企业官网建设流程全解析

调一个带MPU9250的便携航姿参考系统时，陀螺仪和加速度计的温漂都收拾利索了，一上电yaw还是能慢悠悠地偏出去十几度，甚至在桌上转一圈回到起点，航向角对不上。排查到最后，问题出在磁力计——AK8963的原始数据里带着电池、USB线和PCB走线叠上去的固定偏置，硬磁软磁一混合，yaw不飘才怪。这篇文章把MPU9250磁力计校准这件事从头到尾捋一遍，从手动的椭圆拟合到InvenSense官方mpl库的自动校准，再加上我实际调参时踩过的坑，适合正在调姿态模块、搞机器人导航或者做手持IMU的朋友。

1. 为什么磁力计非校准不可：干扰模型与航向误差

1.1 地磁场信号有多弱

地磁场强度通常只有25到65 μT，赤道附近大约30 μT，中纬度地区约50 μT。而一个普通扬声器磁铁在几厘米距离上就能达到几十mT，是地磁强度的上千倍。这意味着模块附近的铁磁性部件、大电流走线、电池金属外壳，都会让磁力计读数带上明显的直流偏置或方向性畸变。

AK8963的量程可以配置到±4900 μT，满量程是地磁强度的几十上百倍。很多干扰信号在这个量程里看起来只是“读数变大了一点”，不仔细看根本发现不了，但对航向角的影响却是致命的。你能从数据手册上读到分辨率、量程、灵敏度，但手册不会告诉你：这个芯片在真实电路板上拿到的数据，已经被周围环境“拧”成什么样子了。

所以想让磁力计给出可用数据，第一步永远是校准，而不是滤波。低通滤波只能平滑噪声，滤不掉偏置和方向性畸变。你在软件里再怎么滑窗平均，偏移还是那个偏移，yaw该偏多少还是偏多少。

1.2 硬磁干扰与软磁干扰：一个是偏置，一个是扭曲

磁力计的干扰可以粗略分成两类。

硬磁干扰来自那些不带磁滞的固定磁场源，比如电池、螺丝、PCB走线形成的电流环、扬声器磁铁等。它的效果很直接：理想情况下，磁力计三轴读数应该分布在一个以原点为球心的球面上，硬磁干扰把整个球心从原点拉走。你采集到的点云是一个“偏心球”，中心偏移量就是硬磁偏置。

软磁干扰来自铁磁材料对磁力线的重新导向。铁磁体本身不产生磁场，但它会改变周围磁场的方向和大小，相当于把空间“拉伸”了。效果是球面被压成椭球面，光把球心搬回原点还不行，你还得对各个方向的读数做伸缩矫正。

现实场景里两类干扰几乎同时存在，所以完整校准需要两个参数：

• offset：硬磁偏置，也就是椭球的中心坐标。
• scale / soft-iron矩阵：软磁矫正，描述椭球的形变。

有些更细致的库还会把传感器的非正交误差也合并进scale矩阵。但工程上大多数情况，offset加三轴scale就够用了，交叉项那些可以后面再慢慢处理。

1.3 不校准的航向误差到底有多大

如果你对磁力计不校准直接拿来算航向，误差可能大到你怀疑人生。假设地磁水平分量大约是50 μT，这时叠加上一个50 μT的固定偏置，光这路偏置就能带来约45度的航向偏差。如果偏置是20 μT，误差也在20度以上。再叠加软磁造成的周期性波动，yaw数据看起来就像“醉汉走路”。

我之前一块模块放在办公桌上实测，未校准时yaw误差峰值约±38度，均值偏移约25度。后来做了椭圆拟合，把offset和scale补偿进去，同一张桌子上静态航向误差降到了±1.5度以内。这个对比是我入门时印象最深的一组数据，也是我一直强调“磁力计必须校准”的原因。

2. 椭圆拟合校准：从数据采集到最小二乘实现

2.1 为什么转几圈就能校

磁力计在三维空间中的读数，本质上是在地磁矢量周围画点。设备姿态变化时，真实磁场方向相对传感器坐标系发生变化，但模长始终等于地磁场强度。如果传感器没有误差，这些点应该分布在一个以原点为球心的球面上。有硬磁干扰，球心偏了；有软磁干扰，球变成椭球。

校准的目标，就是从这个“变形球”里把球心和形变参数反推出来。这就是椭圆拟合/椭球拟合的数学本质——它其实是一个几何拟合问题。

用公式表达：

h_meas = A * h_true + b

其中h_meas是AK8963的原始读数，A是3x3软磁矩阵，b是硬磁偏置。校准要做的就是估计A⁻¹和b，使校准后的点落在单位球面附近。

如果设备只在水平面里旋转，roll和pitch基本为0，那么真实磁场的水平分量x/y组成一个圆，垂直分量z几乎不变——这时候只对x/y做二维椭圆拟合就够了。如果设备会带俯仰角、翻滚角，二维模型会失准，必须做三维椭球拟合。

