从零到一：用MicroPython驱动MPU6050打造姿态感知核心-洪萨配资

1. 硬件准备与模块选型

第一次接触MPU6050时，我被它火柴盒大小的体积和复杂的参数搞懵了。这个集成了三轴加速度计和三轴陀螺仪的六轴传感器，实际用起来比想象中简单得多。市面上最常见的GY-521模块（搭载MPU6050芯片）价格不到10元，但选购时要注意版本兼容性。去年帮学生调试平衡车项目时，就遇到过老版本模块I2C地址不匹配的问题——有些厂商会用0x69替代标准的0x68地址，这时候要么修改代码，要么用模块上的AD0跳线帽切换地址。

模块的硬件连接简单到令人发指：VCC接3.3V（注意绝对不要错接5V），GND接地，SCL和SDA分别接MicroPython开发板的I2C时钟线和数据线。以常见的ESP32为例，我习惯用GPIO22和GPIO21作为I2C引脚，接线时建议用彩色杜邦线区分功能，这样调试时一眼就能看出问题。曾经有个深夜调试的惨痛教训：因为黑色导线混用，导致GND和SDA接反，烧坏了一个传感器。

2. MicroPython环境搭建

在树莓派Pico上配置MicroPython时，推荐使用最新的固件版本。去年测试发现v1.18之前的版本存在I2C时钟拉伸（clock stretching）问题，会导致MPU6050数据读取不稳定。安装完固件后，用Thonny IDE连接开发板，先做个简单的I2C扫描测试：

from machine import I2C, Pin i2c = I2C(0, scl=Pin(22), sda=Pin(21)) print(i2c.scan())

如果看到[104]的输出（0x68的十进制表示），说明硬件通信正常。有个容易忽略的细节：某些开发板需要上拉电阻，但GY-521模块已经内置了4.7kΩ上拉电阻，所以直接连接就能用。曾见过有人额外添加10kΩ上拉电阻，反而导致信号质量下降。

3. 基础驱动实现

自己写驱动比直接抄代码更有成就感。理解MPU6050的寄存器映射是关键，它的加速度计数据存放在0x3B开始的连续6个字节中，每个轴占用2字节。下面这个经过实战检验的驱动类，包含了最核心的数据读取功能：

class MPU6050: def __init__(self, i2c, address=0x68): self.i2c = i2c self.address = address self.i2c.writeto_mem(address, 0x6B, b'\x00') # 唤醒设备 def read_raw_data(self): data = self.i2c.readfrom_mem(self.address, 0x3B, 14) accel_x = (data[0] << 8) | data[1] accel_y = (data[2] << 8) | data[3] accel_z = (data[4] << 8) | data[5] temp = (data[6] << 8) | data[7] gyro_x = (data[8] << 8) | data[9] gyro_y = (data[10] << 8) | data[11] gyro_z = (data[12] << 8) | data[13] return (accel_x, accel_y, accel_z, temp, gyro_x, gyro_y, gyro_z)

实测发现直接读取的原始值存在明显偏差。比如静止状态下Z轴加速度理论值应该是16384（对应1g），但实际可能在16200-16500之间波动。这时候就需要校准了。

4. 传感器校准实战

校准陀螺仪相对简单：把模块水平静置，收集500组数据求均值。但加速度计校准有个坑——不同放置姿态会影响校准结果。我的土方法是做六面校准：

将模块的X/Y/Z轴分别朝上和朝下放置
每个姿态采集100组数据
计算各轴偏移量时考虑重力影响

def calibrate_accel(mpu, samples=500): offsets = [0, 0, 0] for _ in range(samples): x, y, z, _, _, _, _ = mpu.read_raw_data() offsets[0] += x offsets[1] += y offsets[2] += z - 16384 # 减去1g的标准值 return [offset // samples for offset in offsets]

温度校准容易被忽视。MPU6050的温度传感器线性度不错，但需要换算：Temp_degC = Temp_raw / 340 + 36.53。在无人机项目中，我发现温度每升高10℃，陀螺仪零偏会漂移约0.3°/s，所以高精度应用需要做温度补偿。

5. 姿态解算入门

有了校准数据后，最简单的姿态估计是通过加速度计计算俯仰角（pitch）和横滚角（roll）：

def get_angles(accel_x, accel_y, accel_z): roll = math.atan2(accel_y, accel_z) * 180/math.pi pitch = math.atan2(-accel_x, math.sqrt(accel_y**2 + accel_z**2)) * 180/math.pi return roll, pitch

但纯加速度计在运动时会产生虚假倾斜。这时候就需要融合陀螺仪数据，互补滤波是最容易实现的算法：

angle = 0.98 * (angle + gyro_data * dt) + 0.02 * accel_angle

参数0.98和0.02需要根据实际应用调整。在自平衡机器人项目里，我通过实验发现0.95的比例更适合快速响应。

6. 进阶数据处理技巧

当需要更高精度时，可以启用MPU6050内置的DMP（数字运动处理器）。这需要加载官方提供的固件库，不过MicroPython环境下移植比较麻烦。有个取巧的方法——用Arduino提取DMP处理后的四元数，再通过串口传给MicroPython。

对于资源受限的场景，我优化过一个轻量级卡尔曼滤波实现，只处理单轴姿态估计：

class SimpleKalman: def __init__(self, Q=0.01, R=0.1): self.Q = Q self.R = R self.P = 1.0 self.X = 0 def update(self, measurement): self.P += self.Q K = self.P / (self.P + self.R) self.X += K * (measurement - self.X) self.P *= (1 - K) return self.X

实测在STM32F411上运行，每次滤波仅需50μs，比完整版卡尔曼滤波节省了90%的计算资源。