1. 智能车为何需要软件抗干扰技术第一次参加智能车比赛时我对着电感传感器采集到的数据直发愣——屏幕上那些疯狂跳动的数值就像心电图发作完全看不出赛道位置信息。这就是典型的电磁干扰现场在实验室用杜邦线随便接的传感器到了布满电机、舵机和无线设备的赛场上信号质量直接崩盘。智能车的电磁环境复杂程度超乎想象电机碳刷火花产生的高频噪声、PWM调压导致的电源波动、2.4G无线通信的频道干扰甚至相邻赛道的车都会成为干扰源。传统硬件滤波虽然有效但会遇到几个致命问题成本敏感学生竞赛的硬件预算通常不超过2000元专业滤波芯片可能吃掉1/4经费空间限制标准车模的电路板面积比手机还小没位置摆放大量滤波电路参数固化硬件RC滤波的参数焊死就无法调整但不同赛场干扰特征差异巨大这时候软件滤波算法的价值就凸显出来了。通过STM32等MCU实时运行数字滤波程序我们获得了三大优势动态适应性根据环境噪声强度自动调整滤波强度比如检测到突然出现的高频干扰时增大滑动窗口尺寸多模式切换直道用算术平均滤波保证平滑性弯道切中值滤波保护突变信号零硬件成本仅消耗CPU运算资源而现代车规MCU的算力普遍过剩实测数据显示在同等干扰强度下软件滤波能使电感传感器的信噪比提升6-8dB相当于硬件LC滤波电路80%的效果。最重要的是当你们车队凌晨三点发现赛道干扰特征突变时改个参数重新烧录就能解决问题不用哭着焊电路板。2. 基础滤波算法原理与实战选型2.1 算术平均滤波电磁循迹的基石在华北某高校的智能车实验室里我见过最暴力的算术平均实现——对单个电感连续采样256次取平均。这种看似笨拙的方法却让他们的车在强电磁干扰赛场实现了最稳定的循迹性能。算术平均的数学本质是低通滤波其传递函数可表示为#define SAMPLE_SIZE 12 // 流量型信号典型值 uint16_t moving_average(uint16_t new_sample) { static uint16_t buffer[SAMPLE_SIZE]; static uint8_t index 0; static uint32_t sum 0; sum - buffer[index]; // 移除最旧样本 sum new_sample; // 加入最新样本 buffer[index] new_sample; // 更新缓冲区 index (index 1) % SAMPLE_SIZE; return (uint16_t)(sum / SAMPLE_SIZE); }关键参数选择有门道流量信号如编码器N8~16响应速度优先压力信号如轮胎压力N4~8平滑度优先电磁信号N12~20需配合动态调整策略某冠军车队分享的秘籍是根据车速动态调整N值。当检测到长直道时通过陀螺仪判断将N从12逐步提升至20增强抗干扰性入弯前则将N快速降至8以保证转向响应速度。这种策略使他们的车在高速直道和急弯中都能保持稳定。2.2 中值滤波摄像头图像的守护者当你的摄像头突然捕捉到下面这样的图像时图1就是中值滤波大显身手的时刻[假设此处有图像描述被噪声污染的赛道图像有随机白点和黑点]中值滤波的独特优势在于保护边缘的同时消除离群点这对基于边沿检测的赛道识别至关重要。其算法实现需要注意几个工程细节#define MEDIAN_WINDOW 5 // 奇数窗口效果最佳 uint8_t median_filter(uint8_t new_sample) { static uint8_t buffer[MEDIAN_WINDOW]; static uint8_t index 0; uint8_t temp[MEDIAN_WINDOW]; // 更新环形缓冲区 buffer[index] new_sample; index (index 1) % MEDIAN_WINDOW; // 复制数据并排序 memcpy(temp, buffer, MEDIAN_WINDOW); bubble_sort(temp, MEDIAN_WINDOW); // 实际工程应使用更高效排序 return temp[MEDIAN_WINDOW/2]; }实战中我们发现三个黄金法则窗口尺寸取3~7为宜过大导致图像模糊配合阈值滤波使用效果更佳先剔除明显异常值在MCU资源紧张时可用部分排序替代完全排序华南某高校的视觉组独创了区域自适应中值滤波将图像分成8x8小块统计每个块的噪声密度动态调整滤波强度。这使得他们的车在强光干扰的室外赛场仍能稳定识别赛道边沿。2.3 滑动平均滤波陀螺仪数据的最优解陀螺仪的角速度信号有个特点既有高频噪声又可能突发真实信号如突然转向。传统算术平均会拖慢响应而中值滤波会扭曲连续变化趋势。这时就该滑动平均登场了。滑动平均在时域上相当于一个FIR滤波器其频率响应特性由窗口长度决定。