨迹算法，那算出来的运动轨迹，基本就是布朗运动。

所以，数据预处理这步，绕不开。今天咱们就聊聊两种最常用的滤波算法——卡尔曼滤波和互补滤波，以及它们怎么在硬件里落地。

3.1 为什么需要硬件化滤波？

很多同学觉得，滤波嘛，MCU里跑个软件就完了。嗯，这话在低采样率场景下没错。但智能穿戴不一样——

• IMU采样率通常要200Hz以上，甚至1kHz
• 运动轨迹算法本身就要吃大量算力
• MCU主频就那么点，还要跑RTOS、蓝牙协议栈

我在做第一代运动手表芯片时，就踩过这个坑。软件卡尔曼滤波跑在Cortex-M4上，200Hz采样就把CPU占到了40%。剩下的活儿根本干不动。后来老老实实把滤波逻辑搬到了硬件加速器里，CPU占用直接降到5%以下。

3.2 互补滤波的硬件化

互补滤波，说白了就是「信谁多一点」。加速度计低频准但高频抖，陀螺仪高频准但低频漂。互补滤波就是把两者的优势拼起来。

软件里写起来很简单：

// 互补滤波伪代码
angle = 0.98 * (angle + gyro * dt) + 0.02 * accel_angle;

但硬件里怎么做？我建议这样拆：

1. 乘法器 + 加法器：两个系数0.98和0.02，用定点数表示（比如Q15格式）。乘法器用组合逻辑实现，一拍搞定。
2. 累加器：角度值需要不断累加陀螺仪的角速度积分。这里用寄存器+加法器构成累加器，每个时钟周期更新一次。
3. 流水线结构：把计算拆成三级——第一级算gyro*dt，第二级算加权和，第三级输出。这样吞吐率能到每周期一个结果。

3.3 卡尔曼滤波的硬件化

卡尔曼滤波，很多教材讲得玄乎。其实核心就五个公式：预测、更新、算增益。我当年啃了三天才搞明白，后来发现硬件实现反而比软件更直观——因为硬件天然就是「状态机 + 矩阵运算」的架构。

硬件化卡尔曼滤波，我建议分三步走：

3.3.1 简化模型

别一上来就搞6轴9轴的全状态卡尔曼。对于运动轨迹，我们通常只需要3轴角度+3轴角速度偏置，共6个状态量。状态转移矩阵F和观测矩阵H都是稀疏的，很多元素是0或1。

举个例子，角度预测公式：

θ(k|k-1) = θ(k-1|k-1) + (ω - bias) * dt

这其实就是个加法器+乘法器的事。

3.3.2 矩阵运算硬件化

卡尔曼滤波里最耗时的就是矩阵乘法和求逆。但6x6矩阵的乘法，用硬件做其实很快：

• 乘法器阵列：6x6矩阵乘法需要36个乘法器，每个乘法器配一个累加器。全部并行计算，一个时钟周期就能出结果。
• 矩阵求逆：6x6矩阵求逆用高斯消元法，硬件里用状态机控制，大约需要几十个周期。但注意，卡尔曼增益更新不需要每个采样点都做，可以隔几个点更新一次。

3.3.3 定点化与位宽选择

卡尔曼滤波对数值精度敏感。我建议：

3.4 两种滤波的硬件对比

互补滤波和卡尔曼滤波，各有各的适用场景。我画了张图，帮你快速理解：

3.5 我的选择建议

说了这么多，到底用哪个？我个人的经验是：

• 手环、计步器：互补滤波就够了。硬件面积小，功耗低，精度够用。
• 运动手表、专业轨迹记录：上卡尔曼滤波。虽然面积大，但精度和鲁棒性更好。
• 混合方案：我最近在做的一个项目里，用了「互补滤波做粗估计 + 卡尔曼滤波做细校正」的两级架构。互补滤波跑在200Hz，卡尔曼滤波每10个点跑一次。效果不错，面积也控制住了。

好了，滤波算法的硬件化思路就聊到这儿。下一节咱们会讲特征提取的硬件加速，到时候会用到今天讲的滤波输出作为输入。嗯，先把基础打牢，后面才能跑得快。