4、信号处理基础：低通滤波、高通滤波、卡尔曼滤波、滑动平均滤波、陷波滤波器
做力控机器人这些年，我踩过最大的坑，就是信号噪声。
你想想看，力传感器采集回来的数据，要是直接拿去用，那机器人基本就是在抽风。抖动、误触发、甚至撞机，都是家常便饭。所以，信号处理这块，是力控安全保护的「第一道防线」。
今天我就把这五种最常用的滤波器，掰开了揉碎了讲给你听。每个我都亲手调过参数，有些坑，希望你不用再走一遍。
核心观点：没有万能的滤波器。选型的关键，在于你清楚「要保留什么信号，要滤掉什么噪声」。
4.1 低通滤波：力控最常用的「老黄牛」
低通滤波，说白了就是让慢变信号通过，把快变信号拦住。力传感器采集到的碰撞力，本质上是低频信号。而电机振动、电磁干扰，都是高频噪声。
一阶RC低通滤波（最经典）：
// 一阶低通滤波，C语言实现
float lowPassFilter(float input, float prevOutput, float alpha) {
// alpha = T / (T + RC)，T为采样周期
// alpha越小，滤波越强，但延迟越大
return alpha * input + (1 - alpha) * prevOutput;
}我的经验：alpha值一般取0.1~0.3。我习惯先设0.2，然后看波形。如果噪声还明显，就降到0.1。但注意，alpha太小，碰撞响应会变慢，安全保护可能来不及。
实际应用场景：机器人末端力传感器，采样率1kHz，我一般用alpha=0.15。这样既能滤掉50Hz以上的振动，又能保证碰撞检测延迟在5ms以内。
4.2 高通滤波：提取「突变」信号
高通滤波和低通正好相反。它保留快速变化的信号，滤掉缓慢变化的直流分量。
什么时候用？比如你要检测「瞬间碰撞力」，但力传感器本身有静态偏置（比如重力分量）。这时候高通滤波一上，基线直接归零，只留下碰撞冲击。
// 一阶高通滤波
float highPassFilter(float input, float prevInput, float prevOutput, float alpha) {
// alpha = RC / (RC + T)
return alpha * (prevOutput + input - prevInput);
}注意：高通滤波会引入相位超前。在力控闭环里，相位变化可能导致系统不稳定。我曾经在一个项目中，因为高通滤波参数没调好，机器人开始自激振荡...嗯，那场面挺吓人的。
4.3 卡尔曼滤波：力控界的「最优估计器」
卡尔曼滤波，听起来高大上，其实核心思想就两句话：预测 + 更新。
它不像低通滤波那样「一刀切」，而是根据你对系统的信任程度，动态调整滤波强度。说白了，它知道什么时候该信传感器，什么时候该信模型。
// 一维卡尔曼滤波（简化版）
typedef struct {
float Q; // 过程噪声协方差
float R; // 测量噪声协方差
float x; // 估计值
float P; // 估计误差协方差
float K; // 卡尔曼增益
} KalmanFilter;
void kalmanInit(KalmanFilter *kf, float initX) {
kf->Q = 0.01; // 根据实际调整
kf->R = 0.1; // 传感器噪声方差
kf->x = initX;
kf->P = 1.0;
}
float kalmanUpdate(KalmanFilter *kf, float measurement) {
// 预测
kf->P = kf->P + kf->Q;
// 更新
kf->K = kf->P / (kf->P + kf->R);
kf->x = kf->x + kf->K * (measurement - kf->x);
kf->P = (1 - kf->K) * kf->P;
return kf->x;
}关键参数调优：
- Q值（过程噪声）：越大，滤波器越「相信」测量值，响应快但噪声大
- R值（测量噪声）：越大，滤波器越「平滑」，但延迟增加
我个人习惯：先让Q=R=0.01，然后观察。如果噪声大，增大R；如果响应慢，减小Q。
4.4 滑动平均滤波：简单粗暴但有效
这个滤波器，我愿称之为「性价比之王」。不需要复杂的数学，不需要调参，一个循环队列搞定。
// 滑动平均滤波
#define WINDOW_SIZE 10