2.2 数据采集的动作要领

校准结果好不好，七成取决于数据采得好不好。算法再漂亮，点云覆盖不全也白搭。

我总结了一套比较稳的采集方法：

• 把模块放在远离铁磁物体和强磁场源的地方，桌面、瓷砖、木台都行，别贴近铁管、机箱、音箱、电机。
• 供电建议用电池或干净的隔离电源。USB线供电时，USB线缆自身的电流回路会产生低频磁场干扰，我实测过插拔USB线前后拟合出的offset能差出20 μT，这个量级足够让航向角出几度偏差。
• 手持设备，绕三个互相垂直的轴各转2到3个完整圈，动作要慢，让每个姿态上的采样点尽量均匀。
• 采样率50到100Hz，采集20到30秒，至少攒下2000个点。
• 采集完用Python把3D散点图打出来，检查点云是不是覆盖出了一个完整的球壳。如果有一边缺角，拟合结果在缺角方向上会偏得很厉害。

提示：建议定一个固定的“校准动作模板”，比如绕X轴转3圈、绕Y轴转3圈、绕Z轴转3圈，每次校准都用同样的轨迹。这样不同时间、不同环境下的校准结果才有可比性，出现问题也容易定位。

2.3 二维椭圆拟合的最小二乘实现

二维椭圆的标准隐式方程写出来是：

A x² + B xy + C y² + D x + E y + F = 0

采集到一堆(x, y)点之后，把每个点代入方程，得到关于系数(A, B, C, D, E, F)的超定线性方程组。最小二乘求解时直接令||Dv||²最小还不够，目标函数会给出全零解，必须加一个约束。常见做法是加Fitzgibbon约束4AC - B² = 1，或者用归一化约束。

用Python实现就这几行：

import numpy as np from scipy.linalg import eigh def fit_ellipse(points): x = points[:, 0] y = points[:, 1] # 设计矩阵 D = np.column_stack([x * x, x * y, y * y, x, y, np.ones_like(x)]) S = D.T @ D # Fitzgibbon 约束矩阵 C = np.zeros((6, 6)) C[0, 0] = 2 C[1, 1] = -1 C[2, 2] = 2 # 广义特征值分解，取最小特征值对应特征向量 _, v = eigh(np.linalg.inv(S) @ C) return v[:, 0] def ellipse_center(coeffs): A, B, C, D, E, F = coeffs x0 = (2 * C * D - B * E) / (B * B - 4 * A * C) y0 = (2 * A * E - B * D) / (B * B - 4 * A * C) return np.array([x0, y0]) def ellipse_angle(coeffs): A, B, C, D, E, F = coeffs return 0.5 * np.arctan2(B, A - C)

拟合得到系数后，你还需要从系数里提取长短轴和旋转角，再把原始坐标变换到椭圆主轴坐标系里，除以半轴长度，让椭圆变成圆。拟合出的中心坐标就是硬磁偏置，长短轴的比值就是软磁scale。

实测下来，这个方法在点数足够、覆盖均匀时可以做到很稳。但有个坑：当点云接近正圆时，约束矩阵的条件数会变大，结果可能不稳定。遇到这种情况，可以给S矩阵加一点正则化项，比如S += 0.001 * I，或者采集时多转几圈，别偷懒只转半圈。

2.4 三维椭球拟合：二维扩展到三维

设备会翻身、俯仰角变化大，或者想一次校彻底，就必须做三维椭球拟合。三维椭球方程展开后比二维多几个交叉项，总共有10个系数：

x², y², z², 2xy, 2xz, 2yz, 2x, 2y, 2z, 1

对应的Python实现也很简洁，直接拿SVD解：

import numpy as np def fit_ellipsoid(points): x = points[:, 0] y = points[:, 1] z = points[:, 2] D = np.column_stack([ x * x, y * y, z * z, 2 * x * y, 2 * x * z, 2 * y * z, 2 * x, 2 * y, 2 * z, np.ones_like(x) ]) _, _, Vt = np.linalg.svd(D, full_matrices=False) return Vt[-1]

注意，这里用的是无约束最小二乘SVD解，如果点云覆盖不均匀或者点数太少，解出来的二次型矩阵可能不正定，拟合结果会退化成一个双曲面——这时候画出来的模型会特别奇怪。解决办法就是增加数据量、让覆盖更均匀，或者加了约束去解一个半正定二次型。

