嵌入式传感器数据处理：EWMA低通滤波器的原理与MicroPython实现

1. 项目概述：为什么嵌入式系统需要低通滤波器？

如果你玩过树莓派Pico、ESP32这类微控制器，并且尝试过读取MPU6050这类惯性测量单元（IMU）的数据，那你一定对屏幕上那些疯狂跳动的数字印象深刻。原始传感器数据就像一杯被剧烈摇晃的苏打水，充满了气泡（噪声），而我们真正想喝的，是底下那平静的液体（有效信号）。低通滤波器，就是那个让杯子静置下来，分离气泡与液体的工具。它的核心任务非常直接：允许低频的、变化缓慢的信号成分通过，同时阻挡或衰减高频的、快速变化的噪声。

在物联网和嵌入式领域，这个“静置”过程至关重要。想象一下，一个基于加速度计判断设备是否跌倒的老年监护手环，如果直接使用原始数据，一个突然的挥手动作可能就会被误判为跌倒，引发误报警。再比如，一个自动平衡小车，电机控制算法如果对传感器读数里每一个高频毛刺都做出反应，那小车跳的就不是华尔兹，而是抽搐的机械舞了。低通滤波器通过平滑数据，为后续的决策与控制算法提供了一个更干净、更可靠的输入，是提升嵌入式系统鲁棒性和性能的基石。

本文将以最经典、最易实现的指数加权移动平均（Exponential Weighted Moving Average, EWMA）低通滤波器为例，手把手带你从数学原理啃透，到用MicroPython在Raspberry Pi Pico上对MPU6050加速度计数据进行实时滤波。你会发现，实现一个可用的滤波器，代码可能不超过10行，但理解其背后的“为什么”，才能让你在千变万化的实际项目中游刃有余。

2. 低通滤波器核心原理与算法选型

在动手写代码之前，我们得先搞清楚要对付的敌人是谁，以及我们选择的武器有何优劣。传感器噪声并非单一形态，理解滤波器的原理，就是理解我们如何“设计”一种数学规则来区分信号与噪声。

2.1 传感器噪声与滤波的本质

MPU6050这类MEMS传感器输出的噪声主要来源于两方面：电气噪声和机械噪声。电气噪声包括传感器内部热噪声、ADC量化噪声等，通常表现为高频随机波动。机械噪声则可能来自设备本身的振动（如电机转动）、外部冲击等。这些噪声混杂在我们关心的真实物理量（如加速度、角速度）中，使得单次采样值不可信。

滤波的本质，是利用信号与噪声在时间或频率维度上的统计特性差异，对其进行分离。我们关心的真实物理量（如缓慢的姿态变化）通常是低频的，而许多噪声是高频的。低通滤波器就是基于这一假设工作的。但请注意，这不是银弹。如果你的有效信号本身包含高频成分（比如监测高速振动），那么低通滤波器就会将其连同噪声一起滤掉，造成信号失真。因此，滤波器参数的选择永远是在“平滑度（去噪）”和“响应速度（保真）”之间寻找最佳平衡点。

2.2 指数加权移动平均（EWMA）算法深度解析

在嵌入式资源受限的环境下，像FIR（有限长单位冲激响应）或IIR（无限长单位冲激响应）这类数字滤波器虽然性能强大，但计算复杂，需要存储多个历史数据点，对内存和算力都有要求。而EWMA滤波器是一种极其轻量级的IIR滤波器变种，它只需要存储上一个滤波输出值和一个平滑系数（alpha）。

它的核心递归公式，也是本文实现的基石，如下所示：

filtered_value[n] = alpha * filtered_value[n-1] + (1 - alpha) * raw_value[n]

这个简洁的公式里蕴含了几个关键思想：

1. 递归与记忆：当前的滤波结果filtered_value[n]依赖于前一时刻的滤波结果filtered_value[n-1]。这意味着滤波器拥有“记忆”，历史数据以指数衰减的权重影响着当前输出，越久远的数据影响越小。
2. 平滑系数Alpha：alpha是一个介于0和1之间的常数，它是整个滤波器的“调音旋钮”。
   • 当 alpha → 1：(1 - alpha) → 0。新采样值raw_value[n]的权重极小，滤波器输出几乎完全由历史值决定，系统惯性极大，输出非常平滑，但对新变化的响应极其迟缓（滞后严重）。
   • 当 alpha → 0：(1 - alpha) → 1。新采样值的权重占主导，滤波器输出几乎紧跟原始数据，响应迅速，但平滑效果甚微，噪声抑制能力差。
3. 计算效率：仅需一次乘法和一次加法运算，无需数组存储历史序列，是常数时间复杂度O(1)和常数空间复杂度O(1)的操作，非常适合在MicroPython这类解释型环境中运行。

