1. 项目缘起从“知道倾斜”到“知道朝哪倾斜”最近在做一个智能小车项目需要让小车在斜坡上自动调整姿态。手头正好有行空板和Micro:bit它们都内置了加速度计。一开始我的想法很简单读取加速度计的X、Y、Z轴数据哪个轴的数值变化大不就说明朝哪个方向倾斜了吗实际操作后我发现事情没那么简单。当我将设备平放然后绕Z轴垂直轴旋转时X和Y轴的加速度读数确实会变化这能告诉我设备在水平面内的“朝向”发生了变化。但是当我将设备绕X轴前后轴抬起时不仅Y轴左右轴的读数会变连Z轴上下轴的读数也会剧烈变化。单纯比较三个轴的原始数值根本无法清晰、直观地告诉我“设备现在前倾了30度”或者“设备左倾了45度”。得到的只是一堆让人困惑的、耦合在一起的数字。这让我意识到我需要的是“欧拉角”。这是一个在机器人、无人机、游戏开发等领域非常基础且重要的概念。简单来说欧拉角用三个角度通常称为Roll翻滚、Pitch俯仰、Yaw偏航来描述一个物体在三维空间中的旋转姿态。这正是我需要的一个明确的、人类可理解的倾斜描述。于是我决定深入探究如何利用行空板和Micro:bit的加速度计数据计算出准确的倾斜方位欧拉角。2. 核心原理加速度计如何“感知”重力与姿态要理解如何计算首先得明白加速度计在静止状态下到底测量了什么。当我们的设备静止时它主要受到一个力重力。加速度计测量的是“比力”即除重力外所有外力造成的加速度。但在静止时这个外力为零加速度计测量到的实际上是重力加速度在它自身坐标系各轴上的分量。想象加速度计内部有一个微小的“质量块”通过弹簧悬挂。当设备倾斜时重力会以不同的角度拉扯这个质量块从而在X、Y、Z轴上产生不同的分力。这就是加速度计读数的来源。关键点在于当设备静止时三轴加速度的矢量和的大小理论上应等于当地的重力加速度g约9.8 m/s²。我们可以利用这个特性。假设我们读取到的原始加速度值为 (ax, ay, az)。那么设备相对于水平面的俯仰角Pitch绕Y轴旋转和横滚角Roll绕X轴旋转可以通过以下三角函数关系估算俯仰角 Pitch (θ)pitch atan2(-ax, sqrt(ay*ay az*az))横滚角 Roll (φ)roll atan2(ay, az)这里用到了atan2(y, x)函数而不是简单的atan(y/x)。atan2能正确处理所有象限的角度返回一个介于 -π 到 π或 -180° 到 180°之间的值这对于全角度测量至关重要。为什么公式里有负号这取决于你定义的坐标系方向。在常见的“东北天”坐标系或行空板/Micro:bit的默认坐标系中Z轴向上为正。当设备前倾低头时X轴的正向加速度分量会增加重力在X轴正向的分量变大为了得到“前倾为正角”的直观结果需要在公式中对ax取负。这是一个必须注意的坐标系约定问题。至于偏航角Yaw绕Z轴旋转单纯依靠加速度计是无法求得的。因为无论设备如何绕垂直轴旋转重力在各轴上的分量是不变的。这就好比一个静止的摆锤无法告诉你东西南北。要获得偏航角必须引入磁力计电子罗盘或陀螺仪进行数据融合。注意上述公式是“基于重力矢量”的估算方法。它的优点是计算简单在设备静止或缓慢移动时非常准确。但缺点也很明显一旦设备本身存在线性加速度比如小车突然加速加速度计测量到的就不再是纯粹的重力分量计算结果会包含巨大的误差。这就是所谓的“加速度计对运动敏感”。3. 硬件实操行空板与Micro:bit的配置与数据读取虽然原理相同但行空板基于Python和Micro:bit基于图形化或MicroPython在具体操作上有所不同。3.1 行空板Python环境搭建与数据读取行空板通常运行完整的Linux系统我们可以使用Python及其丰富的库。对于内置的MPU6050等IMU芯片常用smbus2或专门的驱动库。首先确保连接行空板的Wi-Fi通过SSH或Jupyter Notebook进行编程。