一种智能电子设备的传感器数据获取方法与流程

本发明涉及智能传感器，具体为一种智能电子设备的传感器数据获取方法。

背景技术：

1、随着人工智能与物联网技术的深化发展，智能电子设备已普遍集成多种类、多模态传感器，包括惯性测量单元（含加速度计与陀螺仪）、视觉传感器、环境传感器（温湿度、气压、光照）及距离传感器等，这些传感器输出数据的质量直接决定上层人工智能算法的感知精度上限；

2、在硬件架构方面，现代智能电子设备已普遍配置独立的低功耗传感器协处理器，其搭载轻量级实时操作系统，能够在主处理器休眠时独立完成传感器数据的采集与缓冲，并通过操作系统硬件抽象层标准接口向上层应用提供统一的数据访问通道，这一硬件架构为在底层数据获取流程中嵌入智能化预处理逻辑提供了可行的执行平台；

3、目前与本发明最接近的现有技术方案为基于应用层软件同步的多传感器数据采集框架，该方案由传感器驱动层、操作系统硬件抽象层及应用层数据同步模块三部分构成，各传感器驱动独立工作，以各自固定的采样频率将数据写入各自的独立缓冲队列，并附加操作系统软件时间戳，上层应用程序通过轮询或回调方式从硬件抽象层各传感器队列中读取数据包，应用层的数据同步模块以某一参考传感器的时间戳为基准，对其他传感器的数据进行线性插值，强制将不同传感器数据对齐至统一时刻，生成同步数据帧，若传感器出现零偏漂移，则依赖用户手动触发校准流程或等待设备返厂校准；

4、上述现有技术方案存在以下三项主要缺陷：

5、第一，在线自校准能力缺失，导致长期数据质量劣化，本领域长期存在传感器在线自校准必须依赖外部真值参考基准（如已知运动轨迹、外部标定设备）方能实现的技术偏见，现有校准方案依赖出厂时的静态六面法或需外部真值基准的离线校准，在设备正常使用阶段既无真值参考，也无足够算力运行复杂校准模型，传感器随使用时间延长与温度变化积累的零偏漂移与增益漂移无法被自动补偿，数据误差单调递增，依赖传感器数据的上层人工智能感知精度随设备使用时长持续退化，用户体验严重下降；

6、第二，应用层软件同步引入高时序误差与坐标系不一致，现有方案在距离数据采集源头最远的应用层进行时序对齐，所用时间戳来自操作系统软件计时，受任务调度抖动影响，精度通常在毫秒量级甚至更差；

7、同时不同传感器的空间参考坐标系未在底层统一，多模态数据帧存在毫秒级时序错位与坐标系不一致，直接导致视觉—惯性融合、深度—惯性测量单元融合等多模态算法性能大幅下降，在高速运动场景下甚至引发融合发散；

8、第三，固定采样率策略引发算力与能耗的结构性浪费，传统固定采样率策略无法感知当前环境与用户行为的信息密度，无论场景简单还是复杂，均以最高预设频率持续采样，在设备静置、用户低活动等低信息密度场景下，高频采样产生的大量冗余数据消耗了大量处理器算力与射频传输功耗，在电池容量受限的可穿戴设备上尤为突出，直接缩短续航时间，为此，我们提出一种智能电子设备的传感器数据获取方法。

技术实现思路

1、本发明要解决的技术问题是：针对现有多传感器数据采集方案在线自校准能力缺失、应用层软件同步时序误差大、固定采样率能耗浪费严重三项缺陷，提供一种部署于智能电子设备传感器协处理器固件层的传感器数据获取方法，实现从采样频率管控、时空数据对齐到在线误差补偿的底层端到端传感器数据质量自主优化。

2、为实现上述目的，本发明提供如下技术方案：一种智能电子设备的传感器数据获取方法，部署于智能电子设备的传感器协处理器固件层，位于硬件传感器驱动层与操作系统硬件抽象层之间，包含依次协同执行的三个处理阶段。

3、（一）自适应采样门控阶段

4、在传感器协处理器固件层嵌入轻量化信息熵评估单元，维护各路传感器数据的滑动窗口缓冲区，对每一路传感器通道内窗口数据采用等宽分箱法估计其经验概率分布，计算各路传感器数据流的边缘信息熵；

