3、过载传感器原理：加速度计工作原理、陀螺仪与加速度计组合、传感器数据融合基础

好，咱们进入第三讲。这一讲聊传感器，具体说就是过载测量用的加速度计和陀螺仪。

说实话，我刚开始做飞控那会儿，觉得传感器嘛，不就是读个数据嘛，有啥好讲的？后来被现实狠狠教育了一顿——传感器数据不准，你算法再牛也白搭。所以这一章，咱们把传感器原理掰开揉碎了讲清楚。

3.1 加速度计工作原理

加速度计测量的是什么？很多人以为是「速度变化率」，其实不对。它测的是比力（Specific Force），也就是物体受到的惯性力与重力的合力，再除以质量。说白了，就是单位质量上受到的力。

你想想看，一个静止放在桌面上的加速度计，它读出来的是多少？是0吗？不是。它读出来的是1g，方向竖直向上。为什么？因为桌面给它一个向上的支撑力，抵消了重力。加速度计测到的就是这个支撑力产生的加速度。

我当年在调试四旋翼的时候，就踩过这个坑。飞机平放在桌上，加速度计Z轴读数应该是-1g（取决于坐标系定义），结果我读出来是-0.85g。我还以为是传感器坏了，折腾了半天，最后发现是桌面没放平，有个小坡度。嗯，从那以后，我每次做标定都会先检查水平基准。

常见的加速度计有几种类型：

• 压阻式：利用硅微悬臂梁的压阻效应。结构简单，但温漂大。我早期做的一个小项目用过，温度一变读数就飘，后来果断换了。
• 电容式：利用质量块位移改变电容值。精度高、功耗低，是目前MEMS加速度计的主流方案。像MPU6050、ADXL345都是这种。
• 谐振式：利用质量块改变谐振频率。精度最高，但成本也高，一般用在惯性导航级别。

咱们飞控上用的，基本都是电容式MEMS加速度计。它的核心结构就是一个微小的质量块，连着弹簧，外面是固定电极。当有加速度时，质量块偏移，电容变化，通过检测电路转换成电压信号。

这里有个关键参数——带宽。加速度计的带宽决定了它能测量多快的加速度变化。飞控用的加速度计，带宽一般在100Hz到1kHz之间。带宽太高，噪声大；带宽太低，响应慢。我个人习惯选200Hz左右的，够用又不至于太吵。

3.2 陀螺仪与加速度计组合

加速度计能测姿态吗？理论上可以。通过重力在三个轴上的分量，可以算出俯仰角和横滚角。但问题来了——它测不了偏航角。为什么？因为偏航轴和重力方向平行，重力分量给不出任何偏航信息。

而且加速度计对运动加速度敏感。飞机一加速，加速度计读到的就不是重力了，算出来的姿态就全错了。这就是为什么光靠加速度计不行。

陀螺仪呢？它测量角速度，对角速度积分就能得到角度。但积分有累积误差，时间一长就漂得没边了。我记得有一次做长航时测试，纯陀螺积分跑了10分钟，偏航角漂了30多度，简直离谱。

所以，这两兄弟得配合着用：

传感器	优点	缺点
加速度计	长期稳定，不漂移	对运动加速度敏感，不能测偏航
陀螺仪	动态响应快，能测三轴角速度	积分有漂移，长期不准

说白了，加速度计负责「长期准」，陀螺仪负责「短期稳」。两者互补，缺一不可。

实际飞控中，陀螺仪和加速度计通常是封装在一起的，比如MPU6050、ICM-20602这些IMU芯片。它们内部有ADC、温度补偿、数字滤波，直接输出数字量，用I2C或SPI读取就行。

我建议大家在选型时注意一下量程。加速度计量程一般选±2g到±16g，陀螺仪选±250°/s到±2000°/s。固定翼飞机机动不大，±4g和±500°/s就够了。但做特技飞行的，量程得选大一些。我有个朋友做穿越机，用的±16g和±2000°/s，炸机记录仪里能看到瞬间过载到12g，吓人。

3.3 传感器数据融合基础

好，现在我们有加速度计和陀螺仪的数据了。怎么把它们融合成一个可靠的姿态估计？

最经典的方法就是互补滤波。思路很简单：

• 陀螺仪积分得到的角度，经过高通滤波，保留短期动态
• 加速度计计算得到的角度，经过低通滤波，保留长期稳定
• 两者相加，得到融合后的角度

公式长这样：

angle = (0.98) * (angle + gyro * dt) + (0.02) * acc_angle

这里的0.98和0.02就是权重系数，加起来等于1。系数怎么选？取决于你对陀螺仪的信任程度。信任度高，权重就大一些。我一般从0.98开始调，然后看实际效果。

互补滤波实现简单，计算量小，在8位单片机上都能跑。但它有个缺点——不能处理加速度计受运动加速度干扰的情况。飞机一加速，加速度计算出来的角度就错了，融合结果也会跟着偏。

更高级的方法是卡尔曼滤波。它把陀螺仪作为状态预测，加速度计作为观测更新，通过协方差矩阵动态调整两者的权重。说白了，卡尔曼滤波能根据当前的运动状态，自动决定「更信谁」。

卡尔曼滤波的五个核心公式，我简单列一下：

// 预测
x_pred = A * x + B * u
P_pred = A * P * A^T + Q

// 更新
K = P_pred * H^T * (H * P_pred * H^T + R)^(-1)
x = x_pred + K * (z - H * x_pred)
P = (I - K * H) * P_pred

看着复杂，其实核心就两个参数：Q（过程噪声协方差）和R（测量噪声协方差）。Q大，表示你更相信测量值；R大，表示你更相信预测值。调参就是调这两个矩阵。

我刚开始用卡尔曼滤波的时候，调Q和R调了整整一周。后来发现一个规律：Q的对角线元素设成陀螺仪噪声的方差，R设成加速度计噪声的方差，然后微调一下就能用。嗯，这个经验值省了我不少时间。

还有一种方法是Mahony滤波，它基于四元数和PI控制器，在姿态估计领域很流行。它的核心思想是用加速度计和磁力计的误差来修正陀螺仪的漂移。实现起来比卡尔曼简单，效果又比互补滤波好，算是一个折中方案。

我画了一张图，帮你理清这三种方法的关系：

实际项目中怎么选？我个人的经验是：

• 如果MCU算力有限（比如STM32F103级别），用互补滤波就够了
• 如果要做高精度导航，上卡尔曼滤波
• 如果做无人机飞控，Mahony滤波是个很好的平衡点

最后说一句，传感器数据融合没有银弹。每种方法都有它的适用场景，关键是你得理解它的假设和局限。我曾经在一个项目里硬套卡尔曼滤波，结果因为模型建得不对，效果还不如互补滤波。后来老老实实回去分析传感器特性，重新建模，才把问题解决。

嗯，这一讲就到这里。传感器是飞控的「眼睛」，把眼睛擦亮了，后面的控制才能做好。

---