从沙子到车辙（7.1）：思想实验——只有低精度传感器，如何测出精确值？

7.1 思想实验：只有低精度传感器，如何测出精确值？

📚 本文内容摘自本人的开源书《从沙子到车辙 - 一个工程师的理解》

🔗 在线阅读/下载：from-sand-to-ruts

git clone https://github.com/Lularible/from-sand-to-ruts

⭐ 如果对您有帮助，欢迎 Star 支持，也欢迎通过 GitHub Issues 交流讨论。

戈壁滩上的一群人

1964 年，中国西北戈壁。

一组工程师围着一块传感器，愁眉不展。任务：测量核爆炸的精确当量——需要千分之几的精度。

问题是：手里最好的传感器，精度只有 1%。

1% 的传感器，怎么测出千分之一精度的物理量？

你可能觉得这不可能——精度1%的尺子量不出千分之一精度的长度，这是小学数学。但在工程里，数学书的结论只是起点。书上说"不可能"，是因为书上假设你只用传感器读一次数就完事了。但如果你读了一万次呢？如果你同时用了五种不同的测量方法呢？如果你把物理方程、统计规律、电路拓扑全部动员起来——把整个已知的物理世界变成你的"第二传感器"呢？

我们先说清楚1964年的实际测量挑战是什么。核爆炸当量的精确测定，不是拿一个压力表往蘑菇云里一插。你需要同时测量至少三个物理量：冲击波的传播速度（通过高速摄影机拍摄烟云前沿位置随时间的变化）、火球的膨胀速率（通过辐射亮度的时间曲线反推）、以及爆心附近的地震波走时。这三个量各用一种传感器采集——冲击波用空气中布置的压力传感器阵列，火球用光电管记录可见光和红外辐射强度，地震波用地表加速度计。每一种传感器的标称精度都在 1% 左右。更糟的是，戈壁滩的环境——零下二十度到零上四十度的温度跨度、沙尘暴带来的机械振动、光学路径上的气溶胶散射——让传感器的实际工作精度远低于 1% 的出厂指标。

但最终当量要用它们反推出千分之一精度。因为如果你估错了 0.5%——对整个武器设计来说，这个误差意味着你根本不知道下一次实验该填多少装药、该把临界质量调到哪个点。

你可能会想：找更好的传感器。但在当时的条件下——冷战封锁、技术禁运、国内工业基础刚刚起步——"更好的传感器"不是一个选项。这个选项就不存在。

答案不是硬件。答案是方法论。

当你被逼到这个墙角的时候，你会发现一件奇妙的事：传感器只是物理世界和数字世界之间的一个"翻译器"。如果翻译器不够好，你可以用数学去重新校准它、用物理模型去补充它、用统计规律去提炼它。当硬件走到尽头的时候，数学和物理就成了你新的传感器。这不是1964年戈壁滩上那群人的专利——这是每一代工程师在绝境中都会发现的秘密。

我在面板厂做良率分析时，每天都要面对检测工具的物理局限。一片玻璃基板上有几千个面板单元，每个单元有几百万个 TFT——而用来检测缺陷的工具，精度有限。AOI（自动光学检测）能看到颗粒，但看不到 50nm 的针孔。电性测试能测 TFT 参数，但看不到物理形态。点灯测试能看到坏点，但不知道原因。

检测工具的物理局限，逼出了另一个方法：多组数据融合。把 AOI、电性测试、点灯测试的三组数据叠加——一个 AOI 漏检的针孔，会在电性测试里表现为漏电流偏高，在点灯测试里表现为某个像素不亮。三组粗糙的眼睛，从三个方向观察——融合后的定位，比任何单一检测都精确。

方法一：当你有时间，你就有精度

随机噪声——热噪声、散粒噪声——有一个至关重要的数学特性：它是零均值的。这意味着如果你对同一个物理量多次采样然后取平均，噪声会相互抵消。

σ_n = σ / √n

标准差的下降速度，是采样次数平方根的倒数。测量 100 次，精度提高一个数量级。测量 10000 次，精度提高两个数量级。

这个公式很优雅。但它的前提也很苛刻：噪声必须是零均值的、不相关的。对大多数物理传感器来说，这两个前提近似成立——但不是全局成立。你需要知道你的传感器的噪声特性，知道它在什么条件下满足"零均值、不相关"，在什么条件下不满足。这需要对物理世界深刻的理解，而不仅仅是数学公式。

说一个具体例子。一个 12 位 ADC，量化噪声的理论 RMS 是 LSB/√12 ≈ 0.289 LSB。如果你对同一个直流信号采样 100 次然后取平均——假设叠加在信号上的噪声是白噪声，幅度至少大于 1 LSB——有效分辨率会从 12 位提高到 16 位。4 个额外 bit 的精度，完全不修改硬件。只需要多采 100 次样、做一个累加和移位。这就是过采样 + 抽取（oversampling and decimation）。你没花钱，没换芯片，没改 PCB 布局——你只是把采样频率从 1kHz 提到了 100kHz，然后用时间换精度。