5、在此基础上对所有传感器通道的联合观测数据采用多维等宽分箱法估计联合概率分布，计算多模态联合信息熵，将联合熵值与预设低阈值和高阈值进行比较，当联合熵值低于低阈值时，以降频调节因子乘以当前采样频率并与最低频率下限取较大值作为下一周期采样频率；

6、当联合熵值高于高阈值时，以升频调节因子乘以当前采样频率并与最高频率上限取较小值作为下一周期采样频率；

7、当联合熵值介于两阈值之间时维持当前采样频率不变，各路传感器采集的原始数据帧连同当前采样频率及底层硬件时间戳一并封装后传入下一阶段。

8、（二）时空对齐阶段

9、以传感器协处理器底层硬件高精度时间戳（精度优于1微秒）作为时序基准，维护时间宽度依据当前各路传感器中最低实际采样频率自适应调整的弹性时间窗缓冲区，确保窗口内所有传感器通道均包含足够数量的数据帧，取采样率最高传感器最新帧的硬件时间戳作为统一对齐基准时刻，对于输出量属于欧氏空间的传感器，在弹性时间窗内对紧邻对齐基准时刻的前后两帧数据进行线性插值，得到对齐至基准时刻的估计值；

10、对于涉及三维旋转的传感器量，在旋转群so(3)流形上采用球面线性插值，避免直接线性插值引入的姿态畸变，完成时序插值后，利用各传感器出厂标定存储于传感器协处理器固件存储器中的安装旋转矩阵，将各路传感器的插值估计值统一变换至设备体坐标系，封装为多模态对齐数据帧传入下一阶段。

11、（三）跨模态动态自校准阶段

12、基于对齐数据帧提取运动强度指标与光流一致性指标，将当前上下文分类为静止、匀速运动或动态运动三类：在静止上下文下，利用加速度计真实输出等于重力加速度矢量在体坐标系投影（模值恒等于标准重力加速度）且陀螺仪真实角速度为零的运动学约束，建立约束残差观测方程；

13、在匀速运动上下文下，利用去除重力分量后的真实比力趋近于零、视觉光流速度与惯性测量单元校准后积分速度保持一致性的跨模态约束，建立约束残差观测方程；

14、在动态运动上下文下跳过校准更新，以上述约束残差观测向量为扩展卡尔曼滤波器的观测量，在线迭代估计加速度计与陀螺仪的零偏向量及增益缩放因子，将估计结果持续写入传感器协处理器固件存储，并对当前对齐数据帧中的惯性测量单元数据施加零偏与增益补偿，将补偿后的多模态对齐数据帧经由硬件抽象层标准接口上报至操作系统，供上层人工智能感知与决策模块调用。

15、采用上述技术方案，与现有技术相比，本发明的有益效果在于：

16、1、本发明通过跨模态动态自校准机制，在设备全生命周期内持续抑制传感器零偏与增益漂移，突破本领域在线校准须依赖外部真值基准的技术偏见，仅利用设备静止与匀速运动上下文中多传感器自身蕴含的运动学互约束关系（重力模值恒定、比力趋零、视觉-惯性速度一致性）即完成零偏与增益估计，实现传感器数据质量的全程自主维护，相比出厂一次性校准方案可将长期数据误差显著降低一个数量级以上。

17、2、本发明通过在传感器协处理器缓冲层实施硬件时间戳驱动的时空对齐，将多模态数据同步误差从毫秒级压缩至微秒级，并同步完成坐标系归一化，为上层多模态融合算法提供高质量、时序一致的对齐数据源，从根本上消除应用层软件插值同步引入的时序抖动与坐标系不一致问题。

18、3、本发明通过信息熵驱动的自适应门控采样，在保障关键事件完整捕获的前提下，显著降低低信息密度场景下的采样频率与数据传输量，在典型智能可穿戴使用场景下可显著降低低信息密度场景下的采样频率与数据传输量，有效降低传感器子系统综合功耗，有效延长设备续航时间。

19、4、本发明三大处理阶段协同部署于同一传感器协处理器固件层，形成采样门控、缓冲对齐、校准补偿的三阶流水线处理架构，输出数据直接兼容操作系统硬件抽象层标准接口，无需上层应用进行额外数据同步处理，降低了系统集成复杂度。