为了更直观地理解alpha与滤波器特性的关系，我们可以将其与一个更物理化的概念——截止频率和时间常数联系起来。虽然EWMA是一个时域滤波器，但我们可以估算其等效的频域特性。

时间常数（τ）可以近似理解为滤波器输出达到输入阶跃变化63.2%所需的时间。它与alpha和采样周期（Ts）的关系为：

τ ≈ -Ts / ln(alpha)

例如，采样频率为10Hz（Ts=0.1秒），alpha取0.85，则时间常数 τ ≈ -0.1 / ln(0.85) ≈ -0.1 / (-0.1625) ≈ 0.615秒。这意味着一个突变信号需要大约0.6秒才能被滤波器“消化”掉大部分。

对应的截止频率（fc），即振幅衰减至-3dB的频率点，约为：

fc ≈ (1 - alpha) / (2π * Ts * alpha)

代入相同数值，fc ≈ (1-0.85) / (23.140.1*0.85) ≈ 0.15 / 0.534 ≈ 0.28 Hz。这意味着频率高于0.28Hz的信号成分会被显著衰减。

注意：以上换算为近似公式，严格来说EWMA是时域递归公式，其频域响应需通过Z变换求得。但对于工程上的参数选择，这些近似估算已极具指导价值。

2.3 为何选择EWMA而非其他滤波器？

在项目初期，你可能还会接触到滑动平均滤波器（简单移动平均，SMA）。它取最近N个数据的算术平均值作为输出。SMA的优点是概念简单，完全线性相位（不扭曲波形形状）。但其缺点对嵌入式系统而言是致命的：

• 需要存储N个历史数据：占用更多RAM。
• 每次计算需进行N次加法：当N较大时计算量可观。
• “阶跃响应”不平滑：当一个旧数据点移出窗口时，输出会有一个突然的跳变，即使使用相同的N值，其平滑效果也可能不如EWMA自然。

相比之下，EWMA以单一参数alpha实现了可调的性能，内存占用极小，计算量固定且极少，虽然在脉冲干扰下的恢复速度稍慢，但对于处理MPU6050这类连续变化的传感器噪声，其综合优势非常明显。因此，对于大多数需要实时平滑数据的嵌入式传感应用，EWMA是我的首选入门方案。

3. 硬件准备与MicroPython环境搭建

理论需要实践来验证。我们首先需要搭建一个可以运行和测试滤波器的物理平台。

3.1 硬件清单与连接指南

本项目所需硬件极其常见，成本低廉：

• Raspberry Pi Pico：任何一款RP2040微控制器的Pico板均可，它是我们运行MicroPython的主控。
• MPU6050六轴传感器模块：集成了三轴加速度计和三轴陀螺仪，我们主要关注其加速度数据。
• 杜邦线若干（母对母）。
• USB数据线（为Pico供电并通信）。

MPU6050与Pico的连接采用标准的I2C接口，这是最简洁的方式：

实操心得：在面包板上连接时，强烈建议同时将Pico的另一个GND与MPU6050的GND相连，并尽可能使用短线，这能有效减少电源噪声对模拟传感器读数的影响。如果条件允许，在MPU6050的VCC和GND之间并联一个0.1uF的陶瓷电容，滤波效果会更好。

3.2 MicroPython固件刷写与驱动安装

1. 刷写固件：按住Pico板上的BOOTSEL按钮，然后通过USB线连接到电脑。此时电脑会识别出一个名为RPI-RP2的U盘。从树莓派官网下载最新的MicroPython UF2固件文件（例如rp2-pico-20240620-v1.23.0.uf2），将其拖入该U盘。拖入后，Pico会自动重启并运行MicroPython。

2. 安装开发工具：我推荐使用Thonny这款IDE。它轻量、免费，且对MicroPython支持极好。安装后，在Thonny的右下角选择解释器为“MicroPython (Raspberry Pi Pico)”，并选择正确的串口。连接成功后，Shell交互界面会显示MicroPython的版本信息。

3. 上传MPU6050驱动库：MicroPython本身没有内置MPU6050驱动。我们需要一个第三方库。你可以将下面的imu.py文件保存到本地，然后通过Thonny的“文件”->“上传到/”功能，将其上传到Pico的根目录。