拿到10个系数之后，可以按照下面几步反推出中心、姿态矩阵和半轴长度：

• 取系数中的二次项和交叉项，构造3x3对称矩阵Q。
• 取一次项向量p。
• 椭球中心 center = -0.5 * Q⁻¹ p。
• 把原始数据减去中心，再对Q做特征分解，得到特征向量U和特征值。
• 半轴长度等于特征值倒数的平方根，校准矩阵M = U @ diag(1/semi_axes) @ U⁻¹。

完整的校准公式是：

h_cal = M @ (h_raw - center)

这个小工具脚本我现在还留着，每次换硬件布局就重新跑一遍，输出一组offset和scale，写入Flash或者配置文件里。

提示：很多工程项目的磁力计校准其实没必要搞完整的软磁矩阵。对于大多数航向推算场景，只补偿三轴offset，最多把三轴scale独立归一化，精度就能从“完全不可用”提升到“几度以内”。交叉项留给那些对精度有硬性要求的场景。

2.5 校准效果怎么验证

校准没校准，不能凭感觉，得用数据说话。

第一步是数据验证：重新采集一组覆盖完整的旋转数据，用校准参数处理一遍，统计|h_cal|的均值和标准差。理想情况下校准后磁向量模长应该处处相等，如果你的标准差还在±3%到±5%以上，说明软磁项没消干净，或者点云覆盖还有死角。

第二步是航向验证：把模块平放，在量角器或转台上每隔30度停下来，读取融合后的yaw，画一条误差曲线。如果误差曲线有周期为180度的波动，说明软磁项没校正到位；如果是一个固定的大常数偏差，先别急着调算法，查一下当地磁偏角。

3. mpl库自动校准：把校准交给官方库

3.1 先分清楚MPL、DMP和MPU9250的关系

很多初学者把MPL和DMP混为一谈。实际上：

• MPL是InvenSense（现TDK）提供的运动处理软件库，跑在主控CPU上，负责姿态融合、传感器校准等算法。
• DMP是MPU6500芯片内部的一个可编程处理器，可以分担一部分数据预处理和运动识别，减少主控负担。
• MPU9250则是MPU6500（加速度计加陀螺仪）和AK8963（磁力计）的合封，AK8963挂在MPU6500内部的I2C master总线上。

磁力计的数据最终要给到host端。DMP在固件侧可以读取并携带磁力计数据，但真正做磁力计校准和九轴融合的还是host端的mpl库。搞清楚这一层，后面移植和排查问题会顺畅很多。

3.2 mpl的自动校准机制

mpl库内置了磁畸变检测：当传感器检测到的磁场模长与预期地磁场模长偏差过大时，它会把当前数据标记为磁畸变，不拿这些数据参与融合。在校准阶段，你只要让设备做充分的旋转运动，mpl就会持续估计硬磁偏置和软磁矩阵，并不断更新内部参数。

这和离线椭圆拟合的差异很明显：椭圆拟合是“拿一批数据，算一次结果”，mpl是“边运行边估计，持续更新”。所以mpl被称为自动校准，它不需要你单独导出一批数据再去跑脚本，正常工作前的热身动作就是两个字：转动。

3.3 接入mpl的典型流程

接mpl库的工作量比很多人想象的要大，但只要跑通一次官方例程，后面就好办。大致有四步：

1. 把运动驱动代码移植进工程，包括inv_mpu.c、inv_mpu_dmp_motion_driver.c以及mpl库本身，配置好I2C地址、中断引脚。
2. 初始化并使能磁力计和FIFO。

#include "inv_mpu.h" #include "inv_mpu_dmp_motion_driver.h" mpu_init(); mpu_set_sensors(INV_XYZ_GYRO | INV_XYZ_ACCEL | INV_XYZ_COMPASS); mpu_configure_fifo(INV_XYZ_GYRO | INV_XYZ_ACCEL); mpu_set_compass_sample_rate(20); dmp_enable_compass(1); dmp_set_fifo_rate(50);

3. 在主循环里读取磁力计数据和DMP输出。

short gyro[3], accel[3], compass[3]; long quat[4]; unsigned long timestamp; short sensors; unsigned char more; // 读取磁力计数据，不同版本的驱动接口可能叫 mpu_get_compass_reg read_compass_data(compass); // 读取FIFO中的陀螺仪、加速度计和四元数 dmp_read_fifo(gyro, accel, quat, &timestamp, &sensors, &more);

4. 把DMP输出的四元数转成欧拉角，这时得到的yaw已经经过mpl的磁力计融合和校准。

需要特别提醒：不同版本的运动驱动包，函数命名有差异。比如读取磁力计的函数，我用的版本里是mpu_get_compass_data，另一个分支里可能叫mpu_get_compass_reg，或者干脆要从FIFO里取。编译报错的时候别硬抄老代码，去inv_mpu.h里翻一下函数声明，照着新接口改。