但注意那个前提：“噪声是白噪声且幅度大于 1 LSB”。如果你的信号干净得没有任何噪声——比如你测的是一个从精密电压基准输出的恒定电压——过采样不会提升有效位数。因为 ADC 每一次转换都落在同一个量化区间里，你做 100 次平均得到的还是那个值。你需要噪声把信号在两个 LSB 之间"抖动"——这就是抖动注入（dithering）的技巧。故意在输入端叠加一个已知幅度的伪随机噪声，让信号在量化边界上反复横跳，然后过采样把它平摊掉。听起来自相矛盾——加噪声来减少噪声——但数学证明它是可行的。

戈壁滩上的工程师没有 ADC，更不用说过采样。他们用的是什么呢？示波器拍照，一张一张地记录波形，然后人工读数、人工计算平均值。一万次采样——不是一万行 Python 脚本，而是一万张底片、一万次记录、一万次计算。每张底片的曝光、冲洗、读数——任何一步操作失误，那张底片废掉，重新来。一万次，不是比喻。是精确的一万次。

你手上如果有 12 位 ADC，用 100 次过采样把精度提到 16 位——你应该心怀感激。你的前辈用一万张底片换来了 100 次软件采样可以达到的精度。

方法二：用已知量"校准"——和校准的传递链

如果你有一个 1kg 的标准砝码，放在传感器上，记录输出值，用这个偏差去校正后续的所有测量——这就是交叉校准。

本质上，你在用绝对精确的参考量，给不精确的传感器画一张"偏差地图"。

你在 ECU 上做的传感器学习（sensor calibration），和这是一模一样的逻辑。方向盘角度传感器过 EOL（下线检测）时，产线工人打满左 + 打满右，ECU 抓到两端的位置——这两个已知的端点，就是你的"标准砝码"。然后你在中间做插值，补偿非线性。

但校准不止这一种。还有一种更精巧的方法：校准传递。你没有直接的标准砝码，但你有一个可以被标准砝码校准的传递标准。比如，你没有精确的压力源去校准 MAP（进气歧管绝对压力）传感器，但你在产线上有一台经过计量院标定的参考气压计。你用它先校准一批"金样件" MAP 传感器——然后用这些金样件去校准产线上每一台车的 MAP 传感器。精度会逐级衰减，但只要每一级的衰减因子可控，最终的精度仍然远高于不校准的原始传感器。

这就是一条校准链。本质上是把绝对精度从一个已知参考点向外"搬运"，像接力一样传递到最终产品上。汽车工业的整个质量体系——从国家标准到计量院到产线工装到 EOL 工位——就是一张巨大的校准传递网络。

再比如爆震传感器：每个缸体在不同温度下的"正常振动"背景值，也是一种参考——DSP 不是在检测"是否有振动"，而是在检测"振动是否显著偏离了正常背景"。这就是参考校准的变体：你的参考不是绝对零，而是统计规律下的"预期正常值"。

我在面板厂做良率分析的时候，对这一套感受特别深。每一台光学检测机台——KLA、AMAT、Hitachi——出厂前都被原厂用标准缺陷基板校准过。校准片上用聚焦离子束（FIB）精确雕刻了尺寸已知的人造缺陷。但机台搬到产线以后，温度变化了几度，光学平台上积累了几个月的微尘——校准就开始漂。我们用机台自带的每日 monitor 跑一遍自动校准程序，再用裸基板做 particle count 验证。每一个产线工程师都知道：你今天看到机台显示的"缺陷尺寸 0.35μm"——它可能是 0.30，也可能是 0.40。但你通过校准传递链，把不确定性控制在了一个已知的范围内。你不知道真值是多少，但你知道误差在 ±0.05μm 之内。这就够了。

方法三：让共模自己消失——差分测量的智慧

有时候问题不是精度不够，是信号被淹没了。

你的传感器输出一个微伏级的信号，但周围环境的电磁干扰是毫伏级的——信号完全被噪声盖住了。这时候你不应该跟噪声"硬刚"——你应该让噪声自己消失。

这就是差分测量和电桥电路的核心智慧。

惠斯通电桥（Wheatstone Bridge）是工程史上最优雅的发明之一。四个电阻臂构成一个平衡电路：当桥臂平衡时，输出端电压为零。任何微小的不平衡——比如一个应变片被拉伸了 0.01%——会在输出端产生一个微弱的差分电压。但外界温度变化导致的所有四个臂同时改变阻值——这个共模变化被电桥自动抵消了。

