对于嵌入式新手而言，控制算法和滤波算法是核心基础能力，直接关系到硬件系统的稳定性、精度和可靠性。以下从控制算法和滤波算法两大方向，整理必须掌握的核心内容，结合原理、适用场景和实现要点展开说明。

一、必须掌握的控制算法

控制算法是嵌入式系统中 “决策执行” 的核心，用于根据输入信号（如传感器数据、设定目标）驱动执行器（如电机、舵机、阀门）实现预期功能。新手需从基础线性控制入手，逐步理解反馈机制和参数调优逻辑。

1. PID 控制算法（比例 - 积分 - 微分控制）

地位：嵌入式领域应用最广泛的控制算法，没有之一，是新手入门控制的 “第一块基石”。
原理：通过比例（P）、积分（I）、微分（D）三个环节的组合，根据 “目标值与实际值的偏差” 动态调整输出，实现系统稳定控制。

• 比例环节（P）

  输出与当前偏差成正比（P_out = Kp × e(t)），快速响应偏差，但单独使用会有稳态误差（如电机调速时无法精准达到目标转速）。

• 积分环节（I）

  输出与偏差的累积值成正比（I_out = Ki × ∫e(t)dt），消除稳态误差（如温度控制中，通过积分 “记住” 过去的偏差，逐步修正）。

• 微分环节（D）

  输出与偏差的变化率成正比（D_out = Kd × de(t)/dt），抑制系统超调和震荡（如电机启停时，通过预判偏差变化趋势，提前减速避免冲过头）。

核心公式：
总输出 u(t) = Kp×e(t) + Ki×∫e(t)dt + Kd×de(t)/dt（离散化后适合嵌入式实现）。

适用场景：

• 电机转速 / 位置控制（如无人机电机、机器人底盘）；

• 温度、压力等过程控制（如恒温箱、热水器）；

• 舵机角度控制、阀门开度调节等。

实现要点：

• 必须离散化：嵌入式系统是离散时间运行，需将积分用 “累加和”、微分用 “差分” 近似（如 ∫e(t)dt ≈ Σe(k)×Δt，de/dt ≈ [e(k)-e(k-1)]/Δt）；

• 参数调优：新手可先用 “试凑法”（先调 P，再调 I，最后调 D），目标是 “无超调、快速收敛、无稳态误差”；

• 抗积分饱和：当执行器达到最大输出时（如电机满速），积分累积可能导致 “过冲”，需限制积分项最大值。

  2. 开关控制算法（On-Off 控制）

  地位：最简单的反馈控制，是理解 “闭环控制” 的入门案例。
  原理：根据实际值与目标值的偏差 “非黑即白” 地切换输出（要么全开，要么全关）。

   

  • 例如：冰箱温控中，当温度高于目标值时压缩机启动（On），低于目标值时压缩机关闭（Off）；

  • 核心逻辑：if (实际值 > 目标值 + 阈值) → 输出关闭；else if (实际值 < 目标值 - 阈值) → 输出开启。

   

  适用场景：对精度要求不高、响应速度慢的场景，如家用空调、简易加热设备。

   

  优缺点：

   

  • 优点：实现简单（仅需条件判断），资源消耗极低；

  • 缺点：存在周期性震荡（如温度在目标值附近波动），精度低。

  3. 状态机控制（有限状态机，FSM）

  地位：嵌入式系统中处理多场景逻辑的核心工具，尤其适合流程化控制。
  原理：将系统行为抽象为 “状态”（如待机、运行、故障），通过 “事件”（如按键触发、传感器信号）实现状态间的切换，每个状态对应明确的执行逻辑。

   

  核心要素：

   

  • 状态（State）：系统当前的工作模式（如 “初始化”“正常运行”“报警”）；

  • 事件（Event）：触发状态切换的输入（如 “启动指令”“超时信号”“故障检测”）；

  • 转移（Transition）：事件发生时从当前状态到下一状态的规则；

  • 动作（Action）：进入 / 退出状态时执行的操作（如启动传感器、关闭电机）。

   

  适用场景：

   

