企业官网建设流程全解析

先放个结论：如果你正用 STM32 读 MPU6050，发现静止时角度缓慢飘移、运动时数据跳得像心电图，十有八九不是传感器坏了，也不是接线问题，而是原始数据里的噪声和真实信号混在了一起。这篇 stm32_mpu6050_滤波教程，就是来解决这个问题的。我会从噪声来源讲到滤波算法选型，再给出能在 STM32 上直接跑的 C 代码和调参思路，最后把我在实际项目中踩过的坑一条条列出来。

这篇内容适合刚学会用 HAL 库或标准库驱动 MPU6050、但还没正式处理数据的读者，也适合已经能把原始数据读出来、想自己写滤波而不用 DMP 功能的开发者。我的建议是：在决定是否用 DMP 之前，先自己写一轮滤波，因为只有亲手处理过陀螺仪零漂和加速度计振动噪声，你才能真正理解姿态传感器的特性，后面换传感器、换主控、改采样率才不会慌。

1. 先搞明白：传感器原始输出为什么“不干净”

1.1 噪声来源的几种常见情况

MPU6050 内部其实是一组 MEMS 结构，你可以把它理解成一块悬空的微小质量块，受力时质量块和固定电极之间的距离会变化，再通过电容检测把位移变成电压信号，最终被 ADC 量化成数字量。这种结构决定了它本身对机械振动敏感，所以芯片输出必然带有一定噪声。

我统计过自己几个项目里的实测数据：在桌面上静置一块 STM32F103C8T6 核心板，采用 8 位单片机以约 100Hz 循环读取 MPU6050 原始数据，加速度计 X 轴输出的均值附近波动幅度通常在 20 到 80 个 LSB 之间，陀螺仪 Z 轴的波动幅度可以达到 10 到 30 个 LSB。这个波动量看起来不大，但当你把陀螺仪积分成角度时，偏移量会随时间累积，几分钟后就能看到明显的角度漂移。

常见噪声来源有以下几类：

• 机械振动：电机、风扇、按键回弹、结构共振都会让加速度计读数上下跳动。这类噪声频率分布广，能量主要集中在几十赫兹到几百赫兹。
• ADC 量化噪声：MPU6050 内部 ADC 是 16 位，量程越大，每个 LSB 代表的角度或加速度值也越大，量化误差和电路底噪会叠加在输出上。
• 电源纹波：如果给传感器供电的 3.3V 是从 DC-DC 电路出来的，且滤波电容不足，纹波会直接耦合进 MEMS 电路。这在高负载动态变化的系统里特别明显。
• 温度漂移：MEMS 结构的弹性系数和电路增益都会随温度变化，导致陀螺仪零偏缓慢变化。
• I2C 读取时序干扰：长排线、杜邦线接触不良、总线上的干扰都可能造成数据偶发跳变。这种跳变范围很大，经常直接跳出物理合理范围。

1.2 滤波到底在滤什么

很多人看到“滤波”两个字，第一反应是把波形拉平，觉得越平滑越好。其实不完全是。滤波的目标是让“有效信号”尽量保留，“无效噪声”尽量衰减。比如无人机悬停时，姿态角本身变化很慢，可以看作低频信号；而电机振动带来的噪声频率比较高，可以用低通滤波把它衰减掉。但如果你在做甩手动作或者快速旋转测试，姿态角本身的变化频率也会变高，这时候如果滤波太激进，就会把真实动作也给滤掉，表现为响应滞后。

所以在动手写代码前，建议先串口打印一段原始数据，放到串口绘图器里看波形，搞清楚你面对的是高频随机噪声、低频漂移，还是偶发的孤立跳变。三种问题的处理策略完全不同：

• 高频随机噪声：用低通滤波、滑动窗口平均；
• 低频漂移：用高通滤波、互补滤波中的加速度计修正或者零点标定；
• 偶发孤立跳变：用限幅滤波、中位值滤波剔除。

表格对比起来更清楚：

1.3 滤波前必做的检查

还要强调一点：软件滤波不是万能的。如果你的电源纹波已经达到几百毫伏、I2C 走线长达 20 厘米且周围有电机 PWM 线，再优秀的软件滤波也只能救回一部分效果。正确顺序是先解决硬件问题，再上软件滤波。