智能车中最经典的实现方式是#define WINDOW_SIZE 8 typedef struct { float buffer[WINDOW_SIZE]; uint8_t index; float sum; } MovingAverage; float update_moving_average(MovingAverage *filter, float new_sample) { filter-sum - filter-buffer[filter-index]; // 减去最旧样本 filter-sum new_sample; // 加上最新样本 filter-buffer[filter-index] new_sample; // 更新缓冲区 filter-index (filter-index 1) % WINDOW_SIZE; return filter-sum / WINDOW_SIZE; }某全国赛冠军车队的陀螺仪处理方案值得借鉴正常运行时使用WINDOW_SIZE4保持响应速度当检测到持续振动通过FFT分析时自动增大到WINDOW_SIZE8对输出结果再进行一次一阶滞后滤波形成两级滤波架构这种组合策略使他们的车在颠簸路面上仍能保持姿态稳定实测角度漂移小于0.5度/秒。3. 高级滤波技术与融合策略3.1 卡尔曼滤波多传感器融合的核心当你的智能车同时拥有IMU、编码器和视觉定位时卡尔曼滤波就成了必选项。我在调试第一辆多传感器融合智能车时曾连续72小时与卡尔曼滤波搏斗最终悟出一个道理不要把卡尔曼滤波当黑箱用。以最常用的线性卡尔曼滤波为例其实现需要明确定义五个核心参数typedef struct { float Q_angle; // 过程噪声协方差角度 float Q_gyro; // 过程噪声协方差角速度 float R_angle; // 观测噪声协方差 float angle; // 最优估计角度 float bias; // 陀螺仪零偏 float P[2][2]; // 误差协方差矩阵 } KalmanFilter; float kalman_update(KalmanFilter *kf, float new_angle, float new_rate, float dt) { // 预测步骤 kf-angle dt * (new_rate - kf-bias); kf-P[0][0] dt * (dt*kf-P[1][1] - kf-P[0][1] - kf-P[1][0] kf-Q_angle); kf-P[0][1] - dt * kf-P[1][1]; kf-P[1][0] - dt * kf-P[1][1]; kf-P[1][1] kf-Q_gyro * dt; // 更新步骤 float y new_angle - kf-angle; float S kf-P[0][0] kf-R_angle; float K[2]; K[0] kf-P[0][0] / S; K[1] kf-P[1][0] / S; kf-angle K[0] * y; kf-bias K[1] * y; float P00_temp kf-P[0][0]; float P01_temp kf-P[0][1]; kf-P[0][0] - K[0] * P00_temp; kf-P[0][1] - K[0] * P01_temp; kf-P[1][0] - K[1] * P00_temp; kf-P[1][1] - K[1] * P01_temp; return kf-angle; }参数调试的黄金法则是Q_angle从0.001开始根据角度抖动调整Q_gyro通常设为0.003R_angle取传感器实测噪声方差初始P矩阵对角线元素设为1其余为0华东某强队甚至开发了自适应卡尔曼滤波能根据车速动态调整Q矩阵——高速时信任陀螺仪更多减小R_angle低速时侧重加速度计增大R_angle。这使得他们的车在全速段都能保持稳定姿态。3.2 归一化与差比和电磁信号的终极武器当你的智能车从练习场地转战正式赛场时最崩溃的莫过于发现电感信号强度全变了。这时就需要归一化技术出场其核心思想是将原始信号映射到标准区间void signal_normalization(uint16_t *adc_values, uint16_t *min, uint16_t *max, uint8_t count) { for(uint8_t i0; icount; i) { if(adc_values[i] min[i]) min[i] adc_values[i]; // 动态更新最小值 if(adc_values[i] max[i]) max[i] adc_values[i]; // 动态更新最大值 // 线性映射到0-100范围 adc_values[i] (adc_values[i] - min[i]) * 100 / (max[i] - min[i]); } }但归一化有个致命弱点当两个电感信号同时增强时差值可能不变。这时就需要引入差比和算法int16_t difference_over_sum(uint16_t left, uint16_t right) { if(left right 0) return 0; // 防除零 return (int16_t)((left - right) * 500 / (left right)); // 放大到±500范围 }某届全国赛冠军队的工程笔记显示他们采用三级处理链原始信号→ 滑动平均滤波N10滤波后信号→ 动态归一化每帧更新min/max归一化信号→ 差比和计算这套组合拳使他们的车在不同电磁场强度的赛道上表现高度一致彻底解决了场地适应性问题。