  • 设备流程控制（如洗衣机的 “注水→洗涤→排水→脱水” 流程）；

  • 故障处理逻辑（如传感器异常时从 “运行” 切换到 “报警” 并执行保护动作）；

  • 人机交互逻辑（如按键长按 / 短按对应不同功能切换）。

   

  实现要点：

   

  • 用枚举定义状态，用 switch-case 或状态转移表实现逻辑（推荐状态转移表，更清晰）；

  • 避免状态冗余，确保每个状态的职责单一；

  • 处理 “异常事件”（如未定义的事件需默认处理，避免系统卡死）。

  4. 开环控制算法

  地位：无反馈的基础控制方式，是理解 “控制逻辑” 的起点。
  原理：根据预设规则直接输出控制量，不依赖传感器反馈（即 “输入→输出” 无闭环修正）。

   

  • 例如：按固定占空比驱动 LED 闪烁（无需检测亮度，直接定时切换）；

  • 核心逻辑：输出 = 预设函数(输入)（如电机转速直接按电压固定比例输出）。

   

  适用场景：

   

  • 简单场景（如 LED 控制、蜂鸣器报警）；

  • 对精度要求极低，或无法获取反馈的场景。

   

  局限性：抗干扰能力差（如电源波动会直接影响输出），无法修正误差，仅作为复杂控制的基础补充。

  二、必须掌握的滤波算法

  嵌入式系统中，传感器数据（如温度、加速度、距离）往往受噪声干扰（如电路噪声、环境干扰、传感器本身误差），滤波算法用于 “去伪存真”，提取有效信号。新手需掌握实现简单、效果稳定的基础滤波方法。

  1. 移动平均滤波（滑动平均滤波）

  地位：最基础、应用最广的平滑滤波，新手入门滤波的首选。
  原理：维护一个固定长度的 “数据窗口”，每次新数据到来时，丢弃窗口中最旧的数据，计算窗口内所有数据的平均值作为输出，平滑随机噪声。

   

  • 例如：用 5 次温度采样的平均值代替当前值，消除偶然波动。

   

  实现步骤：

   

  1. 定义数组存储最近 N 个数据（窗口大小 N，N 越大平滑效果越好，但响应越慢）；

  2. 新数据到来时，覆盖最旧数据（或按队列先进先出）；

  3. 计算数组所有元素的平均值，作为滤波后的值。

   

  适用场景：

   

  • 传感器数据含随机噪声（如温湿度传感器、光照传感器）；

  • 对实时性要求不高，允许轻微延迟的场景（N=3~10 即可）。

   

  优缺点：

   

  • 优点：实现简单（仅需数组和累加计算），资源消耗低；

  • 缺点：对突变信号（如突然的温度跳变）响应慢，窗口大小 N 需根据噪声特性调整。

  2. 中值滤波

  地位：对付 “脉冲噪声”（突发异常值）的利器，补充移动平均的不足。
  原理：对窗口内的 N 个数据排序，取中间值作为输出，可有效剔除极端异常值（如传感器偶尔跳变到最大值 / 最小值）。

   

  • 例如：超声波测距时偶尔出现的 “飞点”（突然显示 10 米，实际仅 2 米），中值滤波可直接忽略。

   

  实现步骤：

   

  1. 存储最近 N 个数据（N 为奇数，方便取中间值）；

  2. 对数据排序（升序或降序）；

  3. 取第(N+1)/2个值作为滤波结果。

   

  适用场景：

   

  • 含脉冲噪声的传感器（如超声波测距、红外避障）；

  • 数据偶尔跳变但大部分正常的场景。

   

  优缺点：

   

  • 优点：有效剔除异常值，实现简单（排序可简化为冒泡）；

  • 缺点：对快速变化的信号响应较慢，窗口 N 过大会增加计算量。

  3. 指数移动平均滤波（EMA）

  地位：兼顾实时性和平滑效果的轻量化滤波，适合资源受限的嵌入式系统。
  原理：对当前采样值和上一次滤波结果进行加权平均，新数据权重更高，旧数据权重随时间指数衰减（无需存储历史窗口，节省内存）。

   

  • 核心公式：Y(k) = α×X(k) + (1-α)×Y(k-1)，其中 α 为平滑系数（0<α<1，α 越大实时性越好，平滑越弱；α 越小平滑越强，响应越慢）。