你车上至少几十个传感器在用这个原理。进气压力传感器（MAP）——硅微机械加工的膜片上有四个压敏电阻，组成惠斯通电桥。压力让膜片弯曲，两个电阻被压缩、两个被拉伸，电桥失衡，输出差分电压。温度变化？四个电阻一起漂，共模抵消。这比用单个压敏电阻加温度补偿表——精度至少高一个数量级。

差分 CAN 总线也是一样的逻辑。CAN_H 和 CAN_L 两条线并行走线，外界电磁干扰在两线上感应出几乎完全相同的共模噪声。接收端的差分比较器只看 CAN_H - CAN_L 的差值——共模噪声在减法中彻底消失。这就是为什么 CAN 总线在汽车的电磁地狱里还能可靠通信：不是你屏蔽做得好，是差分让噪声自己打自己。

从惠斯通电桥到差分信号，从仪表放大器到全差分 ADC——整个精密测量领域的基石思想只有四个字：让共模抵消。不需要消灭噪声，只需要让噪声在两个通道上完全相同地出现——然后做减法。物理世界帮你做完最难的步骤。

方法四：让物理模型帮你"猜"——卡尔曼滤波的直觉

有时问题不是精度不够——是你根本无法直接测量你想要的值。

电池 SOC（电量状态）就是一个典型的例子。你不可能拿一个"SOC 传感器"直接插进去读一下还剩多少电。SOC 是系统状态，不是传感器可测的物理量。

BMS 的做法是：电流积分（安时法） 累加充入和放出的电量，给出 SOC 的连续估计；同时周期性地用 OCV-SOC 曲线（开路电压 → 电量映射）做修正。两个粗糙的测量——电流传感器的积分误差和电压传感器的噪声——通过系统的物理模型融合，给出精确的 SOC 估计。

这个方法有一个名字：卡尔曼滤波。

让我用最简单的语言讲清楚卡尔曼滤波在做什么。没有矩阵。没有协方差。只有三个词：预测—测量—更新。

你站在一条漆黑的走廊里。你想知道自己的位置。第一步：你根据上一步的位置和你的步长，预测你现在在哪里——"我上一秒在门口，迈了三步，一步大约 0.7 米，所以我现在应该在门口往里约 2.1 米的位置。“但这个预测是不确定的——你的步长并不精确。第二步：你伸手摸到了墙壁上的一扇门，你知道这扇门在离门口刚好 2.5 米的位置——这是你的测量。但测量也是不精确的——你不知道你的手是不是摸偏了。第三步：你根据预测和测量的相对可信度把它们融合——如果你的步数估计很准但测量很粗糙（比如你只是隐约摸到了门框），你就更相信预测；如果测量非常确定（比如你的手掌完全贴在门把手上），你就更相信测量。最终你得到的"我的位置大约是 2.3 米”——比你单纯用预测（2.1 米）或单纯用测量（2.5 米）都更接近真实。

这就是卡尔曼滤波。预测来自你对物理世界的建模。测量来自传感器。融合的权重来自统计——预测的不确定性和测量的噪声，哪一个更小，哪一个权重就更大。最终输出的估计值，比任何一个单一传感器都精确。

车速估计 = 轮速传感器 + IMU 加速度 + GPS 速度 + 车辆动力学模型

每一项单独拿出来都不够精确。但融合之后，精确到可以用于 ESP 的滑移率计算。

还有一个更细腻的例子：轮速传感器的齿间插值。一个 48 齿的磁性音轮——车轮每转一圈产生 48 个脉冲。在 100km/h 时，齿周期大约是 1.5 毫秒。但 ESP 的控制周期是 1 毫秒——在下一齿到来之前，ESP 需要知道当前的瞬时轮速。怎么办？不是"等下一齿"。是用上一次的两个齿之间测得的平均速度，加上根据上一次齿间加速度推算出的"当前速度预测值"，在脉冲空缺的 1.5ms 里外推。等到下一个脉冲真的来了，用实测值修正模型，重新校准加速度参数。这就是轮速传感器的卡尔曼滤波——虽然它是单维的，不需要矩阵，但它的灵魂一模一样：预测 + 修正。

更进一步的——齿间插值可以精确到什么程度？如果你不仅测量齿间的时间间隔，还利用磁轮旋转时磁场变化的连续波形——在每一个齿的上升沿和下降沿之间，模拟磁场是连续穿越感应元件的——你可以从 48 齿扩展到等效几千个虚拟齿。48 齿的一圈，精度 360°/48 = 7.5°。加上连续波形拟合和卡尔曼轨迹估计——精度可以推到 0.01°。从 7.5° 到 0.01°，不是硬件升级，是数学和物理的组合拳。

