基于低成本 IMU 的车辆运动状态识别：从原始信号到动作分类的完整实践
一、背景与问题
在车辆行为分析场景中，我们经常需要判断"车辆当前在做什么动作"——是直线行驶、轻微方向修正，还是变道、转弯、掉头。
一个自然的思路是依赖 GPS 或 OBD 数据。但这两者各有局限：
- GPS：刷新率低（1~5Hz），低速和掉头场景航向不可靠，起步过程几乎无法刻画。
- OBD：能拿到车速，但"转向角度"往往读不到（需要接入 CAN 总线，很多车型不支持）。
而 IMU（惯性测量单元） 恰好能补上这块空白——它直接测量车辆的角速度和加速度，对转向类动作尤其敏感。本文讨论的就是：如何用一块几十元的六轴 IMU，稳定地识别车辆的转向类动作。
二、硬件与数据约定
本文以常见的六轴 IMU（如 MPU 系列）为例，核心输出两路原始数据：
- 三轴加速度（单位 g）
- 三轴角速度（单位 °/s）
关键的一点是：尽量保存原始计数（raw 值）而非换算后的浮点数。原因在于：
- 标定参数（量程、零偏）写进数据头后，任何一份历史数据都能自解释、可复算。
- 换量程、换标定时不影响既有数据。
同时，建议为每个采样点记录真实时间戳（微秒级）。采样节拍往往有抖动，只有真实时间戳才能保证后续积分计算的精度。
三、信号预处理
原始 IMU 信号叠加了大量噪声，直接分类会失败。预处理分三步：
1. 去零偏
传感器静止时，陀螺仪各轴输出并非恰好为零，存在一个缓慢漂移的零偏。取一段静止窗口（如开机静止阶段）的均值作为零偏估计，从信号中减去。
2. 滤波去毛刺
发动机振动、路面颠簸会引入中高频噪声。这里推荐滑动均值滤波而非一阶低通：
- 参数直观（"平均 N 个点"比"时间常数 τ"更好理解）；
- 对正负对称的毛刺抑制更干净（均值天然抵消）。
窗口大小是关键权衡：太小去不掉噪声，太大会把短促的轻动作也抹平。
3. 静稳检测（切段）
用角速度幅值判断"当前是否在稳定行驶"：当角速度持续低于某个小阈值一段时间，判定为"静稳段"。动作就发生在两个静稳段之间。
这一步的价值在于：把连续的数据流自动切成一个个独立的动作片段，后续只需对每个片段单独分类。它取代了依赖人工标注起止点的传统做法——静稳检测是客观的，不受人为反应时间影响。
四、动作分类：角度累计法
转向类动作的核心特征，是 航向角（yaw）的累计变化量。yaw 通过对陀螺仪绕垂直轴的角速度积分得到。
但直接积分有两个坑，需要处理：
坑 1：零偏漂移
陀螺零偏即使只残留很小（例如每秒零点零几度），长时间积分也会累积出可观的误差。对策是在积分前加入死区——角速度幅值低于死区的部分视为噪声，不参与累计。真动作的角速度通常远大于死区，因此不受影响。
坑 2：来回摆动 vs 单向累计
很多动作是"有去有回"的（例如变道：先打一个方向，再回正）。如果简单累加，去和回会相互抵消。对策是单向累计：只累计同一方向的角度，方向反转时重新开始。
基于累计角度的大小，可以对动作进行粗粒度分级：
| 级别 | 特征 |
|---|---|
| 大幅转向 | 累计角度最大 |
| 中等转向 | 累计角度居中 |
| 小幅横摆 | 累计角度较小 |
| 直线/静止 | 几乎无累计 |
（具体角度阈值属于业务标定参数，本文不展开，需根据实际车型与场景标定。）
五、一个容易被忽视的边界：快速小幅动作
实践中发现一个反直觉的现象：某些动作"动作很快、幅度却不大"，单靠累计角度会漏判。
以快速变道为例：它单次的航向变化可能只有十几度，与传统"变道"的累计角度阈值接近甚至更低，仅凭角度难以稳定识别。
但观察其瞬时特征会发现明显差异：
- 角速度峰值：快速动作的角速度峰值，远高于直线行驶时方向修正的角速度（可能差一个数量级）。
- 横向加速度峰值：快速横摆时，横向加速度有明显脉冲，而方向修正时几乎测不到。
因此，对于这类"快而小"的动作，需要在角度累计之外，补充角速度峰值 + 横向加速度峰值的联合判据。这提醒我们：单一特征往往不足以覆盖所有动作类型，需要多特征组合。
六、连续动作的切分
一段数据里可能包含多个连续的动作。例如"先向左变道，紧接着向右变道"，这是两个动作，而非一个。
区分的关键在于两次动作之间是否回到了"稳定状态"：
- 如果两次转向之间有明显的直线保持（角速度回到静稳区持续一段时间），则是两个独立动作。
- 如果两次转向之间几乎没有停顿（方向直接反转），则属于"连续动作"。
这个"直线保持时长"本身也是一个可标定的业务参数。
七、实践建议总结
回顾整个过程，几个可复用的经验：
- 保存原始值 + 真实时间戳，把换算和标定留到离线，保证数据可复算。
- 先静稳切段，再逐段分类，用客观的信号特征取代人工打点。
- 角度累计做单向化处理，避免"去回抵消"。
- 警惕"快而小"的动作，必要时用多特征联合判据。
- 阈值是标定出来的，不是拍脑袋定的——需要足量的实车样本逐步收敛。
八、延伸
本文的方法属于基于规则的信号分类，可解释性强、计算开销极低，非常适合嵌入式实时场景。
当样本量积累到一定规模后，也可以引入机器学习的思路：离线用历史样本辅助标定最优阈值或筛选有效特征，再将结论回填到实时规则中——即"离线训练、在线规则部署"的折中模式，兼顾准确性与实时性能。
本文仅讨论通用信号处理方法，不包含任何具体业务参数与实现细节。