   

  适用场景：

   

  • 内存有限的小型嵌入式系统（如 8 位 MCU）；

  • 需快速响应且噪声不大的场景（如加速度计、心率传感器）。

   

  实现要点：

   

  • α 值调试：根据噪声大小调整，例如噪声大时取 α=0.2，噪声小时取 α=0.5；

  • 初始值处理：首次滤波时 Y (0) 可直接等于 X (0)，避免初始偏差。

  4. 限幅滤波（防脉冲干扰滤波）

  地位：最简单的异常值过滤方法，常与其他滤波结合使用。
  原理：设定相邻两次数据的最大允许变化量（阈值），若当前数据与上一次滤波结果的差值超过阈值，则认为是异常值，用上次结果替代。

   

  • 核心逻辑：if |X(k) - Y(k-1)| > Δ → Y(k)=Y(k-1)；else Y(k)=X(k)，其中 Δ 为阈值（根据传感器特性设定）。

   

  适用场景：

   

  • 数据变化缓慢的传感器（如温度、湿度）；

  • 作为前置滤波，先剔除明显异常值，再配合移动平均或 EMA 使用。

   

  优缺点：

   

  • 优点：实现极简单（仅需差值判断），资源消耗几乎为 0；

  • 缺点：阈值 Δ 难设定（过小会过滤有效变化，过大则无效），对连续噪声无效。

  5. 卡尔曼滤波（简化版）

  地位：进阶滤波算法，适合含高斯噪声的动态系统，新手需理解核心思想。
  原理：基于 “预测 - 更新” 迭代过程，通过建立系统数学模型，结合传感器测量值和预测值，最小化估计误差（适用于噪声符合高斯分布的场景）。

  • 核心步骤：

    1. 预测：根据上一时刻状态和系统模型，预测当前状态；

    2. 更新：用当前传感器测量值修正预测值，得到最优估计。

   

  简化应用：新手无需深入推导数学公式，可直接使用离散化的一阶卡尔曼滤波（如针对温度、速度等单变量信号），核心参数为 “过程噪声方差” 和 “测量噪声方差”（可通过实验调试）。

  适用场景：

  • 动态系统（如机器人定位、无人机姿态估计）；

  • 传感器噪声稳定且可建模的场景（如加速度计、陀螺仪数据融合）。

   

  学习建议：先掌握基础滤波，再通过开源代码（如 Arduino 的 Kalman 库）理解实现逻辑，重点理解 “噪声建模” 对滤波效果的影响。

  三、新手学习路径与建议

  1. 控制算法学习顺序：
     先掌握 开关控制 和 开环控制 理解基础逻辑 → 深入学习 PID 控制（重点练习参数调优，用实际硬件如电机调试）→ 掌握 状态机（用代码实现多场景流程控制，如 “启动 - 运行 - 停止 - 故障” 逻辑）。

  2. 滤波算法学习顺序：
     从 移动平均滤波 和 限幅滤波 入门（用温度传感器实测效果）→ 掌握 中值滤波 处理异常值 → 学习 指数移动平均 优化实时性 → 最后了解 卡尔曼滤波 核心思想（作为进阶目标）。

  3. 实践建议：

     • 用低成本硬件验证（如 STM32 或 Arduino + 电机 / 舵机 + 传感器），通过示波器观察控制效果和滤波前后的数据差异；

     • 记录参数调试过程（如 PID 的 Kp/Ki/Kd 变化对电机转速的影响），建立 “参数与效果” 的直观认知；

     • 结合开源项目（如 GitHub 上的电机控制例程、传感器滤波代码），分析他人实现逻辑。

  总结

  嵌入式新手需优先掌握 PID 控制（核心控制工具）、状态机（逻辑流程管理），以及 移动平均滤波、中值滤波（基础数据处理）。这些算法覆盖了 80% 以上的嵌入式场景，且原理清晰、实现简单，是深入复杂系统（如多传感器融合、智能控制）的基础。学习时务必结合硬件实践，从 “调参 - 观察效果” 中积累经验，避免仅停留在理论层面。