芯耀
与非AI
258
做硬件的人，大概都见过这种场面：传感器明明没动，串口里的数却一直跳。拿一阶低通压一压，数字安静了；真让它动起来，显示值又慢半拍。
系数调小，稳是稳了，跟不上。系数调大，跟得上了，又开始抖。一个参数来回拧，像拧水龙头，总找不到那个既舒服又合适的位置。
最近读到一篇讲一阶低通和一维卡尔曼的文章，里面有个切口值得展开：滤波的权重，能不能不再固定，而是跟着工况变化？
能。但必须把这句话讲完整。否则，把低通换成卡尔曼，只是换了一个听起来更高级的名字。
这里说的低通，是单片机里常用的那种一阶递推滤波，不是所有低通滤波器。
它的核心就一句：
估计值 = 上次估计值 + α ×（这次测量值 − 上次估计值）
α 越小，越相信过去；α 越大，越相信这一次测量。问题是，固定 α 不知道眼前的变化到底是什么。
温度真的升高了，它按原来的力度往下压；传感器受干扰了，它也按原来的力度往下压。真实变化和测量噪声，进来时都只是一个新数字。
滤波想解决的，不是把曲线画得更漂亮，而是在噪声和真实变化之间，尽量作出正确的取舍。
如果信号、采样周期和噪声都比较稳定，固定系数完全可以很好用。不要因为算法名字简单，就先判它落后。
一维卡尔曼多算了一件事：我现在有多没把握
先限定模型：我们只估计一个量，假设下一时刻的真实值大体延续上一时刻，但允许它随机变化。这叫随机游走模型。
它更新信号的写法，其实和刚才很像：
估计值 = 上次估计值 + K ×（这次测量值 − 上次估计值）
不同之处在 K 怎么来。它不只保存一个估计值，还保存这份估计的不确定性 P。
Q 表示一个采样间隔内，真实状态可能变化多少，用方差表达；R 表示测量噪声有多大，同样是方差。P、Q、R 的单位都是被测量单位的平方，不是随手填进去的三个神秘旋钮。
每来一次数据，先把“不确定性账本”往上加一点：P预测 = P + Q。再计算这次测量应该占多大权重：K = P预测 /（P预测 + R）。
预测越没把握，K 越大，多听新测量的；测量越不可靠，K 越小，少被它带着跑。更新完估计值，再把 P 收小：P =（1 − K）× P预测。
它比固定系数多出来的，是一套关于“不确定性”的计算，而不是凭空知道真值的本领。
最容易讲错的地方：固定 Q、R，并不会自动识别突变
很多介绍写到这里，就开始说“信号稳定时自动平滑，信号变化时自动跟随”。但如果程序里的 Q、R 一直不变，这个结论并不成立。
在上述随机游走模型下，采样周期固定、每次都有有效测量、Q 和 R 都是固定正数时，K 会经过启动阶段，逐渐收敛到一个常数。
更关键的是：这几行计算 K 的公式，根本没有用到测量值变化了多少。 因此，一个真实阶跃不会仅凭自身就让 K 突然变大。
比如 Q=0.01、R=1，稳态 K 约为 0.0951。进入稳态后，它对信号的更新就相当于 α≈0.0951 的一阶递推低通。数学上，对这个模型有 Q/R = K²/（1−K）。
所以，普通一维卡尔曼确实会递推增益，于自动分清真实变化和噪声。
真正的动态系数，要有动态的信息来源
想让滤波器静止时稳、变化时快，首先得告诉它：现在为什么应该相信另一套规则。
一种可靠做法，是利用系统本来就知道的工况。电机刚收到运动指令、阀门刚被打开、称重平台进入加料阶段，真实状态更可能变化，就适当增大 Q。设备进入稳定阶段，再把 Q 降下来。
另一种做法，是利用测量质量。距离传感器回波质量变差、某个测量量程的噪声变大，就增大 R，降低这次读数的权重。质量恢复，再恢复 R。完全无效的读数，应当跳过更新，而不是当成一个正常数字硬塞进去。
这时，K 才会随着工况和测量可靠性变化。注意，Q 增大意味着“状态可能真的在变”；R 增大意味着“这次测量可能不可信”。这两个判断不能混为一谈。
下面这组曲线是仿真，不是实测。蓝色区域对应系统已知的动作指令，短时增大 Q；橙色区域对应已知的测量质量下降，增大 R。它不是偷看真值，而是使用了滤波器之外的工况信息。
还可以根据“测量值减预测值”这个差值，也就是创新，来辅助调参。但这里有个硬把真实变化拒之门外。仅凭一次差值，通常分不清这两件事。