float slidingAverage(float newValue) {
static float buffer[WINDOW_SIZE] = {0};
static int index = 0;
static float sum = 0;
sum -= buffer[index];
buffer[index] = newValue;
sum += buffer[index];
index = (index + 1) % WINDOW_SIZE;
return sum / WINDOW_SIZE;
}避坑指南：窗口大小选多少？我一般遵循「3倍原则」——窗口长度至少是噪声周期的3倍。比如50Hz噪声，周期20ms，采样周期1ms，窗口就取60。太小了滤不干净，太大了延迟受不了。
缺点也很明显：它需要存储N个数据，内存敏感的场景要小心。另外，它对脉冲噪声（比如突然的尖峰）反应迟钝，因为要等N个点才能「消化」掉。
4.5 陷波滤波器：定点清除「顽固噪声」
有时候，噪声不是宽频带的，而是集中在某个特定频率。比如50Hz工频干扰，或者机器人关节的共振频率。这时候，低通滤波会把有用信号也滤掉，高通滤波又放不过去。
怎么办？上陷波滤波器。它就像一把手术刀，精准切除某个频率，其他频率几乎不受影响。
// 二阶IIR陷波滤波器（双线性变换法）
// 中心频率 f0 = 50Hz, 采样率 fs = 1000Hz
// 带宽 BW = 5Hz
float notchFilter(float input) {
static float x1 = 0, x2 = 0;
static float y1 = 0, y2 = 0;
float omega = 2 * 3.14159 * 50 / 1000; // 归一化频率
float alpha = sin(omega) * sinh(log(2)/2 * 5 * omega / sin(omega));
float b0 = 1;
float b1 = -2 * cos(omega);
float b2 = 1;
float a0 = 1 + alpha;
float a1 = -2 * cos(omega);
float a2 = 1 - alpha;
float output = (b0 * input + b1 * x1 + b2 * x2 - a1 * y1 - a2 * y2) / a0;
x2 = x1;
x1 = input;
y2 = y1;
y1 = output;
return output;
}我曾经踩过的坑：陷波滤波器用不好，会引入「振铃效应」。就是滤波后的信号在陷波频率附近出现震荡。原因通常是带宽设置太窄，或者滤波器阶数太高。我建议带宽至少设为中心频率的10%，比如50Hz陷波，带宽取5~10Hz比较安全。
4.6 如何选择？一张表说清楚
| 滤波器类型 | 适用场景 | 优点 | 缺点 | 我常用的参数 |
|---|---|---|---|---|
| 低通滤波 | 力传感器去噪、碰撞检测 | 实现简单，实时性好 | 有相位延迟 | alpha=0.1~0.3 |
| 高通滤波 | 提取碰撞冲击、去除直流偏置 | 消除基线漂移 | 放大高频噪声 | alpha=0.05~0.2 |
| 卡尔曼滤波 | 高精度力控、传感器融合 | 最优估计，自适应 | 计算量大，调参复杂 | Q=0.01, R=0.1 |
| 滑动平均 | 简单去噪、数据平滑 | 零算法复杂度 | 内存占用，延迟固定 | 窗口=10~60 |
| 陷波滤波 | 消除特定频率干扰（50Hz、共振） | 精准打击，不影响其他频率 | 可能引入振铃 | 带宽=10%中心频率 |
4.7 实战建议：滤波器的「组合拳」
在实际的力控安全保护系统中，我很少只用一种滤波器。通常是组合使用：
- 第一级：滑动平均滤波（快速去除毛刺）
- 第二级：陷波滤波器（干掉50Hz工频干扰）
- 第三级：低通滤波（平滑输出，控制延迟）
我的血泪教训：滤波器的顺序很重要！一定要先做滑动平均，再做陷波，最后低通。如果顺序反了，低通滤波会把陷波引入的振铃「放大」，导致信号完全没法看。
好了，信号处理这块就讲到这里。记住一句话：滤波不是越强越好，而是在「噪声抑制」和「信号保真」之间找到平衡点。这个平衡点，需要你在实际项目中一点点试出来。别怕调参，每个参数背后，都是你对系统更深的理解。
公众号:蓝海资料掘金营，微信deep3321