如何用Python通过加速度计和陀螺仪传感器数据区分方形与圆形轨迹？

1. 数据预处理 #

• 传感器降噪：原始加速度计和陀螺仪数据存在高频噪声，用滑动窗口平均或一阶低通滤波（比如alpha = 0.8的指数加权滤波）平滑数据，减少噪声对后续计算的干扰。
• 异常值剔除：通过3σ原则过滤明显偏离正常范围的传感器数据点。

2. 姿态估计与轨迹重建 #

• 坐标系转换：融合陀螺仪（姿态角速度）和加速度计（重力方向）数据，用互补滤波或卡尔曼滤波计算设备实时姿态角（俯仰、滚转、偏航），将机体坐标系的传感器数据转换到世界坐标系（以初始位置为原点，XY平面为运动平面）。
• 加速度修正：从世界坐标系的加速度数据中剔除重力分量，只保留运动加速度。
• 轨迹计算：对运动加速度进行两次积分（先得速度，再得位置），生成轨迹的XY坐标序列。可通过零速修正（设备静止时重置速度）减少积分漂移。

3. 形状特征提取与分类 #

特征1：角点数量 #

• 对重建的XY轨迹点提取轮廓，用哈里斯角点检测算法识别角点。方形轨迹会有4个明显角点（允许少量误差），圆形轨迹几乎无角点。

特征2：曲率分布 #

• 计算轨迹上每个点的曲率：通过连续三个点P(i-1), P(i), P(i+1)构成的三角形内切圆半径的倒数近似。
• 圆形轨迹曲率基本恒定；方形轨迹在边的区域曲率接近0，角点处曲率会出现突变峰值。

特征3：拟合误差对比 #

• 分别用圆形和矩形模型拟合轨迹点：
  • 圆形拟合：用最小二乘法计算圆心和半径，统计所有点到圆心的距离与半径的偏差平方和。
  • 矩形拟合：先找轨迹外接矩形，调整位置和角度使点到矩形边的距离误差最小，统计总误差。
• 选择拟合误差更小的模型作为检测结果。

特征4：边长/直径一致性 #

• 方形：计算四条边的长度（角点间距离），统计长度方差，方差越小越接近标准方形。
• 圆形：随机选取多组对径点（过圆心），计算距离方差，方差越小越接近标准圆形。

4. 实际优化建议 #

• 限定运动平面：过滤Z轴运动分量，聚焦XY平面轨迹分析。
• 动态校准：在运动开始/结束的静止状态下校准传感器零点，降低长期漂移影响。

内容的提问来源于stack exchange，提问作者Rauf