需要结合连续多次观测、物理变化速度上限、传感器质量标志和其他工况信息，并限制参数的范围。自适应不是取消判断，而是把判断从一个固定系数，搬到了工况识别和噪声估计里。
单片机上怎么落地？核心依然只有几行
下面是随机游走模型的基本内核。真正的动态部分，是上层根据工况传入不同的 Q、R，而不是在代码里写死两个常数，再期待它自动理解现场。
#include <math.h>
#include <stdbool.h>
typedef struct {
float x; // 当前估计值
float p; // 估计误差方差
bool ready;
} KF1;
// q：本次采样间隔的过程噪声方差
// r：当前测量噪声方差，必须大于 0
// valid：测量有效标志
bool kf1_update(KF1 *s, float z, bool valid,
float q, float r, float *out)
{
if (!s || !out || !isfinite(q) || q < 0 ||
!isfinite(r) || r <= 0) return false;
valid = valid && isfinite(z);
if (!s->ready) {
if (!valid) return false;
s->x = z;
s->p = r;
s->ready = true;
} else {
float pp = s->p + q;
if (!isfinite(pp) || !isfinite(pp + r))
return false;
if (valid) {
float k = pp / (pp + r);
s->x += k * (z - s->x);
s->p = (1.0f - k) * pp;
} else {
s->p = pp; // 缺测：只预测，不校正
}
}
*out = s->x;
return true;
}每个通道单独维护一个状态，使用前把结构体清零。缺测时返回的是预测值，不代表传感器恢复有效；缺测状态和超时报警还要由上层保留。代码用于展示算法结构，量产前还应按量程、异常数据和数值范围做测试。
调参先量噪声：在输入真实稳定的条件下，采一段数据，估算测量噪声方差作为 R 的起点。不要把明显的温漂和真实变化都算进“白噪声”里。
Q 则应反映相邻采样间隔内的状态变化。不等间隔采样时，不能不加分析地沿用同一个 Q；对按时间累积的随机游走模型，可以采用 Q = q_rate × dt，具体数值仍要用数据验证。
参数的目标不是“最平”，而是在允许的响应延迟下，把估计误差压下来。仿真有真值可以对照；实际设备则要靠参考仪器、已知输入或受控试验，不能拿滤波后的曲线自己证明自己。
哪些信号值得用，哪些不该硬套
温度、压力、液位等缓变量。 当测量噪声可估计，且随机游走足以近似目标变化时，一维卡尔曼适合做趋势估计。加热、开阀等工况还能帮助调度 Q。若噪声始终稳定，固定低通也可能已经够用。
称重、电池电压、直流电流的稳定值或慢变化。 空载、加料、负载切换等状态可以提供调参依据。但滤波后的慢信号不能拿来替代过流保护或捕捉瞬态峰值，安全保护路径应独立设计。
ToF、超声等距离信号。 测量质量可以辅助设置 R，但失效回波和异常值要先处理。目标持续快速运动时，仅估计位置的一维模型容易滞后，加入速度状态的模型通常更值得考虑。
IMU 单轴的慢变化或偏置趋势。 可以在明确目标的前提下做平滑估计，但给每个轴套一个一维滤波器，不等于完成姿态融合，更不能直接承诺把真实振动和运动信息保住。
声音、振动、冲击、脉冲，或者必须的抗混叠措施；已经混叠进来的信号，换个算法名字不会自动还原。
最后，把“更真实”三个字落到工程上
一维卡尔曼的价值，不是让每条曲线都比低通更平滑，而是给动态权重一个可以解释、可以验证的依据。在模型和噪声假设合理时，工况调度可以改善某些阶段的跟踪和抗噪；假设错了，它一样会滞后，一样会相信错误的读数。
静态工况用简单方法不丢人，变化工况用动态权重有价值。真正决定信号能不能更接近实际的，不是“卡尔曼”这三个字，而是你有没有把真实变化和测量噪声这两笔账分开。