安装必要的库如果尚未安装pip install smbus2 numpy以下是读取MPU6050原始数据并计算姿态角的示例代码核心部分import smbus2 import time import math # MPU6050默认地址 MPU6050_ADDR 0x68 # 初始化I2C总线 bus smbus2.SMBus(1) # 行空板I2C-1通常对应物理引脚3(SDA), 5(SCL) # 唤醒MPU6050 bus.write_byte_data(MPU6050_ADDR, 0x6B, 0) def read_raw_data(addr): # 读取高8位和低8位数据合并为16位有符号整数 high bus.read_byte_data(MPU6050_ADDR, addr) low bus.read_byte_data(MPU6050_ADDR, addr1) value (high 8) | low # 处理负数补码 if value 32768: value - 65536 return value def get_accel_data(): # 读取加速度计原始值MPU6050默认量程为±2g灵敏度16384 LSB/g accel_x read_raw_data(0x3B) / 16384.0 accel_y read_raw_data(0x3D) / 16384.0 accel_z read_raw_data(0x3F) / 16384.0 return accel_x, accel_y, accel_z def calculate_angles(ax, ay, az): # 计算俯仰角和横滚角结果转换为度 pitch math.atan2(-ax, math.sqrt(ay*ay az*az)) * 180 / math.pi roll math.atan2(ay, az) * 180 / math.pi return pitch, roll try: while True: acc_x, acc_y, acc_z get_accel_data() pitch, roll calculate_angles(acc_x, acc_y, acc_z) print(fAccel: X{acc_x:.2f}g, Y{acc_y:.2f}g, Z{acc_z:.2f}g | Pitch{pitch:.1f}°, Roll{roll:.1f}°) time.sleep(0.1) # 100ms读取周期 except KeyboardInterrupt: print(程序结束)实操心得一校准与单位。代码中直接将原始数据除以16384得到以重力加速度g为单位的数值。但在实际使用前最好做一个简单的静态校准将板子水平静止放置读取100个样本计算ax和ay的均值理论上应为0az的均值理论上应为1g。将后续读数减去这些零偏能有效消除传感器固有的微小偏差。3.2 Micro:bitMakeCode/JavaScript图形化与代码实现Micro:bit的操作更加简单直观特别适合教育和快速原型开发。图形化Blocks方法在MakeCode编辑器中使用输入类别下的加速度(mg) x、y、z积木块可以直接读取以毫伽milli-g千分之一重力加速度为单位的加速度值。利用数学类别中的atan2、sqrt等积木块搭建计算公式。通过基本类别中的显示数字或显示字符串在LED点阵上显示角度或者通过串行类别输出到电脑查看。JavaScript/Text代码方法在MakeCode中切换到JavaScript视图basic.forever(function () { // 读取加速度单位是毫伽。1g 1000mg。 let ax input.acceleration(Dimension.X) / 1000 let ay input.acceleration(Dimension.Y) / 1000 let az input.acceleration(Dimension.Z) / 1000 // 计算俯仰角和横滚角度 let pitch Math.atan2(-ax, Math.sqrt(ay * ay az * az)) * 180 / Math.PI let roll Math.atan2(ay, az) * 180 / Math.PI // 串口输出方便在控制台绘图或记录 serial.writeValue(Pitch, pitch) serial.writeValue(Roll, roll) // 在点阵上简单显示俯仰角取整 basic.showNumber(Math.round(pitch)) basic.pause(200) // 暂停200ms避免刷新过快 })实操心得二Micro:bit的坐标系。务必查阅Micro:bit的官方文档确认其坐标系。