4. 抗干扰系统工程实践4.1 传感器融合架构设计在西部赛区某次调试中我们发现单纯增加滤波强度反而导致车辆控制性能下降。经过示波器抓取数据分析根本原因是各传感器信号存在时间不同步问题。这引出了智能车滤波的一个重要原则滤波必须放在正确的系统层级。理想的传感器处理流水线应该是[传感器硬件] → 硬件抗干扰屏蔽/接地 → ADC采样 → 时序对齐时间戳同步 → 一级滤波快速去噪 → 二级滤波深度平滑 → 传感器融合 → 控制算法某技术报告展示了一个精妙的时间对齐方案利用定时器触发同步采样所有传感器共用同一个采样保持信号。即使无法硬件同步也可以在软件中采用插值对齐typedef struct { float value; uint32_t timestamp; } TimedSample; float get_interpolated_value(TimedSample *samples, uint8_t count, uint32_t target_time) { // 找到目标时间前后的样本 uint8_t before 0, after count-1; while(before after-1) { uint8_t mid (before after)/2; if(samples[mid].timestamp target_time) before mid; else after mid; } // 线性插值 float ratio (float)(target_time - samples[before].timestamp) / (samples[after].timestamp - samples[before].timestamp); return samples[before].value ratio * (samples[after].value - samples[before].value); }4.2 动态参数调整策略东北某高校的创新方案令人印象深刻他们为每个滤波算法设计了健康度指标实时评估滤波效果并动态调整参数。例如对于滑动平均滤波定义如下健康度float filter_health(uint16_t *buffer, uint8_t size) { float mean 0, variance 0; // 计算均值 for(uint8_t i0; isize; i) mean buffer[i]; mean / size; // 计算方差 for(uint8_t i0; isize; i) variance (buffer[i]-mean)*(buffer[i]-mean); variance / size; // 健康度与方差成反比 return 1.0f / (1.0f sqrtf(variance)); }当健康度低于阈值时系统自动采取三种措施增大滤波窗口尺寸切换滤波算法类型触发硬件抗干扰措施如关闭无关外设这套自愈系统使他们的车在强干扰环境下仍能保持稳定运行最终夺得分区赛冠军。4.3 调试与性能评估没有量化指标的优化就是耍流氓。我们团队建立了完整的滤波性能评估体系时域指标信噪比SNR≥20dB为合格峰值误差5%量程响应延迟控制周期2倍频域指标噪声带宽通过FFT分析截止频率用扫频信号测试系统级测试阶跃响应超调量15%正弦跟踪误差10%某次赛前调试中我们通过频域分析发现了一个隐藏问题电机PWM噪声正好落在电感传感器的有效信号频带。最终解决方案是在软件滤波前增加数字陷波器typedef struct { float a1, a2; float b0, b1, b2; float x1, x2; float y1, y2; } BiquadFilter; float biquad_filter(BiquadFilter *f, float input) { float output f-b0*input f-b1*f-x1 f-b2*f-x2 - f-a1*f-y1 - f-a2*f-y2; // 更新状态变量 f-x2 f-x1; f-x1 input; f-y2 f-y1; f-y1 output; return output; } void init_notch_filter(BiquadFilter *f, float freq, float sample_rate, float Q) { float omega 2 * M_PI * freq / sample_rate; float alpha sin(omega) / (2 * Q); f-b0 1; f-b1 -2 * cos(omega); f-b2 1; f-a0 1 alpha; f-a1 -2 * cos(omega); f-a2 1 - alpha; // 归一化 f-b0 / f-a0; f-b1 / f-a0; f-b2 / f-a0; f-a1 / f-a0; f-a2 / f-a0; }这套评估体系后来被多支队伍借鉴成为智能车滤波调试的标准化流程。记住好的滤波不是让信号看起来漂亮而是让控制系统工作得更好。
