第4章信号预处理

4、信号预处理：低通滤波、高通滤波、卡尔曼滤波在传感器数据中的应用

各位同学，咱们今天聊传感器信号预处理。说实话，这章内容我特别喜欢讲，因为在实际项目中，我见过太多「数据明明采集对了，但算法就是跑飞了」的案例。问题出在哪？往往就出在预处理这步没做好。

传感器出来的原始信号，说白了就是「脏数据」。噪声、毛刺、漂移，什么妖魔鬼怪都有。你想想看，如果直接把这种信号扔给融合算法，那结果能靠谱吗？所以，预处理不是可选项，而是必选项。

核心观点：预处理做得好，后续算法事半功倍；预处理偷懒，后面全白干。

低通滤波，顾名思义，就是让低频信号通过，把高频噪声拦住。我个人的习惯是，只要传感器信号里存在高频抖动，比如加速度计的手抖、陀螺仪的机械振动，第一个想到的就是低通滤波。

最简单的低通滤波，就是一阶RC滤波的数字化版本。公式长这样：

y[n] = α * x[n] + (1 - α) * y[n-1]

其中α是滤波系数，取值范围0到1。α越小，滤波效果越强，但延迟也越大。α越大，响应越快，但噪声抑制能力弱。

我在项目中遇到过一个问题：用MPU6050做姿态解算时，原始加速度数据毛刺特别多。一开始我用了α=0.1，结果数据是平滑了，但响应慢得像蜗牛，稍微动一下要等半天才跟上。后来我调成α=0.3，效果就好多了。嗯，这里要注意：α的选取没有标准答案，得根据你的采样率和实际噪声水平来试。

避坑指南：我曾经在低通滤波上栽过跟头——采样率变了，但α没跟着调。结果同样的α值，在100Hz采样时滤波效果还行，换到200Hz采样时，滤波效果直接翻倍，信号延迟大到不可接受。所以，α要跟采样率挂钩，建议用时间常数τ来计算：α = Δt / (τ + Δt)。

高通滤波跟低通正好相反，它让高频信号通过，滤掉低频成分。什么时候用？比如你要检测人的突然动作，但传感器本身有零点漂移，或者有重力加速度这种直流分量干扰。

一阶高通滤波的公式：

y[n] = β * (y[n-1] + x[n] - x[n-1])

其中β也是0到1之间的系数。β越大，截止频率越高，滤掉的低频成分越多。

我记得有一次做跌倒检测项目，加速度计的数据里混着重力分量。如果不做高通滤波，算法会把站立时的重力加速度误判为「静止状态」，导致跌倒时检测延迟。加上高通滤波后，重力分量被滤掉，只保留人体运动的动态成分，检测灵敏度一下子就上来了。

注意：高通滤波会丢失信号的直流信息。如果你需要知道传感器的绝对位置（比如海拔高度），那就不能用高通滤波，否则直流分量被滤掉后，你永远不知道自己在哪。

低通和高通滤波，说白了都是「一刀切」的思路。但卡尔曼滤波不一样，它是个「智能」的滤波器。它能根据系统的动态模型和观测噪声，动态调整滤波策略。

卡尔曼滤波的核心思想，说白了就是两步走：

这两步反复迭代，就能得到最优的状态估计。我刚开始学卡尔曼滤波时，觉得公式特别复杂。但后来发现，你只要理解它是在「预测」和「观测」之间做加权平均，就抓住了本质。

一个简单的卡尔曼滤波实现（一维情况）：

// 预测
x_pred = x_prev;
P_pred = P_prev + Q;

// 更新
K = P_pred / (P_pred + R);
x_curr = x_pred + K * (z - x_pred);
P_curr = (1 - K) * P_pred;

这里Q是过程噪声协方差，R是观测噪声协方差。Q和R的取值，直接决定了滤波效果。Q设得大，说明你对模型不信任，更相信观测值；R设得大，说明你对观测值不信任，更相信模型预测。

个人经验：我在做无人机姿态估计时，Q和R的调参花了我整整一周时间。后来我发现一个技巧：先用离线数据跑一遍，观察残差（观测值减去预测值）的统计特性，然后根据残差的方差来反推Q和R的合理范围。这比瞎调靠谱多了。

为了让大家一目了然，我整理了一个对比表：

你想想看，如果你的项目只需要简单去噪，低通滤波就够了，没必要上卡尔曼滤波。但如果你要做多传感器融合，比如把加速度计和陀螺仪的数据融合成姿态角，那卡尔曼滤波就是首选。

下面这张图，是我自己画的信号预处理知识框架，方便大家理解三种滤波的关系和适用边界：

这张图把三种滤波的定位说得很清楚。低通和高通是「频率域」的滤波器，适合处理单一噪声问题。卡尔曼滤波是「状态空间」的滤波器，适合处理多源数据融合和动态估计问题。

我的建议：初学者先从低通滤波入手，把α调明白了，再学卡尔曼滤波。别一上来就啃卡尔曼，容易把自己绕晕。我在带团队时，新人都先从一阶低通开始练手，等他们能说出「α=0.2时延迟多少毫秒」这种话，再让他们碰卡尔曼。

好了，信号预处理这块就聊到这儿。三种滤波各有各的脾气，选对了事半功倍，选错了事倍功半。记住一句话：没有最好的滤波，只有最合适的滤波。