第四章 信号处理与滤波：低通滤波、卡尔曼滤波入门，传感器噪声处理
各位同学，今天我们来聊聊信号处理。说实话，做车辆控制这几年，我最大的体会就是：控制算法再牛，信号不好也是白搭。传感器噪声处理不好，你的PID参数调得再漂亮，车跑起来照样抖得像筛糠。
我记得刚入行那会儿，有个项目让我印象特别深。一辆试验车，低速行驶时方向盘左右摆动，幅度不大但频率很高。我折腾了三天，调参数、改策略，都没用。最后发现——是转向角传感器的噪声没滤干净。从那以后，我养成了一个习惯：先看信号质量，再谈控制算法。
4.1 传感器噪声从哪来？
车辆上的传感器，说白了就是暴露在各种干扰环境下的。你想想看，发动机振动、电磁干扰、路面颠簸、温度变化……这些都会在传感器输出上叠加噪声。
常见的噪声类型有这么几种：
- 白噪声：频率分布均匀，像收音机里的沙沙声
- 低频漂移：传感器受温度影响，输出缓慢变化
- 脉冲噪声：瞬间的尖峰，比如电磁干扰
- 高频振动噪声：发动机或路面激励引起的
我个人的经验是，先搞清楚噪声的频率范围，再决定用什么滤波器。这就像看病，得先诊断再开药。
核心原则：滤波器的截止频率，要高于你关心的信号频率，低于噪声的主要频率。留出安全余量，一般取中间值的1/3到1/2。
4.2 低通滤波：最简单也最实用
低通滤波，说白了就是让低频信号通过，把高频噪声滤掉。在车辆控制里，这是用得最多的滤波器。
最经典的就是一阶RC低通滤波，离散化之后长这样：
y[n] = α * x[n] + (1-α) * y[n-1]其中：
y[n]是当前滤波后的值x[n]是当前原始采样值y[n-1]是上一次滤波后的值α是滤波系数，范围0到1
α 怎么取？这里有个公式：
α = 1 / (1 + 2π * f_c * T)其中 f_c 是截止频率（Hz），T 是采样周期（秒）。
我的小技巧：α 越小，滤波效果越强，但延迟也越大。α 取0.1到0.3之间，一般够用。我曾经在ESP项目中，把α设成0.05，结果信号平滑了，但车辆响应慢了半拍，差点出问题。嗯，滤波不是越强越好。
实际代码实现很简单：
// 一阶低通滤波
float lowpass_filter(float input, float prev_output, float alpha) {
return alpha * input + (1.0f - alpha) * prev_output;
}
// 使用示例
float filtered_speed = lowpass_filter(raw_speed, prev_filtered_speed, 0.15f);
prev_filtered_speed = filtered_speed;为什么说它实用？因为计算量极小，在嵌入式MCU上跑毫无压力。我做过一个项目，用8位单片机，采样率1000Hz，跑这个滤波只占不到1%的CPU。
4.3 卡尔曼滤波入门
低通滤波虽然好用，但有个硬伤——它只考虑当前值，不考虑系统模型。说白了，它不知道你的信号应该怎么变化。
卡尔曼滤波就不一样了。它结合了系统模型和观测数据，给出最优估计。听起来高大上，其实核心思想就一句话：预测 + 修正。
我举个例子。你开车时想估计车速，有两种信息来源：
- 模型预测：根据上一时刻车速和加速度，估算当前车速
- 传感器测量：轮速传感器直接测到的车速
两个都不完美。模型有误差，传感器有噪声。卡尔曼滤波做的就是加权平均——谁的置信度高，就多信谁。
卡尔曼滤波的五个核心公式：
// 预测步骤
x_pred = A * x_est + B * u // 状态预测
P_pred = A * P_est * A^T + Q // 协方差预测
// 更新步骤
K = P_pred * H^T * (H * P_pred * H^T + R)^(-1) // 卡尔曼增益
x_est = x_pred + K * (z - H * x_pred) // 状态更新
P_est = (I - K * H) * P_pred // 协方差更新看着复杂？别怕。我拆开讲：
x：你要估计的状态（比如车速、位置）P：估计的不确定性（协方差）Q：模型噪声（你有多相信模型）R：测量噪声（你有多相信传感器）K：卡尔曼增益（加权系数）
调参口诀：Q大R小，相信传感器；Q小R大，相信模型。我一般先设Q和R为对角矩阵，然后根据实际效果微调。
一个简单的车速估计例子：
// 一维卡尔曼滤波（车速估计）
typedef struct {
float x; // 估计值
float P; // 估计协方差
float Q; // 过程噪声
float R; // 测量噪声
} Kalman1D;
float kalman_update(Kalman1D *kf, float measurement) {
// 预测
float x_pred = kf->x;
float P_pred = kf->P + kf->Q;
// 更新
float K = P_pred / (P_pred + kf->R);
kf->x = x_pred + K * (measurement - x_pred);
kf->P = (1.0f - K) * P_pred;
return kf->x;
}注意：卡尔曼滤波假设噪声是高斯分布。如果你的传感器噪声不是高斯分布（比如有脉冲干扰），需要先做预处理。我曾经在项目中遇到过GPS信号跳变，卡尔曼滤波直接发散，后来加了中值滤波做预处理才解决。
4.4 实际工程中的噪声处理策略
讲完了理论，说说实际怎么干。我总结了一套三层滤波策略：
| 层级 | 方法 | 适用场景 | 计算开销 |
|---|---|---|---|
| 第一层 | 硬件滤波（RC电路） | 高频噪声，如电源纹波 | 无 |
| 第二层 | 软件低通/中值滤波 | 常规噪声，如传感器白噪声 | 低 |
| 第三层 | 卡尔曼滤波 | 需要融合多传感器，或需要状态估计 | 中 |
具体到车辆控制，我常用的组合是：
- 轮速信号：一阶低通滤波，α取0.2-0.3
- 加速度信号：先中值滤波去脉冲，再低通滤波
- GPS/IMU融合：卡尔曼滤波，Q和R根据车速动态调整
- 转向角信号：低通滤波 + 限幅处理
避坑指南：我曾经在某个项目中，把所有传感器都用同样的滤波器参数。结果低速时信号延迟太大，高速时噪声又没滤干净。后来我学乖了——滤波参数要随工况变化。低速时α大一点（响应快），高速时α小一点（平滑好）。
4.5 滤波器选型决策树
最后，我给大家一个实用的决策思路。当你面对一个传感器信号时，按这个顺序问自己：
- 噪声频率高吗？ → 是 → 低通滤波
- 有脉冲干扰吗？ → 是 → 先中值滤波，再低通
- 需要融合多个传感器？ → 是 → 卡尔曼滤波
- 计算资源紧张？ → 是 → 一阶低通就够了
- 信号延迟敏感？ → 是 → 用高阶滤波器或自适应滤波
说实话，80%的工程问题，一个一阶低通滤波就能解决。剩下的20%，才需要上卡尔曼滤波。别一上来就整复杂的，简单有效才是王道。
好了，这一章就到这里。下一章我们讲状态观测器，到时候你会看到，卡尔曼滤波其实只是观测器的一种特例。嗯，保持期待。