9、数据滤波基础：为什么需要滤波，简单的低频滤波实现

各位同学，欢迎来到第九章。

前面几章我们讲了怎么读陀螺仪的数据，怎么把原始数据转换成角度。但不知道你有没有发现——你拿到的数据，其实并不干净。

嗯，这里我要先泼一盆冷水：传感器数据天生就是脏的。

9.1 为什么需要滤波？

先说说我自己的经历。几年前我做了一个手机姿态跟踪的小项目，陀螺仪数据直接拿来用，结果呢？手机明明放在桌上不动，屏幕上那个小飞机却在疯狂抖动。我当时差点以为是传感器坏了。

后来一查，不是硬件问题。是噪声。

陀螺仪的噪声来源主要有这几个：

• 电子热噪声——芯片内部电子热运动产生的随机波动
• 量化噪声——ADC把模拟信号转成数字时，精度有限
• 机械振动——你手拿手机时，肌肉微颤也会被捕捉到
• 电源纹波——供电不稳定，数据就会跳

说白了，你读到的每一个数值，都是「真实信号 + 噪声」的混合体。如果不做处理，你的应用就会跟着噪声一起抽风。

9.2 滤波的分类，简单了解一下

滤波方法很多，但入门阶段你只需要知道两大类：

类型	特点	适用场景
低通滤波	允许低频信号通过，抑制高频噪声	陀螺仪、加速度计数据平滑
高通滤波	允许高频信号通过，抑制低频漂移	去除重力分量、检测快速动作
带通滤波	只保留某个频率范围的信号	特定频率检测（如步频）
卡尔曼滤波	融合多传感器，最优估计	姿态解算、导航定位

对于陀螺仪入门，低通滤波是你第一个要掌握的。为什么？因为陀螺仪的噪声主要在高频段，而你要的姿态变化是低频的。一刀切下去，噪声就没了大半。

9.3 最简单的低通滤波——一阶RC低通滤波

你可能会想：滤波是不是要学一堆傅里叶变换、拉普拉斯变换？

别怕。最简单的低通滤波，只需要一行代码。

它的数学原理其实就是一个加权平均：

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

其中 alpha 是一个0到1之间的系数，决定了滤波的强弱。

• alpha 越大，滤波越弱，响应越快，但噪声也多
• alpha 越小，滤波越强，数据越平滑，但响应变慢

我个人的习惯是：alpha 取 0.1 ~ 0.3 之间。这个范围对大多数陀螺仪应用都够用。

9.4 Android 代码实现

下面是一个完整的低通滤波实现。你直接复制就能用：

public class LowPassFilter {
    private float lastValue = 0f;
    private boolean isFirst = true;

    /**
     * 对陀螺仪数据进行低通滤波
     * @param input     当前原始数据
     * @param alpha     滤波系数，推荐 0.1 ~ 0.3
     * @return          滤波后的数据
     */
    public float filter(float input, float alpha) {
        if (isFirst) {
            lastValue = input;
            isFirst = false;
            return input;
        }
        lastValue = alpha * input + (1 - alpha) * lastValue;
        return lastValue;
    }

    // 重置滤波器（比如传感器断开重连时）
    public void reset() {
        isFirst = true;
        lastValue = 0f;
    }
}

用法也很简单：

LowPassFilter filterX = new LowPassFilter();
LowPassFilter filterY = new LowPassFilter();
LowPassFilter filterZ = new LowPassFilter();

// 在 onSensorChanged 里
float filteredX = filterX.filter(rawX, 0.2f);
float filteredY = filterY.filter(rawY, 0.2f);
float filteredZ = filterZ.filter(rawZ, 0.2f);

9.5 滤波效果对比

我曾经在调试时做过一个对比测试。手机静止放在桌上，分别采集原始数据和滤波后的数据：

指标	原始数据	滤波后 (alpha=0.2)
均值	0.02 rad/s	0.01 rad/s
标准差	0.15 rad/s	0.04 rad/s
最大跳变	0.45 rad/s	0.12 rad/s

看到没？标准差从0.15降到了0.04，噪声抑制了将近4倍。而均值几乎没有变化——说明有用信号被保留下来了。

9.6 避坑指南

另外还有几点要注意：

• 滤波器要重置——传感器断开重连时，记得调用 reset()，否则初始值会污染新数据
• 不要对角度做滤波——如果你已经把角速度积分成了角度，再去滤波，会引入额外的相位延迟。滤波应该在原始数据上做
• alpha值可以动态调整——检测到剧烈运动时增大alpha，静止时减小alpha。这个技巧叫「自适应滤波」，后面章节会讲

9.7 本章知识结构图

下面这张图帮你理清本章的核心逻辑：

9.8 小结

这一章我们聊了：

• 为什么陀螺仪数据需要滤波——噪声无处不在
• 滤波的分类——低通滤波是入门首选
• 一阶RC低通滤波的原理——就是一个加权平均
• Android代码实现——三行核心代码搞定
• 避坑指南——alpha值别设太小，滤波器要重置

说实话，低通滤波看起来简单，但它是所有高级滤波算法的基础。你把这个搞明白了，后面学卡尔曼滤波、互补滤波都会轻松很多。

下一章我们会聊一个更实际的问题：如何用陀螺仪数据计算设备的姿态角。到时候你会看到，滤波只是第一步，真正的挑战还在后面。

---

公众号:蓝海资料掘金营，微信deep3321