1. 智能车为何需要软件抗干扰技术第一次参加智能车比赛时我对着电感传感器采集到的数据直发愣——屏幕上那些疯狂跳动的数值就像心电图发作完全看不出赛道位置信息。这就是典型的电磁干扰现场在实验室用杜邦线随便接的传感器到了布满电机、舵机和无线设备的赛场上信号质量直接崩盘。智能车的电磁环境复杂程度超乎想象电机碳刷火花产生的高频噪声、PWM调压导致的电源波动、2.4G无线通信的频道干扰甚至相邻赛道的车都会成为干扰源。传统硬件滤波虽然有效但会遇到几个致命问题成本敏感学生竞赛的硬件预算通常不超过2000元专业滤波芯片可能吃掉1/4经费空间限制标准车模的电路板面积比手机还小没位置摆放大量滤波电路参数固化硬件RC滤波的参数焊死就无法调整但不同赛场干扰特征差异巨大这时候软件滤波算法的价值就凸显出来了。通过STM32等MCU实时运行数字滤波程序我们获得了三大优势动态适应性根据环境噪声强度自动调整滤波强度比如检测到突然出现的高频干扰时增大滑动窗口尺寸多模式切换直道用算术平均滤波保证平滑性弯道切中值滤波保护突变信号零硬件成本仅消耗CPU运算资源而现代车规MCU的算力普遍过剩实测数据显示在同等干扰强度下软件滤波能使电感传感器的信噪比提升6-8dB相当于硬件LC滤波电路80%的效果。最重要的是当你们车队凌晨三点发现赛道干扰特征突变时改个参数重新烧录就能解决问题不用哭着焊电路板。2. 基础滤波算法原理与实战选型2.1 算术平均滤波电磁循迹的基石在华北某高校的智能车实验室里我见过最暴力的算术平均实现——对单个电感连续采样256次取平均。这种看似笨拙的方法却让他们的车在强电磁干扰赛场实现了最稳定的循迹性能。算术平均的数学本质是低通滤波其传递函数可表示为#define SAMPLE_SIZE 12 // 流量型信号典型值 uint16_t moving_average(uint16_t new_sample) { static uint16_t buffer[SAMPLE_SIZE]; static uint8_t index 0; static uint32_t sum 0; sum - buffer[index]; // 移除最旧样本 sum new_sample; // 加入最新样本 buffer[index] new_sample; // 更新缓冲区 index (index 1) % SAMPLE_SIZE; return (uint16_t)(sum / SAMPLE_SIZE); }关键参数选择有门道流量信号如编码器N8~16响应速度优先压力信号如轮胎压力N4~8平滑度优先电磁信号N12~20需配合动态调整策略某冠军车队分享的秘籍是根据车速动态调整N值。当检测到长直道时通过陀螺仪判断将N从12逐步提升至20增强抗干扰性入弯前则将N快速降至8以保证转向响应速度。这种策略使他们的车在高速直道和急弯中都能保持稳定。2.2 中值滤波摄像头图像的守护者当你的摄像头突然捕捉到下面这样的图像时图1就是中值滤波大显身手的时刻[假设此处有图像描述被噪声污染的赛道图像有随机白点和黑点]中值滤波的独特优势在于保护边缘的同时消除离群点这对基于边沿检测的赛道识别至关重要。其算法实现需要注意几个工程细节#define MEDIAN_WINDOW 5 // 奇数窗口效果最佳 uint8_t median_filter(uint8_t new_sample) { static uint8_t buffer[MEDIAN_WINDOW]; static uint8_t index 0; uint8_t temp[MEDIAN_WINDOW]; // 更新环形缓冲区 buffer[index] new_sample; index (index 1) % MEDIAN_WINDOW; // 复制数据并排序 memcpy(temp, buffer, MEDIAN_WINDOW); bubble_sort(temp, MEDIAN_WINDOW); // 实际工程应使用更高效排序 return temp[MEDIAN_WINDOW/2]; }实战中我们发现三个黄金法则窗口尺寸取3~7为宜过大导致图像模糊配合阈值滤波使用效果更佳先剔除明显异常值在MCU资源紧张时可用部分排序替代完全排序华南某高校的视觉组独创了区域自适应中值滤波将图像分成8x8小块统计每个块的噪声密度动态调整滤波强度。这使得他们的车在强光干扰的室外赛场仍能稳定识别赛道边沿。2.3 滑动平均滤波陀螺仪数据的最优解陀螺仪的角速度信号有个特点既有高频噪声又可能突发真实信号如突然转向。传统算术平均会拖慢响应而中值滤波会扭曲连续变化趋势。这时就该滑动平均登场了。滑动平均在时域上相当于一个FIR滤波器其频率响应特性由窗口长度决定。