上篇讲了图像处理基础——滤波、边缘检测、形态学操作。图像处理本质上是对二维信号做处理而信号处理的理论框架比图像处理更底层、更通用。面试中信号处理这个板块很多候选人准备得不够。做机器人的觉得这是通信专业的事做算法的觉得这是硬件工程师的活。但讲真你调IMU数据要滤波你做音频处理要采样你设计控制系统要分析频率响应——这些全是信号处理的基本功。今天把信号处理最核心的三个概念拆开讲傅里叶变换、滤波设计、采样定理。傅里叶变换把信号拆成频率的积木傅里叶变换的核心思想一句话就能说清楚任何信号都可以分解成不同频率的正弦波的叠加。时域信号是你看到的波形——振幅随时间变化。频域信号是你把波形拆开之后看到的——每个频率分量有多大的振幅和相位。振幅代表这个频率分量的强度相位代表它的起始位置。做FFT之前有个容易忽略的步骤加窗。直接对整段信号做FFT相当于给信号乘了一个矩形窗频谱会有泄漏本来集中的频率分量会扩散到旁边。常用的窗函数有汉宁窗、汉明窗、布莱克曼窗。汉宁窗在频谱泄漏和频率分辨率之间取得了比较好的平衡大多数场景用它就行。import numpy as np signal np.sin(2 * np.pi * 5 * t) np.sin(2 * np.pi * 20 * t) fft_result np.fft.fft(signal) freqs np.fft.fftfreq(len(signal), d0.001)上面这段代码生成一个混合信号——5Hz和20Hz的正弦波叠加然后做FFT。频谱图上你会在5Hz和20Hz的位置看到两个尖峰这就是信号里包含的两个频率分量。傅里叶变换在机器人领域的应用非常广泛。IMU的陀螺仪数据里有高频噪声用FFT一看就知道噪声主要集中在哪个频段然后设计对应的低通滤波器把它滤掉。振动分析也是类似的思路——电机的振动信号做FFT看哪个频率的振幅异常大就能判断是不是轴承出了问题。面试中经常被问到的一个点FFT的时间复杂度是多少直接算DFT是O(N^2)FFT快速傅里叶变换利用了对称性和周期性把复杂度降到了O(N log N)。这也是为什么实际中都用FFT而不是直接算DFT。还有一个容易混淆的概念DFT和FFT的区别。DFT是离散傅里叶变换的数学定义FFT是计算DFT的一种快速算法。面试时候别说反了。滤波设计低通、高通、带通和带阻滤波就是保留某些频率分量去掉其他频率分量。低通滤波器——让低频信号通过截止高频信号。IMU数据去噪最常用的就是低通滤波。陀螺仪的高频抖动基本都是噪声保留低频的运动信号就行。高通滤波器——反过来让高频通过截止低频。边缘检测里用的Sobel算子本质上就是一个二维高通滤波器——边缘是灰度变化快的地方高频平坦区域是灰度变化慢的地方低频。带通滤波器——只让某个频段的信号通过。语音识别里常用人声频率集中在300Hz到3400Hz之间用带通滤波器把这个频段之外的噪声都滤掉。带阻滤波器——去掉某个特定频段。50Hz的工频干扰是最常见的——电源线的电磁干扰会在信号里叠加一个50Hz的正弦波用带阻滤波器把它去掉。from scipy.signal import butter, filtfilt def lowpass_filter(data, cutoff, fs, order4): nyq 0.5 * fs normal_cutoff cutoff / nyq b, a butter(order, normal_cutoff, btypelow) return filtfilt(b, a, data)这段代码用scipy设计了一个Butterworth低通滤波器。Butterworth滤波器的特点是通带内频率响应尽可能平坦没有纹波。order是滤波器的阶数阶数越高滚降越陡——就是截止频率之外的衰减越快。实际调参的时候截止频率的选择很关键。