第四节：传感器基础（下）——磁力计、气压计与数据融合的必要性
好，咱们接着聊传感器。上一节我把加速度计和陀螺仪讲透了，这一节咱们把剩下的几个关键传感器搞定：磁力计、气压计。说实话，这两个传感器在飞控里经常被轻视，但真正做高精度姿态解算时，它们的作用不可替代。
4.1 磁力计工作原理与地磁模型
磁力计，说白了就是电子指南针。它测量的是地球磁场的方向和强度。但这里有个坑——地磁场本身很弱，而且极易受干扰。
4.1.1 工作原理
目前主流的是霍尔效应磁力计和磁阻磁力计。我习惯用磁阻式的，比如HMC5883L或IST8310。它们内部有四个磁阻桥臂，外加磁场变化时，电阻值会变，通过差分电压就能算出磁场大小。
输出是三维的：Bx、By、Bz，单位通常是高斯（Gauss）或微特斯拉（μT）。1 Gauss = 100 μT，地磁场强度大约在0.25-0.65 Gauss之间。
关键点：磁力计输出的是载体坐标系下的磁场矢量。要得到航向角，需要把它转换到水平坐标系下。
4.1.2 地磁模型
地球磁场不是均匀的。它从地理南极附近出发，进入地理北极附近。磁北极和地理北极之间有大约11.5度的偏差，这叫磁偏角。不同地区磁偏角不同，需要查表修正。
我做过一个项目，在深圳飞得好好的，拿到北京就偏了十几度。查了半天才发现是磁偏角没更新。嗯，这个教训挺深刻的。
地磁场还有倾角——在北半球，磁场方向是斜向下指向地面的。这个倾角在姿态解算中其实很有用，可以用来辅助俯仰和横滚的估计。
实用技巧：地磁场强度随高度变化很小，但随纬度变化明显。如果你做的是高空飞行器（比如平流层气球），需要实时更新地磁模型参数。
4.2 磁力计校准——硬铁与软铁
磁力计最让人头疼的就是校准。不校准的话，数据根本没法用。我见过太多新手拿着原始数据直接算航向，结果飞机原地打转。
4.2.1 硬铁干扰
硬铁干扰来自永磁体或带磁性的金属。比如电机磁铁、扬声器、甚至螺丝刀。它的特点是：偏移量恒定。
在三维空间中，硬铁干扰表现为一个固定的偏移向量。校准方法很简单：让传感器在空间中旋转，采集足够多的点，然后找球心。
理想情况下，磁力计数据应该落在一个球面上。硬铁干扰让球心偏移了。校准就是把这个偏移找出来减掉。
// 硬铁校准示例（简化版）
// 采集N个点，求球心
float cx = 0, cy = 0, cz = 0;
for (int i = 0; i < N; i++) {
cx += mag_x[i];
cy += mag_y[i];
cz += mag_z[i];
}
cx /= N; cy /= N; cz /= N;
// 校准后的值
mag_x_cal = mag_x_raw - cx;
mag_y_cal = mag_y_raw - cy;
mag_z_cal = mag_z_raw - cz;
注意：采集数据时一定要让传感器在三维空间充分旋转，覆盖所有方向。只在一个平面转，校准效果会很差。
4.2.2 软铁干扰
软铁干扰来自可磁化的材料，比如铁壳、钢架。它的特点是：改变磁场方向，导致球体变成椭球体。
软铁校准比硬铁复杂。需要做椭球拟合，求出3x3的变换矩阵。我一般用最小二乘法做椭球拟合，代码量不大但效果很好。
我曾经在一个金属外壳的无人机上做测试，磁力计数据直接变形了。硬铁校准后还是不对，最后做了软铁校准才搞定。那段时间我天天对着椭球拟合公式发呆……
完整校准流程：
- 采集三维空间中的磁力计数据（至少几百个点）
- 做硬铁校准：求球心偏移
- 做软铁校准：求椭球变换矩阵
- 验证：校准后的数据应落在单位球面上
4.3 气压计原理与高度估计
气压计用来测高度。原理很简单：气压随高度增加而降低。但实际用起来，问题不少。
4.3.1 工作原理
常用的是MEMS气压计，比如BMP280、MS5611。内部有一个薄膜，气压变化时薄膜形变，电容值改变，通过ADC读出。
输出是气压值，单位Pa或hPa。标准海平面气压是1013.25 hPa。
高度计算公式（简化版）：
// 气压转高度（国际标准大气模型）
float pressureToAltitude(float pressure, float seaLevelPressure) {
return 44330.0f * (1.0f - pow(pressure / seaLevelPressure, 1.0f / 5.255f));
}
这个公式假设大气是理想气体，温度递减率固定。实际中会有偏差，但够用。
4.3.2 实际应用中的坑
气压计最怕的是：风和温度。
- 风的影响：无人机飞行时，螺旋桨气流会直接冲击气压计，导致读数剧烈波动。我习惯把气压计放在飞控板中央，用海绵或泡沫包裹，减少气流影响。
- 温度影响：气压计自身发热会导致读数漂移。开机前几分钟和稳定后的读数可能差好几米。我一般会做温度补偿，或者等传感器稳定后再用。
避坑指南：我曾经在室内飞无人机，气压计高度跳了2米，以为是传感器坏了。后来发现是空调开关导致的局部气压变化。所以室内用气压计要格外小心。
4.3.3 高度估计的改进
单纯用气压计算高度，噪声大、漂移明显。我一般会结合加速度计做互补滤波或卡尔曼滤波。
基本思路：气压计提供长期稳定的高度参考，加速度计积分提供短期快速响应。两者融合，效果远好于单独使用任何一个。
4.4 传感器数据融合的必要性
讲到这里，你可能已经感觉到了：每个传感器都有毛病。
- 加速度计：高频噪声大，受振动影响
- 陀螺仪：有零偏漂移，积分会发散
- 磁力计：易受干扰，需要校准
- 气压计：受风和温度影响，响应慢
单独用任何一个，都做不出可靠的姿态估计。所以必须做数据融合。
数据融合的核心思想：利用不同传感器的优势，弥补各自的短板。
举个例子：陀螺仪短期精度高但长期漂移，加速度计和磁力计长期稳定但短期噪声大。把它们融合起来，就能得到既稳定又灵敏的姿态估计。
常用的融合方法有：
- 互补滤波：简单高效，适合资源受限的MCU
- 卡尔曼滤波：理论最优，但计算量大
- Mahony/Madgwick滤波：专门针对姿态解算的优化算法
我个人习惯在入门阶段先用互补滤波，理解透了再上卡尔曼。直接上卡尔曼容易迷失在矩阵运算里，反而忽略了物理本质。
你想想看，如果陀螺仪告诉你飞机转了10度，加速度计告诉你现在重力方向偏了8度，你信谁？数据融合就是回答这个问题。
重要提醒：数据融合不是万能的。如果传感器原始数据质量太差（比如磁力计没校准、加速度计饱和），再好的融合算法也救不了。所以，先把传感器校准好，再做融合。
本章知识体系
下面这张图总结了本章的核心内容，帮你理清思路：
这张图把四个传感器的特点、问题以及融合的必要性串起来了。你可以看到，每个传感器都有短板，但通过数据融合，它们能互相弥补。
好了，这一节的内容就到这儿。磁力计和气压计的原理、校准方法，以及为什么必须做数据融合，我都讲清楚了。下一节咱们开始动手写代码，把理论变成实际可用的姿态解算算法。
公众号：蓝海资料掘金营，微信deep3321