我在一个平衡小车项目里遇到过非常诡异的现象：电机不转时 MPU6050 数据很平稳，电机一启动，数据就开始大幅波动，而且还是有规律的波动。排查后发现问题出在电机驱动板的地线回路和传感器共用了同一条供电线。后来给传感器加了单独的 LC 滤波供电，再把信号线和电机线分开走，数据立刻干净了一个数量级。

这里分享一个经典电路：在 MPU6050 的 VDD 引脚对地并联一个 0.1uF 陶瓷电容和一个 10uF 钽电容，分别滤除高频和低频干扰；如果你的主控板上还有其他大电流器件，最好给 VDD 前面加一个磁珠或者 10 欧姆电阻隔离开。很多最小系统板原理图里 MPU6050 模块上已经有这些电容，但如果你是自己画板，一定记得加。

2. 滤波方案选型：从均值到卡尔曼

2.1 常用滤波算法的原理与实现

滤波算法有很多种，我按计算复杂度从低到高说一下各自的原理、代码和适用场景。

限幅滤波的逻辑很简单：如果本次采样值和上一次采样值的差超过一个阈值，就丢弃本次值，用上一次的值代替。它专门对付孤立跳变，逻辑判断快，RAM 消耗几乎为零。缺点是检测不到缓慢的随机噪声，而且阈值设置需要根据实际波形来调。

int16_t amp_limit_filter(int16_t new_value, int16_t last_value, int16_t max_delta) { if ((new_value - last_value) > max_delta || (last_value - new_value) > max_delta) { return last_value; } return new_value; }

中位值滤波的做法是连续采样 N 次，取这些值按大小排序后的中间值作为输出。对脉冲噪声效果好，但对连续噪声效果一般，而且每周期要做一次排序，不适合高频实时系统。

算术平均滤波，把连续 N 次采样相加后除以 N。它能把随机噪声均摊掉，平滑效果不错，代价是有明显延迟。比如采样频率 100Hz、N=10，输出频率就变成了 10Hz，滞后会被放大。

滑动窗口平均滤波是算术平均的改进版，也叫移动平均。它维护一个固定长度的缓冲区，每来一个新数据就移除最旧的数据，计算窗口内所有数据的平均值。这样做的好处是每次都只用新增数据做一次加减法，实时性好，输出频率和采样频率一致。

#define FILTER_WINDOW_SIZE 8 float window_buf[FILTER_WINDOW_SIZE] = {0}; uint8_t window_index = 0; float window_sum = 0.0f; float sliding_window_filter(float new_value) { window_sum -= window_buf[window_index]; window_sum += new_value; window_buf[window_index] = new_value; window_index = (window_index + 1) % FILTER_WINDOW_SIZE; return window_sum / FILTER_WINDOW_SIZE; }

一阶低通滤波，公式是 y[n] = alpha * x[n] + (1 - alpha) * y[n-1]。它本质上是一个 RC 低通滤波器的离散实现，alpha 越小，滤波越平滑，但响应越慢。为什么有效？因为当前输出既包含当前采样值，也保留了一部分历史输出值，等于把信号做了积分，高频突变被平滑掉。

float low_pass_filter(float new_value, float filtered_last, float alpha) { return alpha * new_value + (1.0f - alpha) * filtered_last; }

alpha 和截止频率的关系可以近似用下面的公式换算：alpha = 2 * pi * fc * dt / (1 + 2 * pi * fc * dt)，其中 fc 是截止频率，dt 是采样周期。比如采样周期 5ms、截止频率 20Hz，alpha 约等于 0.386。这个换算在 simulink 一阶滤波模块、RC 滤波电路截止频率计算里都能对应上，离散化思路是一致的。