通常正面朝上时X轴左右右为正Y轴前后前为正Z轴上下上为正。这与公式中的假设一致。如果你把Micro:bit竖起来用坐标系方向就变了公式可能需要调整。4. 进阶挑战互补滤波与姿态融合初探如前所述纯加速度计方案在运动时失效而陀螺仪测量角速度虽然对运动不敏感但存在积分漂移误差会随时间累积。因此在实际应用中如自平衡车、无人机都会采用“传感器融合”算法结合加速度计和陀螺仪的优点。最经典、最易实现的算法之一是互补滤波。其思想非常直观利用高通滤波器滤除加速度计数据中的高频噪声即运动干扰利用低通滤波器滤除陀螺仪数据中的低频噪声即漂移然后将两者融合。以下是互补滤波在行空板上的一个简化实现思路假设已能读取陀螺仪数据gx, gy, gz单位为度/秒# 初始化角度用加速度计估算 pitch_acc, roll_acc calculate_angles(ax, ay, az) pitch, roll pitch_acc, roll_acc # 互补滤波系数通常取0.98左右需要根据实际情况调整 alpha 0.98 dt 0.01 # 采样周期10ms while True: # 1. 读取当前加速度计和陀螺仪数据 ax, ay, az get_accel_data() gx, gy, gz get_gyro_data() # 假设已实现 # 2. 用加速度计估算瞬时角度低频可靠高频不可靠 pitch_acc math.atan2(-ax, math.sqrt(ay*ay az*az)) * 180 / math.pi roll_acc math.atan2(ay, az) * 180 / math.pi # 3. 用陀螺仪积分计算角度变化高频可靠低频会漂移 # 注意陀螺仪测得的是绕其自身坐标系的角速度需要转换。 # 简单情况下可以近似认为 pitch_gyro pitch gx * dt # 绕X轴旋转影响Pitch roll_gyro roll gy * dt # 绕Y轴旋转影响Roll # 4. 互补滤波融合 pitch alpha * pitch_gyro (1 - alpha) * pitch_acc roll alpha * roll_gyro (1 - alpha) * roll_acc print(fFused: Pitch{pitch:.1f}°, Roll{roll:.1f}°) time.sleep(dt)为什么是pitch pitch gx * dt这是一个常见的理解误区。陀螺仪输出的角速度是绕其传感器本体坐标系各轴的旋转速率。当设备姿态变化时本体坐标系和世界坐标系的关系也在变。在俯仰角和横滚角较小的情况下可以近似认为绕本体X轴的旋转gx主要引起俯仰角Pitch变化绕本体Y轴的旋转gy主要引起横滚角Roll变化。但在大角度时这种对应关系会变得复杂涉及到旋转顺序问题这就引出了“万向节锁”和更复杂的融合算法如卡尔曼滤波、Mahony滤波、Madgwick滤波。注意这个简化互补滤波示例仅用于说明原理。在实际工程中需要处理坐标系转换、积分误差、滤波系数调参等诸多问题。对于Micro:bit由于其内置传感器和计算能力限制实现复杂的实时融合可能比较吃力但对于学习概念和进行慢速实验已经足够。5. 应用场景与项目构思掌握了倾斜方位计算我们可以玩出很多花样姿态控制游戏用行空板做一个“平衡球”游戏通过倾斜板子控制屏幕上的小球移动避开障碍。Pitch和Roll角直接映射为游戏手柄的两个摇杆。水平仪与倾角仪这是最直接的应用。用Micro:bit的LED点阵模拟一个气泡水平仪或者用行空板的大屏幕显示更精确的数字和图形化水平仪。智能小车姿态监控在小车上安装行空板实时监控车体在越野时的俯仰和侧倾角度超过安全阈值时报警或自动减速。相机云台增稳虽然性能有限但作为原理验证可以用舵机搭建一个两轴云台使用行空板计算出的姿态角作为反馈尝试抵消手持的抖动。互动艺术装置将计算出的倾斜角度映射到灯光颜色、声音频率或投影图像的变化上制作一个随着观众互动而改变的物理界面。一个具体的Micro:bit项目示例——简易数字水平仪目标在MakeCode的模拟器中或实际Micro:bit上用5x5的LED点阵显示当前横滚角。逻辑计算Roll角范围-90°到90°。将-90°映射到最左边一列LEDx090°映射到最右边一列LEDx4。在映射得到的X坐标上点亮中间一行y2的LED模拟气泡。