第三章 传感器数据采集：I2C/SPI/UART通信协议、超声波模块驱动编写、激光雷达点云数据解析、IMU数据滤波

各位同学，欢迎来到第三章。这一章我们聊聊传感器数据采集。说实话，这部分是避障系统的「眼睛」和「耳朵」。数据采不准，后面路径规划再漂亮也是白搭。我见过太多项目，算法调得天花乱坠，结果传感器数据一塌糊涂——飞控直接炸机。

这一章我们聚焦四个核心点：通信协议、超声波驱动、激光雷达点云、IMU滤波。每个点我都会结合项目经验来讲。准备好了吗？我们开始。

3.1 通信协议：I2C、SPI、UART 怎么选？

先问个问题：为什么无人机上要用三种不同的通信协议？

答案很简单——没有一种协议是万能的。我早期做飞控时，总想着「一个协议打天下」，结果发现I2C挂太多设备就卡死，SPI线太长就丢数据，UART速率上不去。后来学乖了，该用哪个用哪个。

3.1.1 I2C：适合短距离、低速、多设备

I2C只有两根线：SCL（时钟）和SDA（数据）。所有设备挂在同一条总线上，靠地址区分。优点是接线少，缺点是速率慢（标准模式100kHz，快速模式400kHz）。

我在项目中遇到过：用I2C挂了三个传感器——气压计、磁力计、温度计。结果发现磁力计和气压计地址冲突了。嗯，I2C设备地址是7位，理论上128个地址，但很多厂家默认地址一样。解决办法？要么换地址引脚，要么加I2C多路复用器。

3.1.2 SPI：高速、全双工、点对点

SPI有四根线：MOSI、MISO、SCLK、CS。每个设备一个片选引脚。速率可以跑到几十MHz，适合激光雷达、IMU这类高速传感器。

避坑指南：我曾经在SPI线上接了10cm的杜邦线，结果数据全是乱码。为什么？SPI对信号完整性要求高，长线会导致反射和串扰。后来换成双绞线，问题解决。记住：SPI线长不要超过20cm，最好用屏蔽线。

3.1.3 UART：简单、远距离、异步

UART只需要TX和RX两根线。没有时钟线，靠波特率同步。适合GPS模块、数传电台这类设备。

UART有个坑：波特率必须匹配。我见过有人把GPS设成115200，飞控设成9600，结果数据全是乱码。嗯，这种低级错误我也犯过。

协议	线数	速率	距离	典型设备
I2C	2	100kHz-400kHz	几十厘米	气压计、磁力计
SPI	4+	10MHz-80MHz	20cm以内	IMU、激光雷达
UART	2	9600-921600bps	几米	GPS、超声波

3.2 超声波模块驱动编写

超声波模块，说白了就是「发个声波，听个回声」。HC-SR04是最常见的，便宜、皮实，但精度一般。

驱动逻辑很简单：

1. Trig引脚拉高10us，触发发射
2. Echo引脚等待高电平
3. 测量高电平持续时间
4. 距离 = 时间 × 声速 / 2

代码实现（STM32 HAL库）：

// 超声波测距函数
float ultrasonic_get_distance(void) {
    uint32_t pulse_time = 0;
    
    // 触发发射
    HAL_GPIO_WritePin(TRIG_GPIO_Port, TRIG_Pin, GPIO_PIN_SET);
    delay_us(10);
    HAL_GPIO_WritePin(TRIG_GPIO_Port, TRIG_Pin, GPIO_PIN_RESET);
    
    // 等待Echo高电平，超时1ms
    uint32_t timeout = 1000;
    while(HAL_GPIO_ReadPin(ECHO_GPIO_Port, ECHO_Pin) == GPIO_PIN_RESET) {
        if(timeout-- == 0) return -1.0f;  // 超时返回-1
    }
    
    // 测量高电平宽度
    timeout = 10000;  // 最大测量距离约1.7m
    while(HAL_GPIO_ReadPin(ECHO_GPIO_Port, ECHO_Pin) == GPIO_PIN_SET) {
        pulse_time++;
        delay_us(1);
        if(timeout-- == 0) return -1.0f;
    }
    
    // 计算距离（单位：cm）
    float distance = (float)pulse_time * 0.034 / 2.0f;
    return distance;
}

3.3 激光雷达点云数据解析

激光雷达比超声波高级多了。它发射激光束，测量反射时间，得到精确的距离值。单线雷达（如RPLIDAR A1）每秒能测几千个点，形成一圈点云。

点云数据通常通过UART或USB传输。数据格式各家不同，但核心思路一致：

• 每个数据包包含起始标志、角度、距离、信号质量
• 角度范围0-360度，分辨率通常0.5度或1度
• 距离单位毫米，有效范围0.15m-12m

解析代码片段（以RPLIDAR为例）：

typedef struct {
    float angle;      // 角度（度）
    float distance;   // 距离（毫米）
    uint8_t quality;  // 信号质量（0-255）
} LidarPoint_t;

// 解析一帧数据
int parse_lidar_frame(uint8_t *buffer, int len, LidarPoint_t *points) {
    int point_count = 0;
    int i = 0;
    
    while(i < len - 5) {
        // 查找起始标志 0xFA 0xA5
        if(buffer[i] == 0xFA && buffer[i+1] == 0xA5) {
            // 解析角度和距离（具体格式参考数据手册）
            uint16_t raw_angle = (buffer[i+2] << 8) | buffer[i+3];
            uint16_t raw_dist  = (buffer[i+4] << 8) | buffer[i+5];
            
            points[point_count].angle    = raw_angle / 64.0f;
            points[point_count].distance = raw_dist;
            points[point_count].quality  = buffer[i+6];
            
            point_count++;
            i += 7;  // 跳到下一个数据点
        } else {
            i++;
        }
    }
    return point_count;
}

我踩过的坑：激光雷达在强光下会失效。有一次在正午阳光下测试，雷达直接「瞎了」，距离全报0。后来加了遮光罩，问题解决。另外，雷达旋转时会产生振动，影响IMU数据。建议用橡胶垫减震。

3.4 IMU数据滤波

IMU（惯性测量单元）包含加速度计和陀螺仪。原始数据噪声很大，直接使用会导致飞控震荡。滤波是必须的。

常用的滤波方法：

• 低通滤波：简单、计算量小，适合加速度计
• 互补滤波：融合加速度计和陀螺仪，适合姿态估计
• 卡尔曼滤波：精度高，但计算量大，适合高端飞控

我个人习惯用互补滤波，性价比最高。代码实现：

// 互补滤波，融合加速度计和陀螺仪
void complementary_filter(float acc_angle, float gyro_rate, float dt, float *angle) {
    float alpha = 0.98f;  // 权重系数
    
    // 陀螺仪积分
    float gyro_angle = *angle + gyro_rate * dt;
    
    // 互补融合
    *angle = alpha * gyro_angle + (1.0f - alpha) * acc_angle;
}

alpha值怎么调？我一般从0.98开始试。alpha越大，越信任陀螺仪（动态响应快）；alpha越小，越信任加速度计（静态精度高）。

3.5 本章知识体系

下面这张图展示了传感器数据采集的整体流程。从物理层到应用层，每一层都有坑，每一层都要细心。

从图中可以看到，数据从物理层一路向上，经过传感器采集、数据处理，最终服务于避障路径规划。每一层都有坑，每一层都要细心。

好了，第三章的内容就到这里。传感器数据采集是避障系统的基石，基础打牢了，后面才能飞得稳。下一章我们聊聊路径规划的核心算法——A*和Dijkstra，敬请期待。

---

公众号:蓝海资料掘金营，微信deep3321