一、课程导论：什么是运动控制滤波？为什么需要滤波？滤波算法的分类与选型指南
1.1 先聊聊我为什么开这门课
做运动控制这些年，我踩过不少坑。
记得刚入行那会儿，调试一台伺服电机。编码器反馈回来的速度信号，跳得跟心电图似的。我以为是硬件坏了，换了好几个编码器，问题依旧。后来一位老工程师看了一眼，淡淡说了句：「你滤波了吗？」
嗯，就是这句话，让我跟运动控制滤波结下了不解之缘。
说白了，运动控制滤波不是什么高深莫测的东西。它就是帮你把传感器信号里的「脏东西」去掉，让控制器看到真实的世界。你想想看，电机在转，编码器在测，但机械振动、电磁干扰、量化噪声……这些乱七八糟的东西全混在信号里。你不滤掉它们，控制器就会做出错误判断。
核心定义：运动控制滤波，是指对位置、速度、加速度、电流等运动相关信号进行数字处理，去除噪声、提取有用信息的过程。它是运动控制系统稳定运行的基础。
1.2 为什么需要滤波？我拿实际案例说
我做过一个项目，是给一台精密雕刻机做控制。刀具在高速旋转，主轴振动频率大概在200Hz左右。编码器反馈的位置信号里，混入了这个振动分量。结果呢？控制器以为刀具在来回抖动，拼命调整电机输出。电机越调越抖，最后工件表面全是振纹。
这就是典型的「噪声导致误动作」。
滤波要解决的核心问题，其实就三个：
- 去除传感器噪声：编码器量化误差、ADC采样噪声、电磁干扰等。这些噪声频率高、幅度小，但足以让微分项（速度、加速度）剧烈跳动。
- 抑制机械谐振：电机带动负载，中间有联轴器、皮带、丝杠。这些机械结构有固有频率，一旦激励起来，信号里就会出现谐振分量。不滤掉它，系统会震荡。
- 平滑控制输出：你想想看，如果速度指令每毫秒都在跳变，电机受得了吗？电流环受得了吗？滤波能让指令变得平滑，减少机械磨损和发热。
我的经验：判断一个系统是否需要滤波，有个简单方法——把示波器探头接到编码器输出端，看位置信号的差分（也就是速度）。如果速度信号毛刺超过额定值的5%，你就该考虑滤波了。
1.3 滤波算法的分类——一张图讲清楚
滤波算法种类很多，但万变不离其宗。我个人习惯把它们分成三大类：
1.4 各类滤波的适用场景——我帮你梳理
光分类还不够，你得知道什么时候用哪种。我直接上表格，一目了然：
| 算法类别 | 典型算法 | 计算量 | 延迟 | 适用场景 |
|---|---|---|---|---|
| 经典数字滤波 | 一阶低通、滑动平均、IIR/FIR | 极低 | 低 | 编码器速度平滑、电流环滤波、简单噪声抑制 |
| 状态估计滤波 | 卡尔曼滤波、互补滤波 | 中等 | 中等 | IMU姿态估计、多传感器融合、高精度位置跟踪 |
| 智能/自适应滤波 | LMS自适应、小波去噪 | 较高 | 较高 | 噪声特性变化的环境、非平稳信号处理 |
我曾经踩过的坑：有一次在伺服驱动器上用卡尔曼滤波做速度估计，理论上精度很高。但没注意计算周期，卡尔曼滤波的矩阵运算在低端MCU上跑了2ms，而速度环周期只有1ms。结果滤波器还没算完，控制周期已经过了。嗯，从那以后我养成了一个习惯——先评估计算资源，再选滤波算法。
1.5 选型指南——我的四步法
选滤波算法，说白了就是做权衡。我总结了一个四步法，分享给你：
- 先看实时性要求：电流环通常需要10-20kHz的更新率，只能用一阶低通或滑动平均这种计算量极小的算法。位置环1kHz左右，可以用IIR或卡尔曼。
- 再看噪声特性：如果噪声是高频白噪声，一阶低通就够了。如果是特定频率的谐振，得用陷波滤波器。我做过一个项目，机械谐振在150Hz，用陷波滤波器一滤，世界清净了。
- 然后看精度需求：普通工业应用，位置精度0.1mm，经典滤波完全够。但如果是光刻机、精密测量，那就得上卡尔曼滤波甚至粒子滤波。
- 最后看硬件资源：MCU主频多少？RAM多大？浮点运算单元有没有？这些直接决定了你能跑什么算法。我见过有人在Cortex-M0上跑卡尔曼滤波，结果RAM爆了。
我的个人习惯：做原型验证时，先用一阶低通滤波把系统跑通。如果效果不理想，再逐步升级算法。别一上来就上卡尔曼滤波，调试起来够你喝一壶的。
1.6 一个简单的代码示例——一阶低通滤波
说了这么多，来点实际的。一阶低通滤波是运动控制里最常用的算法，没有之一。它的原理很简单：
// 一阶低通滤波实现
// y[n] = alpha * x[n] + (1 - alpha) * y[n-1]
// alpha = T / (T + RC)，T为采样周期，RC为时间常数
float lowpass_filter(float input, float prev_output, float alpha)
{
return alpha * input + (1.0f - alpha) * prev_output;
}
// 使用示例
float speed_filtered = 0.0f; // 滤波后的速度
float alpha = 0.2f; // 滤波系数，越小越平滑
// 在速度环中断中调用
speed_filtered = lowpass_filter(raw_speed, speed_filtered, alpha);alpha的取值很关键。alpha越大，滤波越弱，响应越快；alpha越小，滤波越强，但延迟越大。我一般从0.2开始调，根据实际效果微调。
记住：滤波的本质是用延迟换平滑。你不可能既要响应快又要噪声小，这是物理规律。选型就是在延迟和噪声之间找到平衡点。
好了，这一章的内容就到这里。滤波算法的大门已经为你打开，后面我们会深入每一种算法的原理和实现。你准备好了吗？
公众号:蓝海资料掘金营，微信deep3321