7、数据过滤：为什么原始数据这么抖？低通滤波原理与实现

如果你已经动手写过加速度传感器的代码，大概率会遇到一个让人头疼的问题——数据怎么这么抖？明明手机放在桌上一动不动，打印出来的数值却像心跳图一样上下跳动。我第一次遇到这情况时，差点以为传感器坏了。

其实不是传感器的问题。加速度计的原始数据里，混杂着大量高频噪声。这些噪声来自手机震动、电路干扰、甚至你呼吸时桌面微小的形变。说白了，传感器太灵敏了，连它不想看到的东西都一并收了进来。

为什么原始数据会抖？

先看一个实际例子。我拿一台测试机，静止放在桌面上，采集了100个加速度X轴数据。理论上应该是一条直线（约0 m/s²），但实际打印出来是这样的：

0.12, -0.08, 0.21, -0.15, 0.33, -0.05, 0.18, -0.22, 0.09, -0.11
0.27, -0.03, 0.14, -0.19, 0.06, -0.25, 0.31, -0.07, 0.16, -0.13
...

看到没？数值在 -0.25 到 0.33 之间来回跳。这个抖动幅度，对于需要精确判断姿态的应用来说，完全不可接受。

抖动的来源主要有三个：

• 热噪声：传感器内部的电子元件会因温度产生随机波动
• 机械噪声：手机马达、扬声器振动会传导到传感器
• 量化噪声：模数转换时，模拟信号变成数字信号会丢失精度

嗯，这里要注意：不是所有抖动都是坏事。高频抖动里其实也包含真实信号，但大部分情况下，我们需要的是平滑的趋势，而不是毛刺。

低通滤波的核心思想

怎么去掉这些高频噪声？最经典的方法就是低通滤波。它的原理特别简单——让低频信号通过，阻挡高频信号。

你想想看，手机在桌面上移动，这个动作产生的加速度变化是相对缓慢的（低频）。而噪声是快速跳变的（高频）。如果我们把快速变化的部分滤掉，剩下的就是平滑的真实信号。

我个人习惯用一阶低通滤波器，也叫指数移动平均。它的公式长这样：

output = alpha * input + (1 - alpha) * previous_output

其中 alpha 是滤波系数，范围 0 到 1。alpha 越小，滤波效果越强，但响应也越慢。

说白了，就是让新数据只贡献一部分，大部分保留之前的结果。这样数据就不会突然跳变。

SVG：低通滤波原理流程图

下面这张图展示了原始数据经过低通滤波后的变化过程：

代码实现：一阶低通滤波器

直接上代码。我在项目中常用的一个工具类，专门处理加速度数据：

public class LowPassFilter {
    private float alpha;
    private float[] filteredValues;
    private boolean initialized = false;

    /**
     * @param alpha 滤波系数，推荐 0.1 ~ 0.3
     */
    public LowPassFilter(float alpha) {
        this.alpha = alpha;
    }

    public float[] filter(float[] input) {
        if (!initialized) {
            // 第一次直接赋值
            filteredValues = input.clone();
            initialized = true;
            return filteredValues;
        }

        for (int i = 0; i < input.length; i++) {
            filteredValues[i] = alpha * input[i] + (1 - alpha) * filteredValues[i];
        }
        return filteredValues;
    }

    public void setAlpha(float alpha) {
        this.alpha = alpha;
    }
}

使用方式也很简单：

LowPassFilter filter = new LowPassFilter(0.2f);

// 在传感器回调中调用
public void onSensorChanged(SensorEvent event) {
    float[] raw = event.values.clone();
    float[] smooth = filter.filter(raw);
    // smooth 就是滤波后的数据
}

alpha 值的影响对比

不同 alpha 值对数据的影响差异很大。我整理了一张对比表：

进阶：自适应滤波

固定 alpha 值有个问题——它不能适应不同场景。比如手机静止时，我们希望滤波强一点；手机快速移动时，又希望响应快一点。

我后来在项目中用了一个小技巧：根据数据变化幅度动态调整 alpha。变化大时用大 alpha（快速跟踪），变化小时用小 alpha（平滑稳定）。

public float[] adaptiveFilter(float[] input, float[] prev) {
    float[] output = new float[input.length];
    for (int i = 0; i < input.length; i++) {
        float diff = Math.abs(input[i] - prev[i]);
        // 变化越大，alpha 越大
        float dynamicAlpha = Math.min(0.5f, 0.1f + diff * 2.0f);
        output[i] = dynamicAlpha * input[i] + (1 - dynamicAlpha) * prev[i];
    }
    return output;
}

这个思路说白了就是：让滤波器自己判断该不该相信新数据。变化剧烈时多信一点，平稳时多平滑一点。效果比固定 alpha 好不少。

总结一下

低通滤波是处理传感器数据最基础、最实用的手段。它的原理不复杂，但用好了能解决大问题。我个人建议：

• 先从固定 alpha 开始，调出感觉
• 再根据场景需求，尝试自适应方案
• 别忘了测试不同手机——不同型号的传感器噪声水平差异很大

嗯，数据过滤这块就聊到这儿。下一节我们会深入另一个重要话题——如何用加速度数据判断手机的姿态。到时候见。