为了更明显可以同时点亮气泡上下各一个LEDy1, y3。代码片段MakeCode JavaScript:basic.forever(function () { let ay input.acceleration(Dimension.Y) / 1000 let az input.acceleration(Dimension.Z) / 1000 let roll Math.atan2(ay, az) * 180 / Math.PI // 将角度映射到0-4的X坐标 // 角度范围-90到90映射到0-4 let x Math.map(roll, -90, 90, 0, 4) x Math.constrain(Math.round(x), 0, 4) // 约束并取整 basic.clearScreen() // 在(x,2)位置及上下点亮LED模拟气泡 led.plot(x, 1) led.plot(x, 2) led.plot(x, 3) basic.pause(100) })6. 避坑指南与调试技巧在实际操作中你肯定会遇到各种问题。以下是我踩过的一些坑和总结的技巧坑1角度跳动剧烈数据不稳定。可能原因传感器噪声、代码采样率过高或未滤波、设备本身存在微小振动。解决思路软件滤波对读取到的原始加速度数据或计算出的角度进行低通滤波。最简单的是移动平均滤波例如取最近10次读数的平均值。# 简单的移动平均滤波示例角度值 angle_history [] window_size 10 def low_pass_filter(new_value): angle_history.append(new_value) if len(angle_history) window_size: angle_history.pop(0) return sum(angle_history) / len(angle_history) filtered_pitch low_pass_filter(pitch)调整采样率过高的采样率可能引入更多高频噪声。根据应用需要将采样间隔调整到50-100ms可能比10ms更稳定。硬件固定确保设备稳定放置避免在风扇、电机旁等有振动源的环境中使用。坑2静止时角度不为零存在固定偏差。可能原因传感器未校准或放置的平面本身不水平。解决思路执行一次静态校准。将设备尽可能水平放置运行一段校准程序记录下此时加速度计三个轴的读数 (ax0, ay0, az0)。在后续计算中将每次的读数减去这个零偏ax_calibrated ax - ax0。对于水平基准可以认为此时俯仰和横滚应为0利用这个关系反推零偏更准确。坑3当设备某个面朝上时角度计算突然出错或跳变。可能原因遇到了数学计算中的奇点例如当设备竖直Z轴水平时用于计算Roll角的atan2(ay, az)公式中az可能接近0导致计算结果不稳定或溢出。更根本的问题是“万向节锁”。理解万向节锁当俯仰角Pitch接近±90°时横滚角Roll和偏航角Yaw的旋转轴会重合失去一个自由度导致姿态解算奇异。这是用欧拉角表示姿态的固有缺陷。应对策略对于大部分地面应用倾斜角通常在±60°以内可以忽略。如果需要全姿态测量需要考虑使用四元数进行姿态表示和更新这超出了本文范围但它是解决万向节锁和进行高效传感器融合如Mahony, Madgwick滤波的基础。调试技巧可视化是关键串口绘图无论是行空板还是Micro:bit都尽量将原始数据ax, ay, az和计算后的角度pitch, roll通过串口发送到电脑。使用像Arduino IDE的串口绘图器、CoolTerm、或者Python的Matplotlib库实时绘制曲线。观察当你倾斜设备时哪些曲线如何变化这与你的理论预期是否一致是排查问题最快的方法。分步验证先单独验证加速度计读数是否合理平放时Z≈1g, X,Y≈0竖直时对应轴≈1g。再验证角度计算用手持方式缓慢地将设备倾斜到已知角度如靠在书本形成的30度斜坡上看计算结果是否匹配。从读取三个原始数字到理解它们背后的重力分量再到利用三角函数解算出直观的倾斜角度这个过程本身就是一个将物理感知、数学建模和编程实现相结合的绝佳练习。行空板和Micro:bit降低了硬件门槛让我们能专注于算法和逻辑。虽然纯加速度计方案有局限但它为我们打开了惯性导航世界的大门理解了它再去学习融合陀螺仪、磁力计的更复杂算法就会知其然也知其所以然。