   # imu.py - MPU6050的简化驱动库 import ustruct import time class MPU6050: def __init__(self, i2c, addr=0x68): self.i2c = i2c self.addr = addr # 唤醒MPU6050 self.i2c.writeto_mem(self.addr, 0x6B, b'\x00') time.sleep_ms(100) # 等待传感器稳定 def read_accel(self): # 从0x3B寄存器开始，连续读取6个字节（X, Y, Z轴） data = self.i2c.readfrom_mem(self.addr, 0x3B, 6) # 将两个字节的数据组合成16位有符号整数 ax = ustruct.unpack('>h', data[0:2])[0] # ‘>h’表示大端有符号短整型 ay = ustruct.unpack('>h', data[2:4])[0] az = ustruct.unpack('>h', data[4:6])[0] # MPU6050默认量程为±2g，灵敏度为16384 LSB/g return ax / 16384.0, ay / 16384.0, az / 16384.0 # 属性访问，方便直接调用 sensor.accel.x @property def accel(self): ax, ay, az = self.read_accel() return type('obj', (object,), {'x': ax, 'y': ay, 'z': az})()

   这个驱动库只实现了最基本的加速度计读取功能，代码清晰，便于理解。在实际项目中，你可能需要更完整的库（如包含陀螺仪、自检、量程设置等），但作为滤波演示，这个简化版完全够用。

4. 低通滤波器的MicroPython实现与逐行解析

环境就绪，现在进入核心环节：编写滤波代码。我们将把原理公式转化为可运行的MicroPython脚本，并深入每一行代码背后的意图。

4.1 完整代码实现

创建一个新的MicroPython脚本文件（例如main.py），输入以下代码：

# main.py - MPU6050数据低通滤波示例 from machine import Pin, I2C import time from imu import MPU6050 # 导入我们上传的驱动 # 1. 初始化I2C总线 i2c = I2C(0, sda=Pin(0), scl=Pin(1), freq=400000) print("I2C设备地址:", i2c.scan()) # 扫描I2C总线，应显示[104]（0x68的十进制） # 2. 初始化MPU6050传感器对象 sensor = MPU6050(i2c) # 3. 定义滤波器参数与状态变量 alpha = 0.85 # 平滑系数，经验值，可根据需要调整在0~1之间 filtered_ax = 0.0 # 初始化X轴加速度滤波值 filtered_ay = 0.0 # 初始化Y轴加速度滤波值 filtered_az = 0.0 # 初始化Z轴加速度滤波值 # 4. 定义低通滤波器函数 def low_pass_filter(prev_filtered, new_raw, alpha): """ 指数加权移动平均低通滤波器 :param prev_filtered: 上一个时刻的滤波值 :param new_raw: 当前时刻的原始采样值 :param alpha: 平滑系数 (0 < alpha < 1) :return: 当前时刻的滤波值 """ return alpha * prev_filtered + (1.0 - alpha) * new_raw # 5. 主循环：采样、滤波、输出 print("开始采集与滤波... (按Ctrl+C停止)") try: while True: # 5.1 读取原始加速度数据（单位：g） ax_raw, ay_raw, az_raw = sensor.read_accel() # 5.2 对每个轴应用低通滤波器 filtered_ax = low_pass_filter(filtered_ax, ax_raw, alpha) filtered_ay = low_pass_filter(filtered_ay, ay_raw, alpha) filtered_az = low_pass_filter(filtered_az, az_raw, alpha) # 5.3 输出结果（可替换为其他处理，如通过串口发送） print(f"Raw: ({ax_raw:6.3f}, {ay_raw:6.3f}, {az_raw:6.3f}) g | " f"Filtered: ({filtered_ax:6.3f}, {filtered_ay:6.3f}, {filtered_az:6.3f}) g") # 5.4 控制采样频率（约10Hz） time.sleep(0.1) # 休眠100ms except KeyboardInterrupt: print("\n程序被用户中断。")

4.2 代码关键点解析与实操注释

1. I2C初始化 (i2c = I2C(0, sda=Pin(0), scl=Pin(1), freq=400000))

   • I2C(0, ...)表示使用Pico的I2C0硬件控制器。
   • sda=Pin(0), scl=Pin(1)指定了GPIO0和GPIO1分别作为数据线和时钟线。请务必与你的物理连接保持一致。
   • freq=400000设置了400kHz的通信频率，这是MPU6050支持的标准快速模式。对于短距离、简单连接，400kHz是稳定可靠的选择。如果遇到数据读取错误，可以尝试降低到100000（标准模式）。

2. 滤波器状态初始化 (filtered_ax = 0.0)

