第13章传感器数据滤波

课程目录第13章传感器数据滤波

13、传感器数据滤波：原始数据噪声来源、简单移动平均滤波算法实现、卡尔曼滤波入门

各位好，我是你们的老朋友。今天咱们聊聊传感器数据滤波。

说实话，做距离传感器开发，最让人头疼的不是硬件本身，而是那堆“脏数据”。你明明把手放在传感器前面，距离值却像抽风一样跳来跳去。嗯，这就是噪声在作怪。

13.1 原始数据噪声来源

我刚开始做项目时，总以为传感器读回来的数据就是真实值。后来被坑了几次，才明白——原始数据里全是“杂质”。

噪声主要来自这几个地方：

硬件电路噪声：电源纹波、信号线串扰、PCB布局不合理。说白了，电路本身就不完美。
环境干扰：红外传感器容易受阳光、灯光影响。我记得有一次在强光下测试，距离值直接漂了5厘米。
传感器自身特性：每个传感器都有测量误差，尤其是低成本器件，线性度差、温漂严重。
ADC量化误差：模拟信号转数字时，精度有限，会引入±1 LSB的误差。

核心观点：噪声是随机的、不可预测的。滤波的目的，就是从“脏数据”里提取出“干净信号”。

你想想看，如果直接把原始数据拿去做距离判断，结果会怎样？手还没靠近，距离值就乱跳，触发误操作。用户体验直接崩盘。

13.2 简单移动平均滤波算法实现

最简单的滤波方法，就是移动平均。说白了，就是把最近N次采样值加起来，除以N。

为什么有效？因为噪声是随机的，正负噪声在平均过程中会相互抵消。真实信号是缓慢变化的，平均后基本不变。

我个人的习惯是，先试N=5。效果不好再调大。N越大，曲线越平滑，但响应越慢。这是个取舍问题。

来看代码实现：

public class MovingAverageFilter {
    private float[] buffer;
    private int index = 0;
    private int count = 0;
    private int windowSize;
    private float sum = 0;

    public MovingAverageFilter(int windowSize) {
        this.windowSize = windowSize;
        this.buffer = new float[windowSize];
    }

    public float filter(float newValue) {
        // 如果缓冲区满了，先减去最旧的值
        if (count == windowSize) {
            sum -= buffer[index];
        } else {
            count++;
        }

        // 存入新值
        buffer[index] = newValue;
        sum += newValue;

        // 更新索引（循环覆盖）
        index = (index + 1) % windowSize;

        // 返回平均值
        return sum / count;
    }
}

用法很简单：

MovingAverageFilter filter = new MovingAverageFilter(5);
float filteredValue = filter.filter(rawValue);

小技巧：窗口大小建议选奇数。为什么？因为奇数窗口的延迟是整数个采样周期，计算方便。当然，这不是硬性要求。

我曾经在一个项目中，窗口设到20，结果手都贴上去了，距离值还在慢慢下降。用户反应“反应太慢”。后来改成8，效果刚刚好。

13.3 卡尔曼滤波入门

移动平均虽然简单，但有个硬伤——它假设所有历史数据权重相同。实际上，越新的数据越重要。卡尔曼滤波就是解决这个问题的。

卡尔曼滤波的核心思想：用上一时刻的估计值，结合当前测量值，算出最优估计。它有两个步骤：预测和更新。

我刚开始学卡尔曼滤波时，被那一堆矩阵公式吓到了。后来发现，对于一维距离传感器，公式可以简化到极致。

一维卡尔曼滤波的五个核心公式：

预测状态：x_pred = x_est
预测误差协方差：P_pred = P_est + Q
卡尔曼增益：K = P_pred / (P_pred + R)
更新状态：x_est = x_pred + K * (z - x_pred)
更新误差协方差：P_est = (1 - K) * P_pred

其中：

x_est：当前最优估计值
z：当前测量值
Q：过程噪声协方差（系统模型的不确定性）
R：测量噪声协方差（传感器本身的噪声水平）

看代码实现：

public class KalmanFilter1D {
    private float Q;  // 过程噪声
    private float R;  // 测量噪声
    private float x;  // 估计值
    private float P;  // 误差协方差
    private float K;  // 卡尔曼增益

    public KalmanFilter1D(float Q, float R, float initialValue) {
        this.Q = Q;
        this.R = R;
        this.x = initialValue;
        this.P = 1.0f;  // 初始误差协方差，通常设大一点
    }

    public float filter(float measurement) {
        // 预测
        float xPred = x;
        float PPred = P + Q;

        // 更新
        K = PPred / (PPred + R);
        x = xPred + K * (measurement - xPred);
        P = (1 - K) * PPred;

        return x;
    }
}

用法：

KalmanFilter1D kf = new KalmanFilter1D(0.01f, 0.1f, rawValue);
float filteredValue = kf.filter(rawValue);

避坑指南：Q和R的调参是关键。Q越大，滤波器越相信测量值，响应快但噪声大。R越大，滤波器越相信预测值，平滑但滞后。我曾经调了一整天，才找到合适的Q和R。

为什么卡尔曼滤波比移动平均好？因为它能自适应。当测量值突然变化时，卡尔曼增益会自动增大，快速跟踪。当测量值稳定时，增益变小，平滑输出。

来看一张对比图：

从图上能看出来：原始数据上下乱跳，移动平均虽然平滑了，但明显滞后。卡尔曼滤波既平滑了噪声，又保持了快速响应。这就是它的优势。

我的建议：如果项目对实时性要求不高，移动平均就够用了。如果要求高精度、低延迟，比如手势识别、接近感应，那就上卡尔曼滤波。

最后说一句：滤波不是万能的。如果硬件噪声太大，滤波也救不了。我建议先优化硬件设计，再考虑软件滤波。双管齐下，效果最好。

好了，这一章就到这里。记住：数据滤波是传感器开发的必修课，多练练，你也能成为高手。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

13、传感器数据滤波：原始数据噪声来源、简单移动平均滤波算法实现、卡尔曼滤波入门

13.1 原始数据噪声来源

13.2 简单移动平均滤波算法实现

13.3 卡尔曼滤波入门