记录一下学习数字滤波器时的碎碎念

只是卡尔曼滤波而已说的这么高级

先是基础的低通/高通滤波

模电中A=Vout/Vin

控制器看到的从来不是“真实速度”，而是经过传感器、采样、量化和滤波之后的速度估计。 估得不准，PID 再漂亮也只能围着一个不可靠的数字打转。

通带，阻带，过渡带
低通，高通，带通，带阻

放弃了我(https://www.bilibili.com/video/BV1Rh41117MT/)
(卡尔曼滤波): 666还有状态方程观测方程，还有现控
当前观测值 先验估计值(~上一次最优估计值) -> 最优估计值
卡尔曼增益

在实际开发（如无人机、两轮自平衡车、机器人）中，单靠卡尔曼滤波是不够的，通常采用组合拳：
• 上电静态校准（Static Calibration）：在设备刚开机、保持绝对静止的几秒钟内，连续采集几百个陀螺仪数据求平均值，作为系统的初始零漂直接扣除。
• 硬件导热/恒温：尽量让 IMU 芯片远离发热源，或者进行软件温度补偿。
• 算法选择：
• 在算力有限的嵌入式芯片（如 STM32）上，经典的扩展卡尔曼滤波（EKF）或简化版的互补滤波（Complementary Filter）/ 互补卡尔曼更常用。
• 在现代高性能系统中，互补滤波（如马哈尼 Mahony 或马奇尼 Madgwick 算法）由于计算量小且对零漂有不错的抑制效果，有时比标准卡尔曼滤波更受欢迎。

就是因为不知道噪声，所以才用卡尔曼来修正，如果知道噪声，就不用修正啦

数据-传感器-滤波器-控制器（pid, lqr, mpc）（微机或者电脑计算）-执行单元（电机/液压系统）-机械结构

两种临界区:
硬件:

uint32_t saved = __get_PRIMASK(); // 保存原状态
__disable_irq();
// doing something
__set_PRIMASK(saved);

// 裸机任务表的任务函数内是可以用硬件临界区的

软件: (主要是线程啥啥的)

std::mutex mtx;
mtx.lock();
// doing something
mtx.unlock()

// or 
std::lock_guard<std::mutex> guard(mtx); // 作用域在当前锁所在的大括号内(RAII)