2.2 姿态解算为什么需要额外处理

上面这些滤波都是针对单条数据轴做的。但 MPU6050 最常用的场景是姿态解算，也就是算倾斜角或翻滚角。角度可以由两个途径获得：把陀螺仪角速度对时间积分；或者由加速度计通过反正切算出来。二者都有致命缺陷：

• 陀螺仪积分得到角度，短期稳定、响应快，但积分会累积零漂误差，时间一长就飘走；
• 加速度计求角度，长期稳定、不漂移，但振动环境下单点噪声大，姿态快速变化时还可能把运动加速度误当成重力加速度。

这时候需要的不是单纯的低通滤波器，而是把两个传感器融合起来。比较常见的是互补滤波。基本思路是：陀螺仪短期的角度较可靠，用高通滤波保留；加速度计长期的角度较可靠，用低通滤波保留；两个加起来就是完整角度。实际代码里通常简化成下面这种形式：

float dt = 0.005f; // 采样周期 5ms float alpha = 0.98f; // 互补系数，决定相信陀螺仪还是加速度计的权重 // 陀螺仪积分得到角度 gyro_angle += gyro_rate_dps * dt; // 加速度计计算角度 acc_angle = atan2f(acc_y, acc_z) * 180.0f / M_PI; // 互补融合 fusion_angle = alpha * (fusion_angle + gyro_rate_dps * dt) + (1.0f - alpha) * acc_angle;

alpha 取 0.98 代表 98% 相信陀螺仪的短期积分趋势、2% 相信加速度计的长期修正，适用于一般的平衡车、两轮自平衡机器人。如果你要做云台这类动态动作比较快但又必须保持最终不漂移的系统，alpha 通常取 0.95 到 0.98 之间调。

如果你手头寄存器算不过来的项目，也可以直接用 MPU6050 自带的 DMP 库。DMP 的意思是数字运动处理器，它内部已经实现了姿态解算和融合，输出四元数、欧拉角，STM32 只需要通过 I2C 读取结果就行。它省事，但也有几个问题：算法是固件库，不好定制；DMP 输出的数据也会受上游加速度计噪声影响；低层代码库维护比较老，移植到新平台有时会踩坑。所以我不建议一上来就全部依赖 DMP，还是要理解最基础的滤波逻辑。

2.3 到底选哪种组合

综合来说，我给读者的首选组合是：

• 先用限幅滤波或中位值滤波处理偶发跳变；
• 再用滑动窗口平均滤波或者一阶低通滤波平滑高频噪声；
• 最后在需要姿态角的地方做互补滤波或四元数解算。

这个组合在绝大多数 STM32 项目里够了，代码量小、实时性好、调试方便。卡尔曼滤波虽然经常被提及，但它的优势主要体现在线性高斯模型下的最优估计，而且需要建模和调协方差矩阵，MPU6050 的应用场景里互补滤波在工程上更容易达到同样效果，所以通常先做互补，感觉不够用再上卡尔曼。

这张表只是一个参考。实际项目中滤波的好坏往往不取决于算法本身多么高级，而是你采样周期、系数、量程是否匹配你的系统。

3. 实操：在 STM32 上跑通滤波并调参

3.1 硬件与工程准备

我在实际调试中用的是 STM32F103C8T6 + MPU6050 模块，I2C1 接口，PB6 接 SCL、PB7 接 SDA，供电 3.3V。模块的 AD0 引脚接 GND，所以 I2C 地址是 0x68，左移一位后就是 0xD0。工程是 HAL 库的，直接使用模拟 IIC 也可以，下面的滤波代码和 I2C 底层实现无关。

