求水下机器人Depth与Temperature传感器信号延迟的量化方法

针对你用水下机器人采集的深度-时间、温度-时间同步序列，要量化温度传感器的信号延迟，这里提供两种实操性强的方法：

方法1：线性段起始点匹配 #

机器人平稳运动时，深度和温度理论上都会进入线性变化阶段，两者的线性起始时间差就是延迟：

• 步骤：
  1. 加载CSV数据，提取时间、深度、温度列。
  2. 对深度数据，找到进入线性趋势的时间点t_depth（你观察到的约4秒）；对温度数据找到对应的t_temp（约20秒）。
  3. 延迟值 = t_temp - t_depth。
• 代码实现（Python + scikit-learn）：

import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression

# 加载数据（替换为你的CSV文件名）
df = pd.read_csv('sensor_data.csv')
time = df['Time'].values
depth = df['Depth'].values
temp = df['Temperature'].values

# 自动识别线性阶段起始点的函数
def get_linear_start_time(time_series, signal, threshold=0.05, window=5):
    min_residual = float('inf')
    start_idx = 0
    for i in range(len(time_series) - window):
        # 滑动窗口拟合线性模型
        X = time_series[i:i+window].reshape(-1, 1)
        y = signal[i:i+window]
        model = LinearRegression().fit(X, y)
        pred = model.predict(X)
        residual = np.mean((y - pred)**2)
        # 当残差骤降并稳定时，记录起始点
        if residual < min_residual * (1 - threshold):
            min_residual = residual
            start_idx = i
    return time_series[start_idx]

depth_start = get_linear_start_time(time, depth)
temp_start = get_linear_start_time(time, temp)
delay = temp_start - depth_start
print(f"温度传感器延迟：{delay:.2f}秒")

方法2：互相关分析（更鲁棒） #

互相关函数的峰值位置直接对应两个信号的时间偏移，适合噪声较多的场景：

• 步骤：
  1. 对信号做轻量平滑（可选，根据噪声情况调整）。
  2. 计算深度与温度信号的互相关，找到峰值对应的滞后量，再乘以采样间隔得到时间延迟。
• 代码实现（Python + scipy）：

import scipy.signal as signal

# 滑动窗口平滑信号
def smooth(signal_arr, window_size=3):
    return np.convolve(signal_arr, np.ones(window_size)/window_size, mode='same')

# 预处理信号
smoothed_depth = smooth(depth)
smoothed_temp = smooth(temp)

# 计算互相关和滞后序列
correlation = signal.correlate(smoothed_temp, smoothed_depth, mode='full')
lags = signal.correlation_lags(len(smoothed_temp), len(smoothed_depth), mode='full')

# 找到峰值对应的延迟
peak_index = np.argmax(correlation)
sample_interval = time[1] - time[0]
delay = lags[peak_index] * sample_interval
print(f"温度传感器延迟：{delay:.2f}秒")

关键注意点 #

• 确保两组数据采样率一致，如果不一致，先用pandas.resample重采样到同一时间轴。
• 平滑窗口大小不要过大，避免抹平信号的变化趋势。
• 可以结合两种方法的结果取平均，提升延迟计算的准确性。

内容的提问来源于stack exchange，提问作者Rushabh