智能车中最经典的实现方式是#define WINDOW_SIZE 8 typedef struct { float buffer[WINDOW_SIZE]; uint8_t index; float sum; } MovingAverage; float update_moving_average(MovingAverage *filter, float new_sample) { filter-sum - filter-buffer[filter-index]; // 减去最旧样本 filter-sum new_sample; // 加上最新样本 filter-buffer[filter-index] new_sample; // 更新缓冲区 filter-index (filter-index 1) % WINDOW_SIZE; return filter-sum / WINDOW_SIZE; }某全国赛冠军车队的陀螺仪处理方案值得借鉴正常运行时使用WINDOW_SIZE4保持响应速度当检测到持续振动通过FFT分析时自动增大到WINDOW_SIZE8对输出结果再进行一次一阶滞后滤波形成两级滤波架构这种组合策略使他们的车在颠簸路面上仍能保持姿态稳定实测角度漂移小于0.5度/秒。3. 高级滤波技术与融合策略3.1 卡尔曼滤波多传感器融合的核心当你的智能车同时拥有IMU、编码器和视觉定位时卡尔曼滤波就成了必选项。我在调试第一辆多传感器融合智能车时曾连续72小时与卡尔曼滤波搏斗最终悟出一个道理不要把卡尔曼滤波当黑箱用。以最常用的线性卡尔曼滤波为例其实现需要明确定义五个核心参数typedef struct { float Q_angle; // 过程噪声协方差角度 float Q_gyro; // 过程噪声协方差角速度 float R_angle; // 观测噪声协方差 float angle; // 最优估计角度 float bias; // 陀螺仪零偏 float P[2][2]; // 误差协方差矩阵 } KalmanFilter; float kalman_update(KalmanFilter *kf, float new_angle, float new_rate, float dt) { // 预测步骤 kf-angle dt * (new_rate - kf-bias); kf-P[0][0] dt * (dt*kf-P[1][1] - kf-P[0][1] - kf-P[1][0] kf-Q_angle); kf-P[0][1] - dt * kf-P[1][1]; kf-P[1][0] - dt * kf-P[1][1]; kf-P[1][1] kf-Q_gyro * dt; // 更新步骤 float y new_angle - kf-angle; float S kf-P[0][0] kf-R_angle; float K[2]; K[0] kf-P[0][0] / S; K[1] kf-P[1][0] / S; kf-angle K[0] * y; kf-bias K[1] * y; float P00_temp kf-P[0][0]; float P01_temp kf-P[0][1]; kf-P[0][0] - K[0] * P00_temp; kf-P[0][1] - K[0] * P01_temp; kf-P[1][0] - K[1] * P00_temp; kf-P[1][1] - K[1] * P01_temp; return kf-angle; }参数调试的黄金法则是Q_angle从0.001开始根据角度抖动调整Q_gyro通常设为0.003R_angle取传感器实测噪声方差初始P矩阵对角线元素设为1其余为0华东某强队甚至开发了自适应卡尔曼滤波能根据车速动态调整Q矩阵——高速时信任陀螺仪更多减小R_angle低速时侧重加速度计增大R_angle。这使得他们的车在全速段都能保持稳定姿态。3.2 归一化与差比和电磁信号的终极武器当你的智能车从练习场地转战正式赛场时最崩溃的莫过于发现电感信号强度全变了。这时就需要归一化技术出场其核心思想是将原始信号映射到标准区间void signal_normalization(uint16_t *adc_values, uint16_t *min, uint16_t *max, uint8_t count) { for(uint8_t i0; icount; i) { if(adc_values[i] min[i]) min[i] adc_values[i]; // 动态更新最小值 if(adc_values[i] max[i]) max[i] adc_values[i]; // 动态更新最大值 // 线性映射到0-100范围 adc_values[i] (adc_values[i] - min[i]) * 100 / (max[i] - min[i]); } }但归一化有个致命弱点当两个电感信号同时增强时差值可能不变。这时就需要引入差比和算法int16_t difference_over_sum(uint16_t left, uint16_t right) { if(left right 0) return 0; // 防除零 return (int16_t)((left - right) * 500 / (left right)); // 放大到±500范围 }某届全国赛冠军队的工程笔记显示他们采用三级处理链原始信号→ 滑动平均滤波N10滤波后信号→ 动态归一化每帧更新min/max归一化信号→ 差比和计算这套组合拳使他们的车在不同电磁场强度的赛道上表现高度一致彻底解决了场地适应性问题。