MPU6050 初始化时需要配几个关键寄存器：

uint8_t temp; // 唤醒芯片，退出休眠模式 temp = 0x00; HAL_I2C_Mem_Write(&hi2c1, MPU6050_ADDR, 0x6B, I2C_MEMADD_SIZE_8BIT, &temp, 1, 10); // 配置陀螺仪量程为 ±2000dps temp = 0x18; HAL_I2C_Mem_Write(&hi2c1, MPU6050_ADDR, 0x1B, I2C_MEMADD_SIZE_8BIT, &temp, 1, 10); // 配置加速度计量程为 ±16g temp = 0x18; HAL_I2C_Mem_Write(&hi2c1, MPU6050_ADDR, 0x1C, I2C_MEMADD_SIZE_8BIT, &temp, 1, 10); // 采样率分频，设置内部采样率约 200Hz temp = 0x04; HAL_I2C_Mem_Write(&hi2c1, MPU6050_ADDR, 0x19, I2C_MEMADD_SIZE_8BIT, &temp, 1, 10);

配置时要注意量程寄存器里的位：0x1B 寄存器第 4、3 位控制陀螺仪量程，0b11 对应 ±2000dps，所以写 0x18。0x1C 寄存器同理，加速度计量程 ±16g，也是 0x18。如果选了 ±2g，加速度计满量程只是 ±2g，对应 LSB 灵敏度是 16384 LSB/g，而 ±16g 对应 2048 LSB/g，数值差异很大，代码里换算公式必须和寄存器配置一致，否则角度全错。

读取加速度计和陀螺仪原始数据的代码：

int16_t accel_x_raw, accel_y_raw, accel_z_raw; int16_t gyro_x_raw, gyro_y_raw, gyro_z_raw; uint8_t buf[14]; // 从 0x3B 开始连续读取 14 个字节，包含加速度计、温度、陀螺仪 HAL_I2C_Mem_Read(&hi2c1, MPU6050_ADDR, 0x3B, I2C_MEMADD_SIZE_8BIT, buf, 14, 10); accel_x_raw = (int16_t)((buf[0] << 8) | buf[1]); accel_y_raw = (int16_t)((buf[2] << 8) | buf[3]); accel_z_raw = (int16_t)((buf[4] << 8) | buf[5]); gyro_x_raw = (int16_t)((buf[8] << 8) | buf[9]); gyro_y_raw = (int16_t)((buf[10] << 8) | buf[11]); gyro_z_raw = (int16_t)((buf[12] << 8) | buf[13]);

注意滤波代码是在 int16_t 原始值上做，还是换算成物理单位之后做？我的经验是：如果只是简单平滑且所有通道量程一致，用原始值滤波没问题；但如果要融合陀螺仪和加速度计、或者不同量程之间比较，就必须先换算成统一的物理单位再滤波，否则量纲不一致会导致系数混乱。

加速度计与陀螺仪的换算常数：

float acc_resolution = 16.0f / 32768.0f; // ±16g 时每个 LSB 对应的 g 值 float gyro_resolution = 2000.0f / 32768.0f; // ±2000dps 时每个 LSB 对应的角速度值 float acc_x_g = accel_x_raw * acc_resolution; float gyro_x_dps = gyro_x_raw * gyro_resolution;

3.2 核心滤波链路的完整代码

下面是一段我在工程里使用的主循环滤波代码，包含限幅、滑动窗口和一阶低通。整体思路是先用限幅剔除偶发跳变，然后用滑动窗口平均平滑高频噪声，最后再算物理量。

#define MAX_DELTA_LIMIT 500 #define WINDOW_SIZE 8 static int16_t last_raw = 0; static float acc_buf[WINDOW_SIZE] = {0}; static uint8_t acc_buf_idx = 0; static float acc_buf_sum = 0.0f; int main(void) { // 初始化部分省略 while (1) { // 读取加速度计原始值，以 X 轴为例 int16_t acc_x_raw = read_mpu6050_accel_x(); // 第一步：限幅滤波 int16_t limited_value; if (abs(acc_x_raw - last_raw) > MAX_DELTA_LIMIT) { limited_value = last_raw; } else { limited_value = acc_x_raw; } last_raw = limited_value; // 第二步：滑动窗口平均滤波 acc_buf_sum -= acc_buf[acc_buf_idx]; acc_buf_sum += (float)limited_value; acc_buf[acc_buf_idx] = (float)limited_value; acc_buf_idx = (acc_buf_idx + 1) % WINDOW_SIZE; float acc_x_filtered_lsb = acc_buf_sum / WINDOW_SIZE; // 第三步：换算为物理单位 float acc_x_g = acc_x_filtered_lsb * (16.0f / 32768.0f); // 继续处理其他轴... HAL_Delay(5); } }