方法五：让物理规律替你做减法——多燃烧周期的统计叠加

发动机爆震检测是另一个完美的案例。一颗压电传感器——本质上是一块冲击陶瓷——贴在缸体上。你不只捕获到了爆震产生的特征压力震荡——你同时捕获了活塞敲击缸壁的机械振动（大约在 500Hz-2kHz）、气门落座的冲击、正时链条的哗啦声、路面的低频振动。爆震特征信号在 5-15kHz 的频率带上，但它的幅值——在最严重的情况下——也只是燃烧室最大压力的约 5%。在轻微爆震时，这个比例可能低到 1%。传感器的输出信噪比在全部工况范围内经常是负数——噪声比信号大。

传统做法——设一个电压阈值，高过阈值就算爆震——在发动机全工况内是根本不可用的。怠速时的背景振动幅值比 6000RPM 全负荷时低了两个数量级。一个固定阈值要么在低速时漏检，要么在高速时误判。

ECU 的实际做法深刻地体现了前面所有方法的综合：第一，带通滤波——在时域上把 5-15kHz 之外的所有振动分量砍掉，这是让共模以外的频率分量消失。第二，统计阈值检测——不需要一个固定阈值，而是让 ECU 在稳态工况下（比如怠速、定速巡航时）自学每个缸"正常燃烧噪声"的均值和标准差。定义阈值 = μ + kσ——k 是一个标定值，由 OEM 根据发动机耐久性和排放综合权衡。第三，多循环叠加——你连续观察 N 个燃烧循环的爆震窗口。一个循环里的信号可能被随机噪声淹没，但你把 N 个循环的爆震信号对齐到曲轴角度的同一位置、做叠加平均——噪声因为是随机的而衰减 1/√N，爆震信号因为是确定性的而保持不变。经过 100 个循环的叠加，SNR 改善 10 倍。

20dB 的 SNR 增益——不靠更好的传感器，不靠更好的 ADC，不靠屏蔽。靠的是"你把同一件事重复了 100 次，然后把它们对齐叠加起来"这个思想。戈壁滩上一万张底片——也是同一个思想。

首先，你需要相信这是可能的

精度 1% 的传感器能测出千分之一精度的物理量。

这不是魔法。这需要数学（过采样和统计）、物理（噪声建模和差分抵消）、系统理论（卡尔曼滤波）、电路设计（电桥和差分放大），以及对传感器本质的深刻理解。

但首先——需要你相信这是可能的。

如果 1964 年戈壁滩上的那群工程师选择了放弃——“传感器不够好，没法做。等更好的传感器来了再说。”——那个项目就不会有结论。核爆炸的精确当量就是未知数。后续的防御决策就没有数据支撑。

最后：你已经在做了

你可能没有意识到——你每天都在做同样的事。

每一个曾经用示波器手动 decode 过 SPI 波形的你。每一个在没有仿真环境的情况下把代码烧进 Flash 反复重启测试的你。每一个在 128KB SRAM 里精细分配缓冲区地址的你。每一个用安时积分+OCV修正估算 SOC 的你——你们都在重复同一个故事。 1964年戈壁滩上的那群人，今天下午在实验室里穿着无尘服盯着 AOI 图像的良率工程师，昨天晚上坐在示波器面前一帧一帧 decode CAN 报文的你——用的是同一种思维、同一种精神、同一种"我不信这个邪"的倔强。

资源永远是不够的。 无论是 1964 年的戈壁滩，还是半导体工厂，还是你今天写着 MISRA C 2012 法规要求的 ASIL-D 安全代码——资源向来不够。但资源和方法的结合，可以创造出超越资源本身的结果。

这就是一条贯穿全书、贯穿你整个职业生涯的主线：有限资源 + 人的主观能动性 = 无限可能。

本篇小结

今天我们做了一件事：用多种方法论——从过采样到卡尔曼滤波——证明了——精度1%的传感器，可以测出千分之一精度的物理量。

关键结论：

1. 过采样 + 统计平均：用时间换精度，噪声是零均值的，采样10000次，精度提升两个数量级。
2. 差分测量让共模自己消失：从惠斯通电桥到CAN总线，不需要消灭噪声，只需要让噪声在两个通道上完全相同地出现——然后做减法。
3. 卡尔曼滤波的本质只有三个词：预测—测量—更新——融合多路粗糙传感器，得到比任何单一传感器都精确的估计。

下一节，那群戈壁滩上的工程师背后，是一段比任何好莱坞电影都更震撼的故事。

【下集预告】

这群戈壁滩上的工程师——他们背后的故事，比任何好莱坞电影都更震撼。苏联撤走所有专家、带走所有资料，留下一句"没有我们，你们一辈子也造不出原子弹"。然后呢？算盘 + 手摇计算机、手工打磨微米级离心机转子、拿生命做实验安全担保。两弹一星的精神到底是什么？下一节，我们走进那段历史。