这是个很典型的惯性传感器融合问题——加速度计的输出总是运动加速度+重力加速度的分量，倾斜时重力分量会掩盖真实的运动加速度，好在你有陀螺仪和磁力计，这三个传感器配合就能完美解决这个问题。下面是几个经过实践验证的可行方案，从易到难：

1. 基础姿态补偿法（适合慢运动/静态场景） #

如果你的设备运动不是特别剧烈（比如步行、缓慢移动），可以先通过加速度计+磁力计算出当前的姿态角，再把重力在机体坐标系的分量从加速度计读数中扣除：

步骤： #

• 计算姿态角：
  • 俯仰角（Pitch, θ）：θ = arcsin(-ax / g)，这里g直接用1g即可（你的加速度计输出以g为单位）
  • 横滚角（Roll, φ）：φ = arctan2(ay, az)
  • 航向角（Yaw, ψ）：用校准后的磁力计数据校正，公式为ψ = arctan2(m_y*cosφ - m_z*sinφ, m_x*cosθ + m_y*sinθ*sinφ + m_z*sinθ*cosφ)（m_x/m_y/m_z是磁力计三轴读数）
• 计算重力分量：
  重力在机体X/Y/Z轴的分量（以g为单位）：

  g_x = sinθ
  g_y = -sinφ * cosθ
  g_z = cosθ * cosφ
  

• 提取真实运动加速度：
  用原始加速度计读数减去对应轴的重力分量：

  a_real_x = ax - g_x
  a_real_y = ay - g_y
  a_real_z = az - g_z
  

注意：这个方法的局限性是，当设备快速运动时，加速度计读数里的运动加速度会干扰姿态角的计算，导致补偿不准，适合静态校准后短时间使用，或者运动缓慢的场景。

2. 互补滤波传感器融合（平衡精度与复杂度） #

互补滤波是性价比很高的方案，结合陀螺仪的短期精度和加速度计+磁力计的长期稳定性，能持续准确估算姿态，进而分离重力和运动加速度：

核心思路： #

• 陀螺仪：短时间内（几十毫秒）角速度积分的姿态很准，但会随时间漂移；
• 加速度计+磁力计：长时间姿态稳定，但运动时会被运动加速度干扰；
• 给两者加权融合，比如陀螺仪权重取0.98，加速度计+磁力计权重取0.02，既抑制陀螺仪漂移，又减少运动对姿态估算的影响。

实现步骤： #

1. 初始化姿态：用静止状态下的加速度计和磁力计数据计算初始欧拉角（和基础法公式一致）；
2. 陀螺仪更新姿态：将陀螺仪角速度转换成弧度每秒（rad/s），积分更新当前姿态角：θ_new = θ_prev + gyro_x * dt，φ_new = φ_prev + gyro_y * dt，ψ_new = ψ_prev + gyro_z * dt（dt是采样时间间隔）；
3. 加速度计+磁力计校正姿态：用当前传感器数据计算出“观测姿态角”，和陀螺仪更新的姿态角做加权融合：θ_final = 0.98*θ_new + 0.02*θ_observed，同理处理横滚角和航向角；
4. 分离运动加速度：用最终姿态角构建旋转矩阵，把机体坐标系的加速度计读数转换到世界坐标系，此时世界坐标系Z轴分量就是重力（1g），X/Y轴的读数就是真实的运动加速度；或者反过来，把世界坐标系的重力转换到机体坐标系，再从原始读数中扣除。

3. 扩展卡尔曼滤波（EKF，高精度场景） #

如果需要更高的精度（比如无人机、机器人导航），可以用扩展卡尔曼滤波做多传感器融合，它能更智能地处理传感器噪声和模型误差：

核心要点： #

• 状态向量：包含俯仰角、横滚角、航向角，以及对应的角速度、加速度等；
• 过程模型：基于陀螺仪的运动学方程，预测下一时刻的状态；
• 测量模型：基于加速度计和磁力计与姿态的关系，用测量值修正预测的状态；
• 通过预测-更新的循环，持续输出高精度的姿态估计，之后就可以像上面一样分离重力和运动加速度。

提示：EKF实现起来比互补滤波复杂，但有很多针对IMU（惯性测量单元）的开源代码可以参考，你只需要适配自己的传感器参数即可。

关键前置工作：传感器校准 #

不管用哪种方法，传感器校准都是必须的，否则姿态估算会有很大误差：

• 加速度计校准：把设备静置在6个不同方向（正面、反面、左侧、右侧、顶面、底面），记录每个方向的读数，计算零偏和增益，消除静态误差；
• 陀螺仪校准：静置设备一段时间，记录陀螺仪的输出，计算零偏，消除静止时的漂移；
• 磁力计校准：做“8字校准”，让设备在空间中画8字，记录磁力计读数，消除硬铁和软铁干扰，得到准确的地磁方向。

内容的提问来源于stack exchange，提问作者jumbojohn