这段代码在滤波部分最大的好处是顺序清晰，每个轴可以共用一个结构体包装，方便复用。实际工程里不会为每个轴单开全局变量，一般写成结构体。

typedef struct { float buf[WINDOW_SIZE]; uint8_t idx; float sum; int16_t last_value; } axis_filter_t; float axis_filter_step(axis_filter_t *filter_inst, int16_t raw_value, int16_t max_delta) { // 限幅 int16_t limited = raw_value; if ((raw_value - filter_inst->last_value) > max_delta || (filter_inst->last_value - raw_value) > max_delta) { limited = filter_inst->last_value; } filter_inst->last_value = limited; // 滑动窗口 filter_inst->sum -= filter_inst->buf[filter_inst->idx]; filter_inst->sum += (float)limited; filter_inst->buf[filter_inst->idx] = (float)limited; filter_inst->idx = (filter_inst->idx + 1) % WINDOW_SIZE; return filter_inst->sum / WINDOW_SIZE; }

这个结构体版本是我在实际工程中用的比较顺手的写法。把滤波器的内部状态和操作封装起来，后续扩展一阶低通也只需要加一个成员变量。

3.3 一阶低通滤波与截止频率的权衡

滑动窗口平均滤波虽然使用简单，但它本质上是一个 FIR 滤波器，窗口长度决定了滤波强度，也会带来一个固定的群延迟。如果窗口取 8，数据输出滞后大约 4 个采样周期；在 200Hz 采样下就是 20ms 延迟，对于平衡车这类系统勉强可以，对于快速响应云台就偏大了。这时候换成一阶低通会更灵活，因为只要改变 alpha 就能在平滑和滞后之间权衡。

一阶低通实现代码：

typedef struct { float alpha; float filtered_value; } low_pass_1st_t; float low_pass_1st_process(low_pass_1st_t *lp, float raw_value) { lp->filtered_value = lp->alpha * raw_value + (1.0f - lp->alpha) * lp->filtered_value; return lp->filtered_value; }

alpha 的计算建议根据采样周期来定，而不是随手填 0.1 或 0.9。比如你要滤掉 50Hz 以上的振动，让 5Hz 以下的姿态信号尽量保留，采样周期 dt=5ms，那截止频率可以考虑 20Hz，算出来的 alpha 约为 0.386：

float alpha = 2 * M_PI * 20.0f * 0.005f / (1 + 2 * M_PI * 20.0f * 0.005f);

当然这只是理论值，实际调试时还要根据波形微调。我调试时通常先用串口绘图器观察滤波前后的波形，保持 alpha 偏小（平滑多一点），观察动作响应是否太慢；如果太慢再逐步加大 alpha。一个常见误区是 alpha 太小导致波形好看但动作响应严重滞后，结果系统一加速就乱套。记住一个原则：滤波参数的最终目标是让系统的闭环控制稳，不是让显示器上的曲线好看。