   • 这是一个关键细节。在第一次进入循环时，prev_filtered需要一个初始值。这里我们初始化为0.0。这意味着滤波器需要几个周期的时间来“预热”，才能输出接近真实值的估计。在静止状态下，如果传感器初始读数为0g，这没问题。但如果初始值偏差很大，会导致滤波器的初始 transient（瞬态）过程较长。
   • 改进方案：一种更稳健的初始化方法是，在循环开始前，先连续读取若干次（比如10次）原始数据并求平均，将这个平均值作为filtered_ax,filtered_ay,filtered_az的初始值。这能显著减少滤波器的启动收敛时间。

3. 滤波器函数设计

   • 我们将滤波逻辑封装成函数low_pass_filter，这提高了代码的模块化和可重用性。你可以轻松地将此函数复制到其他需要滤波的数据通道上。
   • 函数明确接收alpha作为参数，而不是依赖全局变量，这使得函数更纯粹，易于测试。

4. 主循环中的采样与滤波

   • sensor.read_accel()返回的是三个浮点数，单位是重力加速度g（1g ≈ 9.8 m/s²）。静止水平放置时，Z轴读数应接近1g，X和Y轴接近0g。
   • 对三个轴独立应用相同的滤波器。这是因为各轴的噪声和信号特性在大多数情况下是独立的。你也可以为不同轴设置不同的alpha值，例如对更不稳定的轴进行更强滤波。
   • time.sleep(0.1)决定了采样周期Ts = 0.1秒，即采样频率Fs = 10 Hz。这个值的选择与alpha值共同决定了滤波器的截止频率，如前文公式所示。你需要根据信号变化的快慢来权衡。对于人体动作识别，10Hz可能足够；对于高速振动分析，则需要更高的采样率（如100Hz以上）和相应的alpha调整。

5. 输出格式化

   • 使用f-string格式化输出，:6.3f表示总宽度6个字符，其中3位小数，便于在终端中整齐地观察数据变化。

5. 参数调优、效果评估与可视化

代码跑起来后，你会看到终端里不断打印出原始值和滤波值。但如何判断滤波效果好坏？如何选择那个神秘的alpha值？这需要更系统的评估方法。

5.1 Alpha参数调优实战：从理论到感觉

alpha的选择没有绝对标准，是一个典型的工程折衷。以下是一个基于不同场景的调优思路：

1. 场景一：追求极致平滑，对响应速度要求不高

   • 场景：测量静止或缓慢移动物体的倾角（如花盆土壤湿度监测仪）。
   • 参数尝试：alpha = 0.9甚至0.95。
   • 观察：滤波后的数据曲线会非常“厚重”，几乎看不到毛刺。但如果你快速晃动传感器，会发现滤波值像“慢动作”一样缓慢地跟随，滞后非常明显。

2. 场景二：需要快速跟踪变化，同时抑制部分噪声

   • 场景：平衡小车的姿态估计，需要较快响应倾斜变化以控制电机。
   • 参数尝试：alpha = 0.7到0.8。
   • 观察：滤波数据仍比原始数据平滑，但能更快地响应你的动作变化。在终端中，你可以看到滤波值的变化更“跟手”。

3. 场景三：几乎不滤波，仅做轻微平滑

   • 场景：调试阶段，想观察原始噪声水平，或信号本身变化极快。
   • 参数尝试：alpha = 0.1到0.3。
   • 观察：滤波值与原始值非常接近，平滑效果有限。

调优心法：我的习惯是，先将alpha设为0.5，运行程序观察。如果噪声仍然很大，就逐步增加alpha（如0.6, 0.7...），每次增加0.1，直到噪声被抑制到可接受水平。然后，快速移动传感器，检查滞后是否在应用允许范围内。如果滞后太大，则稍微调低alpha（如0.05的步长），在平滑度和响应速度之间找到那个让你感觉“刚刚好”的甜蜜点。记住前文的时间常数公式，它能帮你定量估算滞后时间。

5.2 数据可视化：让效果一目了然

在嵌入式开发中，将数据导出到PC进行可视化分析是至关重要的调试手段。MicroPython可以通过串口（USB）轻松地将数据发送出来。

步骤一：修改代码，输出CSV格式数据将主循环中的print语句修改为输出逗号分隔的格式，便于PC端软件解析。

# 替换原来的print语句 # print(f"Raw: ({ax_raw:6.3f}, {ay_raw:6.3f}, {az_raw:6.3f}) g | " # f"Filtered: ({filtered_ax:6.3f}, {filtered_ay:6.3f}, {filtered_az:6.3f}) g") print(f"{ax_raw:.4f},{ay_raw:.4f},{az_raw:.4f},{filtered_ax:.4f},{filtered_ay:.4f},{filtered_az:.4f}")