IMU数据通常取20Hz到50Hz的截止频率因为人体的运动频率基本在10Hz以下而噪声通常在50Hz以上。filtfilt这个函数值得说一下。它做两次滤波——先正向再反向这样相位延迟就抵消了。普通的filter比如lfilter会引入相位延迟对实时控制来说可能是个问题但对离线数据分析来说零相位滤波更准确。采样定理模拟世界和数字世界的桥梁采样定理也叫奈奎斯特采样定理说的是要无失真地恢复一个信号采样频率必须至少是信号最高频率的两倍。这个定理看起来简单但实际工程中踩坑的地方太多了。最经典的例子你有一个100Hz的振动信号用150Hz的采样率去采集。150Hz 100Hz看起来满足了采样定理不对。采样定理要求采样频率大于信号最高频率的两倍也就是要大于200Hz。150Hz采样100Hz的信号会出现混叠——高频信号被折叠成低频信号你看到的波形根本不是原始信号。# 混叠示例 t np.arange(0, 1, 1/150) # 150Hz采样率 signal_100hz np.sin(2 * np.pi * 100 * t) # 采样后看起来像50Hz的信号混叠解决混叠的办法有两个一是提高采样率二是采样之前先做抗混叠滤波低通滤波器把高于采样频率一半的信号分量滤掉。实际项目中采样率的选择要考虑成本和精度的平衡。采样率越高数据量越大存储和处理的压力也越大。一般做法是采样率取信号最高频率的2.5到5倍留一些余量给滤波器的过渡带。ADC模数转换器的位数也很重要。12位ADC的分辨率是2^124096级16位ADC是65536级。位数越高量化噪声越小但价格也越贵。IMU里的ADC通常是16位或更高因为惯性传感器的信号动态范围比较大。实际选型的时候采样率和ADC位数要一起考虑。高采样率高位数的ADC价格很贵而且对后端的数据处理能力要求也高。很多场景下12位ADC配合4倍过采样等效精度能接近14位性价比更高。面试中怎么聊面试官问信号处理按这个顺序回答先讲傅里叶变换时域到频域的转换、FFT的复杂度再讲滤波设计低通、高通、带通的适用场景最后讲采样定理奈奎斯特条件、混叠现象和抗混叠方法。如果面试官追问FFT的频谱分辨率怎么提高你可以说频谱分辨率等于采样频率除以采样点数也就是1/TT是采样总时长。要提高分辨率要么增加采样时间要么降低采样频率但不能低于奈奎斯特频率。实际中常用的手段是补零——在信号末尾补零到更长的长度再做FFT这样频谱更密但并不会增加真正的信息量。如果面试官追问巴特沃斯和切比雪夫滤波器的区别你可以说巴特沃斯通带平坦没有纹波但过渡带比较宽。切比雪夫过渡带更陡但通带有纹波I型或阻带有纹波II型。选哪个看具体需求——对通带平坦度要求高的用巴特沃斯对过渡带要求高的用切比雪夫。分享一个我做IMU滤波的经验。当时做一台平衡机器人的姿态估计陀螺仪数据噪声很大直接用角速度积分几秒之后角度就漂得不行了。先做FFT分析发现噪声主要集中在100Hz以上而平衡控制的带宽在20Hz以内。于是设计了一个20Hz截止频率的四阶Butterworth低通滤波器用filtfilt做零相位滤波。滤波之后噪声降了大概20dB积分漂移的问题基本解决了。但这也引入了大约50ms的延迟——虽然是零相位滤波但滤波器本身有群延迟。后来在控制回路里做了延迟补偿整体效果才达到要求。信号处理这些理论看着抽象但在机器人开发中几乎天天在用。面试时候能把理论和实际项目结合起来讲比干巴巴地背公式强太多。下一篇讲传感器选型实战——不同场景下的传感器方案对比与决策。从理论到工程选型传感器是机器人感知系统的起点。如果这篇文章对你有帮助欢迎点赞、在看、转发三连。 你的支持是我持续更新的最大动力。「机器人软件开发面试·从入门到精通」连载系列上一篇第173篇 图像处理基础——滤波、边缘检测和形态学操作下一篇预告第175篇 传感器选型实战——不同场景下的传感器方案对比与决策有任何问题欢迎评论区留言我会尽量回复。