3.4 姿态角融合与滤波的关系

处理完加速度计和陀螺仪的原始噪声之后，下一步就是姿态角融合。前面提到互补滤波公式，这里给出结合滤波后的更完整代码：

#define SAMPLE_DT 0.005f #define MPU6050_ACCEL_SCALE (16.0f / 32768.0f) #define MPU6050_GYRO_SCALE (2000.0f / 32768.0f) static float pitch = 0.0f; // 绕 Y 轴角度 static float roll_angle = 0.0f; // 绕 X 轴角度 void imu_update(int16_t ax_raw, int16_t ay_raw, int16_t az_raw, int16_t gx_raw, int16_t gy_raw, int16_t gz_raw) { // 原始值先做滑动窗口滤波，得到 acc_x_lsb、acc_y_lsb、acc_z_lsb、 // gyro_x_lsb、gyro_y_lsb、gyro_z_lsb，这里省略处理过程 float ax_g = acc_x_lsb * MPU6050_ACCEL_SCALE; float ay_g = acc_y_lsb * MPU6050_ACCEL_SCALE; float az_g = acc_z_lsb * MPU6050_ACCEL_SCALE; float gyro_x_rad = gyro_y_lsb * MPU6050_GYRO_SCALE * 0.01745329f; float gyro_y_rad = gyro_x_lsb * MPU6050_GYRO_SCALE * 0.01745329f; // 加速度计计算俯仰角和横滚角 float accel_pitch = atan2f(-ax_g, sqrtf(ay_g * ay_g + az_g * az_g)) * 57.29578f; float accel_roll = atan2f(ay_g, az_g) * 57.29578f; // 互补滤波 pitch = 0.98f * (pitch + gyro_y_rad * SAMPLE_DT * 57.29578f) + 0.02f * accel_pitch; roll_angle = 0.98f * (roll_angle + gyro_x_rad * SAMPLE_DT * 57.29578f) + 0.02f * accel_roll; }

注意这里容易出现一个问题：加速度计算角度时，如果整机有加速度（比如小车突然加速），加速度计的重力方向判断会失真。解决办法是在运动剧烈时降低加速度计的修正权重，或者引入速度估计来判断运动状态；但在多数入门项目里，0.98 和 0.02 的固定互补系数已经够用。

3.5 实际调试方法与效果观察

调试滤波效果最直观的方式是串口打印滤波前后的数据，然后使用串口绘图工具观察波形。我当时用的是匿名上位机和 VOFA+，后者支持数据波形实时显示，设置起来也比较简单。观察方法：

• 将 MPU6050 放在桌面静止，看滤波前后的波形毛刺是否明显减少；
• 用手快速翻转模块，看输出角度能否快速跟随真实姿态，有没有明显的滞后；
• 将模块装到电机驱动的结构上，重复上述两步，确认电机振动被有效抑制。

以我实际测试的一组数据为例：静止状态下，未经滤波的加速度计 X 轴角度在 -0.5 到 0.8 度之间波动，经过窗口长度为 8 的滑动窗口平均后，角度波动范围缩窄到 -0.2 到 0.3 度，效果明显。翻转测试时，输出角度能够在大约 100ms 内跟上动作，并没有出现肉眼可见的延迟，这说明窗口长度 8 在 200Hz 采样下对这个应用来说是可接受的。

4. 常见问题与排查技巧实录

4.1 数据总是飘，清零之后还飘

如果你是静止放置但陀螺仪积分后角度一直缓慢变化，最可能的原因是陀螺仪零偏没有校准。每颗 MPU6050 芯片的零偏都不完全一样，不能只看数据手册标称值。解决办法是在系统上电后让模块保持静止一段时间，比如 100 到 200ms，累加陀螺仪读数取平均，得到一个零偏估计值，之后在每次读取时减去这个零偏。

下面是一段常用的零偏校准逻辑：

#define CALIBRATION_SAMPLES 100 int32_t gyro_offset_sum = 0; int16_t gyro_offset = 0; void calibrate_gyro_zero(void) { gyro_offset_sum = 0; for (int i = 0; i < CALIBRATION_SAMPLES; i++) { gyro_offset_sum += read_mpu6050_gyro_z(); // 对每个轴都做一次 HAL_Delay(1); } gyro_offset = gyro_offset_sum / CALIBRATION_SAMPLES; }

使用时做一次减法：

int16_t gyro_z_corrected = read_mpu6050_gyro_z() - gyro_offset;

这种校准是在启动时读取多次平均，和滤波是两个层面的事情：滤波处理的是随机噪声，校准处理的是确定性偏移。两者配合才能让积分不漂。实际经验是，只要陀螺仪零偏校准能控制在 1 到 2 个 LSB 以内，静止半分钟的角度漂移可以控制在 1 度以内。