步骤二：使用Thonny或串口工具捕获数据

1. 在Thonny中运行程序，其Shell窗口会持续输出数据。
2. 在Shell窗口右键，选择“保存输出到文件...”，指定一个.csv文件（如data.csv），运行一段时间后停止程序并保存。

步骤三：使用Python（Matplotlib）进行绘图分析在电脑上使用以下Python脚本（需要安装matplotlib和pandas库）读取并绘图：

import pandas as pd import matplotlib.pyplot as plt # 读取数据，假设列名 data = pd.read_csv('data.csv', header=None, names=['raw_x', 'raw_y', 'raw_z', 'filt_x', 'filt_y', 'filt_z']) plt.figure(figsize=(12, 6)) plt.plot(data['raw_x'], 'r-', alpha=0.7, label='Raw X', linewidth=0.5) plt.plot(data['filt_x'], 'b-', label='Filtered X', linewidth=1.5) plt.xlabel('Sample Number') plt.ylabel('Acceleration (g)') plt.title('Low-Pass Filter Effect on MPU6050 X-Axis Data (alpha=0.85)') plt.legend() plt.grid(True, linestyle='--', alpha=0.5) plt.tight_layout() plt.show()

通过图表，你可以清晰地对比原始信号的“毛刺”与滤波后信号的“平滑曲线”，直观评估不同alpha值的效果。这是调整参数最有力的依据。

5.3 滤波器性能的定量评估思路

除了肉眼观察，我们还可以引入简单的定量指标：

• 标准差（Standard Deviation）：计算一段时间内原始数据和滤波数据各自的标准差。滤波后数据的标准差应显著减小，这直接反映了噪声的抑制程度。
• 阶跃响应时间：在传感器静止时突然将其倾斜一个固定角度（如45度），记录滤波值从10%变化到90%所需的时间。这直接衡量了滤波器的响应速度。

你可以在MicroPython中实现简单的统计计算，或者在PC端用Python对导出的数据进行更全面的分析。

6. 进阶应用、常见问题与避坑指南

掌握了基础实现后，我们可以探讨一些更实际的应用场景和那些教程里不会写的“坑”。

6.1 多传感器融合与滤波器级联

单一的加速度计低通滤波常用于测量静态倾角。但在动态场景下（如无人机、机器人），我们通常需要结合陀螺仪（测量角速度）进行传感器融合，最经典的算法就是互补滤波器。

互补滤波器思想：利用高通滤波器提取陀螺仪积分角度中的低频误差（如漂移），利用低通滤波器提取加速度计角度中的高频噪声，然后将两者按一定权重融合。其核心公式可以简化为：

angle = alpha * (angle + gyro * dt) + (1 - alpha) * acc_angle

看，这本质上仍然是我们的EWMA公式！其中(angle + gyro * dt)是陀螺仪积分的预测值（易受漂移影响，低频误差），acc_angle是加速度计计算的角度（易受瞬时加速度干扰，高频噪声）。通过一个alpha（此时通常取0.98左右）进行融合，就能得到一个相对稳定且响应快的姿态角。这展示了低通滤波器思想在更复杂算法中的基石作用。

6.2 常见问题排查与解决方案实录

在实际部署中，你可能会遇到以下问题：

6.3 资源优化与生产环境部署

当前示例代码为了清晰，在循环中使用了浮点数运算和print输出。在生产环境中，这些操作可能成为性能瓶颈。

• 定点数运算：MicroPython的浮点运算相对较慢。如果对速度要求极高，可以考虑使用定点数。例如，将加速度值放大1000倍后用整数表示，alpha也取一个0-1000之间的整数。滤波公式变为：filtered = (alpha * filtered + (1000 - alpha) * raw) // 1000。这能大幅提升计算速度。
• 减少调试输出：print函数是阻塞且缓慢的。正式部署时，应移除或大幅减少打印频率，或者将数据通过更高效的方式（如二进制格式通过UART发送）传递出去。
• 使用定时器中断：当前的time.sleep()控制采样周期并不精确，且会阻塞整个线程。更专业的方法是使用MicroPython的Timer硬件定时器触发中断，在中断服务程序中进行采样和滤波计算，确保采样间隔的精确性。

低通滤波是嵌入式信号处理的第一步，但它打开了一扇门，通往更复杂的数字滤波、传感器融合和状态估计领域。从理解这一个简单的递归公式开始，你已经掌握了处理动态数据流的核心思想之一。在实际项目中，多动手尝试不同的参数，结合可视化工具分析效果，积累属于你自己的“滤波器手感”，这远比记住任何理论公式都来得重要。