3.4 判断自动校准是否完成

mpl的自动校准不像离线拟合有一个明确的“结束”标志。它更像一个持续收敛的过程。你可以通过读库暴露的磁畸变状态来粗判：如果设备转动一段时间后，磁畸变状态长时间不再触发，说明磁场模长已经稳定在正常范围，校准基本收敛了。

实际项目里我会加一个简单逻辑：系统启动后让用户做一次“8字转动”，同时记录10秒内磁畸变触发次数，如果触发次数低于某个阈值，就把当前yaw当作有效输出；如果一直触发，就提示用户周围可能有强磁场环境。

3.5 自动校准的局限

mpl自动校准不是万能的。三个典型限制：

• 设备上电后如果一直静止，它永远不会自动校准，因为算法需要运动激励来积累不同方向的观测。
• 如果设备固定安装在一个强干扰源旁边，比如铁架台面、金属外壳、电机驱动板附近，磁场模长长期偏离正常值，mpl会一直认为处在畸变环境，偏移参数不更新。
• mpl库的体积和依赖比单纯一个拟合函数大得多，MCU资源紧张时要掂量一下。官方ARM版本能在几百KB Flash的MCU上跑，但8位MCU基本没戏。

4. 椭圆拟合与mpl自动校准的实战对比

4.1 两种方案的差异对比

4.2 我推荐的组合方案：出厂粗校准加运行期细校准

用过一段时间之后，我自己固定下来一套组合打法，效果比单独用任何一种都稳。

出厂或生产阶段，用椭圆拟合脚本生成一组初始offset和scale，写进Flash。这保证了每台设备开机就有底子，即使在仓库里放一个月不动，上电后航向也不会离谱。

运行阶段开启mpl自动校准。设备一旦进入真实使用场景，用户的动作自然会带来旋转激励，mpl会根据当前环境实时微调偏移参数。换了个环境、有人把手机壳磁铁贴上了，它能慢慢把偏置修正回来。

定期维护时，重新跑一次椭圆拟合，用新参数覆盖Flash里的旧值。特别是硬件布局改变后，比如换电池、加金属支架、换外壳，一定要重新校一遍。

如果你不想引入mpl库，也可以自己在固件里做一个滑动窗口的在线拟合：缓存最近2000个磁力计采样点，每隔一段时间跑一次最小二乘椭球拟合，把结果更新到补偿参数里。这是轻量替代方案，很多开源四轴固件就是这么处理动态磁干扰的。

4.3 我踩过的坑

这些坑基本都能在网上看到有人问，但亲自踩一遍才算真记住。

USB供电导致的偏移变化。用USB线供电时拟合出来的offset，和我换成电池供电拟合出的offset，能差出20多μT。USB线缆的电流回路产生了额外磁场，这个干扰虽然不大，但对要高精度磁力计校准来说已经够明显了。从那以后，凡是做磁力计校准，我全部改用电池供电。

轨迹不满导致的“假收敛”。有段时间为了省时间，只绕一个轴转圈，点云看起来像个甜甜圈，三维椭球拟合法线方向上的伸缩项始终不准。后来改成绕三个轴各转几圈的固定动作模板，问题才解决。拟合算法本身没错，错在我喂给它的数据覆盖太差。

漏掉AK8963的灵敏度修正寄存器。AK8963出厂时每个芯片的ASA寄存器里存着X/Y/Z轴的灵敏度修正系数，上电后必须读出来按公式修正量程。很多例程只读取原始值不乘系数，导致不同板卡的读数模长不一致，后面无论是椭圆拟合还是mpl都会踩雷。

磁力计和惯性传感器的坐标系没对齐。MPU9250里的AK8963与MPU6500的坐标轴方向不完全一致，数据拼接前需要做旋转和符号修正。没做这一步，融合算法会觉得磁力计和陀螺仪在“打架”，yaw要么剧烈抖动，要么缓慢漂移。

磁偏角没有处理。所有磁力计输出的是地磁北极方向，不是地理北极。各地磁偏角从几度到十几度不等，不修正的话，静态航向和真实方位永远差一个固定角度。

这里最后再分享一个小技巧：每次改动硬件布局后，先别急着调算法，用同一个“校准动作模板”跑一遍椭圆拟合，对比offset变化。如果变化超过20 μT，就花一分钟重新校准一次。反正一套采集加拟合的Python脚本半小时内能写完，这比后续在无人机、机器人上发现yaw飘了再回头排查要省事得多。磁力计校准这件事，说到底就是把“环境对传感器的影响”量化清楚，然后把它从测量结果里扣掉。搞懂这一点，无论手写椭圆拟合还是用mpl自动校准，心里都会踏实很多。