4.2 融合角度运动一段时间后慢慢偏，然后又跳回来

这种情况通常是互补滤波系数 alpha 设置的问题。alpha 太接近 1，比如 0.999，代表几乎完全信任陀螺仪，加速度计修正作用微弱，长期累计漂移没有被拉回来；alpha 太小，比如 0.9，代表很信任加速度计，动态振动时角度会受加速度干扰而抖动。

我遇到过的两次典型情况：

• 平衡车速度较快、车体持续倾斜保持前进时，加速度计输出会混入运动加速度。此时互补滤波会把运动加速度当成重力方向的一部分，导致角度估计偏低，系统为了平衡会给电机加更大的力，出现车体越跑越快然后摔倒。解决方案是把互补系数调高，同时降低控制系统对加速度计的依赖，必要时引入编码器数据对速度做融合。
• 云台俯仰轴在静止时角度显示一直缓慢漂移。因为云台电机转动时振动很大，导致加速度计数据噪声偏高，而 alpha 取 0.98 时加速度计修正力度不足。解决办法是模拟云台工作时的振动环境，调大加速度计的修正权重到 0.05 甚至更高，在动态噪声和漂移之间找平衡点。

这里想分享一个判断技巧：如果融合角度在小幅度高频抖动，说明加速度计权重过大；如果长时间慢漂移不回来，说明陀螺仪权重过大。两组现象对应往相反方向调整系数。

4.3 I2C 读取偶发出错，原始值突然跳为 0

这个坑很容易被误判成噪声大。如果滤波后波形仍然出现尖刺，可能不是滤波的问题，而是 I2C 读取遇到 NACK 或总线错误，导致寄存器读取返回错误数据。检查方法是在读取函数里做返回状态判断，一旦 HAL_I2C_Mem_Read 返回 HAL_ERROR 就丢弃本次数据，或者做一次重试。

另外还要注意 MPU6050 和 STM32 之间通信速度是否过快。MPU6050 的 I2C 接口最大支持 400kHz，STM32 的 I2C 外设默认模式下可能跑在 100kHz 到 400kHz 之间。如果你把 I2C 时钟配到 1MHz，数据读取成功率会明显下降。把时钟设为 400kHz 以下，再配合重试机制，数据可靠性会稳定很多。

4.4 常见现象、原因与解决速查表

4.5 我实际优化滤波效果的心得

在多个项目里反复调滤波之后，我最大的体会是：滤波不是越多越好，而是越精准越好。很多人看到噪声就叠加三重滤波，结果系统响应迟钝、带宽下降，反而更难控制。一般建议保持在两级以内：一级用来剔除异常值，一级用来平滑高频噪声。如果这个组合还不行，优先检查硬件电路和采样频率，而不是引入更复杂的算法。

另一个比较有价值的经验是“滤波应该分层”：使用滤波处理原始传感数据，使用互补或卡尔曼处理角度估计，但到了控制部分一般不要再做过多深度平滑，因为控制回路的延迟越短越好。我见过有人在 PID 反馈环节里又加了一个 0.1 的滑动窗口，结果整个环路变得迟钝，系统轻微的扰动反射不到输出，小车走起来摇摇晃晃。滤波放的位置往往比滤波算法本身更重要。

最后再补充一个实际使用中的技巧：在调参阶段，可以先把滤波前的原始数据和滤波后的数据同时通过串口打印出来，保存成 CSV 文件导入到表格软件里对比分析。这种离线分析方式比只看实时曲线更精确，能帮你判断噪声的频段分布，也能直观看到滤波带来的群延迟到底有多少。把所有轴的滤波参数统一放进单独的头文件里做宏定义，是让调参过程更省心的小技巧。

到这里，从原始数据噪声分析到滑动窗口平均、一阶低通、互补滤波融合，再到常见问题的排查，基本覆盖了 stm32_mpu6050 数据滤波中最容易绕弯子的地方。如果看到这里你准备上手，建议先把章节 3.2 里的结构体版本滤波代码跑通，再对照章节 4 的排查表去观察自己的数据。这个过程走通了，再去研究 kalman 或者更复杂的状态估计就不难了。