4. 抗干扰系统工程实践4.1 传感器融合架构设计在西部赛区某次调试中我们发现单纯增加滤波强度反而导致车辆控制性能下降。经过示波器抓取数据分析根本原因是各传感器信号存在时间不同步问题。这引出了智能车滤波的一个重要原则滤波必须放在正确的系统层级。理想的传感器处理流水线应该是[传感器硬件] → 硬件抗干扰屏蔽/接地 → ADC采样 → 时序对齐时间戳同步 → 一级滤波快速去噪 → 二级滤波深度平滑 → 传感器融合 → 控制算法某技术报告展示了一个精妙的时间对齐方案利用定时器触发同步采样所有传感器共用同一个采样保持信号。即使无法硬件同步也可以在软件中采用插值对齐typedef struct { float value; uint32_t timestamp; } TimedSample; float get_interpolated_value(TimedSample *samples, uint8_t count, uint32_t target_time) { // 找到目标时间前后的样本 uint8_t before 0, after count-1; while(before after-1) { uint8_t mid (before after)/2; if(samples[mid].timestamp target_time) before mid; else after mid; } // 线性插值 float ratio (float)(target_time - samples[before].timestamp) / (samples[after].timestamp - samples[before].timestamp); return samples[before].value ratio * (samples[after].value - samples[before].value); }4.2 动态参数调整策略东北某高校的创新方案令人印象深刻他们为每个滤波算法设计了健康度指标实时评估滤波效果并动态调整参数。例如对于滑动平均滤波定义如下健康度float filter_health(uint16_t *buffer, uint8_t size) { float mean 0, variance 0; // 计算均值 for(uint8_t i0; isize; i) mean buffer[i]; mean / size; // 计算方差 for(uint8_t i0; isize; i) variance (buffer[i]-mean)*(buffer[i]-mean); variance / size; // 健康度与方差成反比 return 1.0f / (1.0f sqrtf(variance)); }当健康度低于阈值时系统自动采取三种措施增大滤波窗口尺寸切换滤波算法类型触发硬件抗干扰措施如关闭无关外设这套自愈系统使他们的车在强干扰环境下仍能保持稳定运行最终夺得分区赛冠军。4.3 调试与性能评估没有量化指标的优化就是耍流氓。我们团队建立了完整的滤波性能评估体系时域指标信噪比SNR≥20dB为合格峰值误差5%量程响应延迟控制周期2倍频域指标噪声带宽通过FFT分析截止频率用扫频信号测试系统级测试阶跃响应超调量15%正弦跟踪误差10%某次赛前调试中我们通过频域分析发现了一个隐藏问题电机PWM噪声正好落在电感传感器的有效信号频带。最终解决方案是在软件滤波前增加数字陷波器typedef struct { float a1, a2; float b0, b1, b2; float x1, x2; float y1, y2; } BiquadFilter; float biquad_filter(BiquadFilter *f, float input) { float output f-b0*input f-b1*f-x1 f-b2*f-x2 - f-a1*f-y1 - f-a2*f-y2; // 更新状态变量 f-x2 f-x1; f-x1 input; f-y2 f-y1; f-y1 output; return output; } void init_notch_filter(BiquadFilter *f, float freq, float sample_rate, float Q) { float omega 2 * M_PI * freq / sample_rate; float alpha sin(omega) / (2 * Q); f-b0 1; f-b1 -2 * cos(omega); f-b2 1; f-a0 1 alpha; f-a1 -2 * cos(omega); f-a2 1 - alpha; // 归一化 f-b0 / f-a0; f-b1 / f-a0; f-b2 / f-a0; f-a1 / f-a0; f-a2 / f-a0; }这套评估体系后来被多支队伍借鉴成为智能车滤波调试的标准化流程。记住好的滤波不是让信号看起来漂亮而是让控制系统工作得更好。
