/categories/%E7%89%A9%E7%90%86%E4%B8%96%E7%95%8C%E5%BC%80%E5%8F%91/Recent content in 物理世界开发 on Mi&Bee BlogHugo -- gohugo.iozh-CN蓝宝石的傻话Mon, 25 May 2026 10:00:00 +0800/posts/physical-world/imu-accelerometer-gyroscope/Fri, 15 May 2026 10:00:00 +0800/posts/physical-world/imu-accelerometer-gyroscope/<p>运动传感系列开篇。传感器是嵌入式系统感知物理世界的窗口，IMU（Inertial Measurement Unit）是最常用的一类。这篇文章不讲高深理论，只讲 MEMS 传感器怎么工作、怎么接线、怎么读数、读出来的数据长什么样。</p>/posts/physical-world/image-basics-opencv/Fri, 08 May 2026 10:00:00 +0800/posts/physical-world/image-basics-opencv/<h2 id="数字图像的本质">数字图像的本质</h2> <p>计算机视觉处理的对象是数字图像。数字图像本质上就是一个二维像素数组。</p> <h3 id="像素与灰度图">像素与灰度图</h3> <p>灰度图是最简单的数字图像——每个像素存储一个亮度值，范围 0（纯黑）到 255（纯白）。在 Python 中，一张宽 W、高 H 的灰度图就是一个形状为 <code>(H, W)</code> 的二维数组。</p>/posts/physical-world/acoustics-dsp-basics/Mon, 04 May 2026 10:00:00 +0800/posts/physical-world/acoustics-dsp-basics/<h2 id="相消干涉">相消干涉</h2> <p>主动降噪（ANC）的物理基础是声波的相消干涉。两个频率相同、相位相反的声波叠加后会相互抵消。</p> <p>原始噪声信号：</p> <p>$$ p_n(t) = A \cos(2\pi ft + \phi) $$</p> <p>ANC 系统生成的反向声波：</p>/posts/physical-world/adaptive-filtering-lms-nlms/Thu, 07 May 2026 10:00:00 +0800/posts/physical-world/adaptive-filtering-lms-nlms/<h2 id="lms-算法">LMS 算法</h2> <p>自适应滤波的核心问题是：给定参考信号 <code>x(n)</code> 和期望信号 <code>d(n)</code>，找到一个滤波器系数向量 <code>w</code>，使输出 <code>y(n)</code> 逼近 <code>d(n)</code>。</p> <p>最小均方（Least Mean Square, LMS）算法是解决这个问题最经典的方法，由 Widrow 和 Hoff 在 1960 年提出。核心思路是每次迭代都沿着误差曲面最陡的方向下降一步——也就是随机梯度下降。</p>/posts/physical-world/fxlms-anc-architecture/Mon, 11 May 2026 10:00:00 +0800/posts/physical-world/fxlms-anc-architecture/<p>主动降噪（ANC, Active Noise Control）的核心思路是用扬声器发出一个与噪声相位相反、幅值相同的声波，通过相消干涉抵消掉目标区域的噪声。落地到硬件系统，需要解决两个问题：用什么传感器感知噪声，以及用哪种控制策略生成抗噪声。这两点决定了 ANC 系统的架构分类——前馈、反馈和混合式。</p>/posts/physical-world/variable-step-frequency-domain/Thu, 14 May 2026 10:00:00 +0800/posts/physical-world/variable-step-frequency-domain/<h2 id="固定步长的收敛矛盾">固定步长的收敛矛盾</h2> <p>标准 LMS 算法和 NLMS 算法都使用固定的步长参数 $\mu$。步长大小的选择直接影响算法性能，但存在一个根本矛盾：</p> <ul> <li><strong>大步长</strong>：收敛速度快，能够快速追踪环境变化，但稳态误差大，滤波精度低</li> <li><strong>小步长</strong>：稳态误差小，滤波精度高，但收敛速度慢，对突变响应迟缓</li> </ul> <p>这个矛盾在回声消除、主动噪声控制等应用中尤为突出——系统启动时需要快速收敛，稳态后则希望维持低误差。固定步长无法同时满足两阶段的需求。</p>/posts/physical-world/embedded-anc-stm32/Mon, 18 May 2026 10:00:00 +0800/posts/physical-world/embedded-anc-stm32/<h2 id="硬件架构">硬件架构</h2> <p>实现实时 ANC 首先要选择合适的硬件平台。控制器需要在微秒级完成自适应滤波运算，同时管理多路音频数据流。</p> <table> <thead> <tr> <th>模块</th> <th>功能</th> <th>典型选型</th> </tr> </thead> <tbody> <tr> <td>主控制器</td> <td>执行自适应算法</td> <td>STM32F4/F7, ESP32-S3, nRF5340</td> </tr> <tr> <td>参考麦克风</td> <td>采集环境噪声</td> <td>Knowles SPH0645, Infineon IM69D130</td> </tr> <tr> <td>误差麦克风</td> <td>采集残余噪声</td> <td>Knowles SPH0645, TDK ICS-43434</td> </tr> <tr> <td>音频 DAC</td> <td>输出抗噪声信号</td> <td>ES9218, PCM5102</td> </tr> <tr> <td>功放</td> <td>驱动扬声器</td> <td>Class-D</td> </tr> </tbody> </table> <p>参考麦克风位于耳罩外侧，采集外部环境噪声作为算法参考输入。误差麦克风位于耳罩内侧，采集扬声器附近的残余噪声，用于评估降噪效果并驱动自适应更新。音频 DAC 将数字抗噪声信号转为模拟量，经功放放大后驱动扬声器。</p>/posts/physical-world/embedded-anc-esp32/Thu, 21 May 2026 10:00:00 +0800/posts/physical-world/embedded-anc-esp32/<p>ESP32-S3 的双核 Xtensa LX7 处理器带有向量指令集扩展，适合执行嵌入式 ANC 所需的实时 DSP 运算。配合 ESP-DSP 库可以高效实现自适应滤波器。</p> <h2 id="i2s-麦克风采集">I2S 麦克风采集</h2> <p>ANC 需要至少两路同步输入：参考麦克风（采集环境噪声）和误差麦克风（采集残余误差）。ESP32-S3 的 I2S 外设支持同时接收多路 ADC 数据，配置为 16 位、16 kHz 采样即可满足消费级 ANC 需求。</p>/posts/physical-world/anc-tuning-debugging/Mon, 25 May 2026 10:00:00 +0800/posts/physical-world/anc-tuning-debugging/<p>主动降噪系统的工程实现中，最耗时、最依赖经验的部分不是算法选型，而是参数调优和稳定性调试。滤波器阶数、步长系数、采样率——每一个参数都牵一发而动全身。本文从实践经验出发，梳理 ANC 调试中的关键参数选择逻辑和常见问题定位方法。</p>