陀螺仪偏置学习太快，会把真运动吃掉

在线偏置学习原本是为了让陀螺仪越用越稳，但门限一旦设得太激进，系统会在你还没停下时就开始改零点。结果不是漂移被修掉，而是真实慢运动被一点点吃进偏置估计里。

零偏自学习通常依赖“当前应该静止”的判断。算法会看角速度方差、加速度幅值、轮速、关节状态或控制命令，只要满足条件，就把当前输出的一部分缓慢回写为零偏。这个机制在长时间停放或热稳定后很有价值，但它最怕的就是把“慢动”误判成“静止”。

静止判据漂移往往来自场景变化。桌面调试时，设备停着就是停着；到了车体、云台或机器人上，低速匀转、缓慢回正、外界微振和平台漂移都可能让角速度均值很小、方差也不高。若学习门限只按实验室静止样本设定，这类传感器就会把这些真实但温和的运动当成可学习偏置，久而久之把姿态基准往错误方向拉走。

学习速度与门限必须同时设计。回写太快，误判一次就会留下明显零点偏移；回写太慢，真正的热漂和老化又收不回来。更稳妥的做法，是把静止判据拆成“允许学习”和“快速学习”两级，再结合运动状态机控制回写速率。这样即便误入边界，也只会产生有限影响，而不会让一段慢运动彻底消失在偏置模型里。

加速度辅助并不是万能解。某些平台在低速平移或缓慢旋转时，加速度同样接近静止条件；若再叠加轮速量化误差或控制命令滞后，系统级判断也可能同样乐观。陀螺仪在线学习因此不能只靠一个传感器或一个阈值，而要看多源一致性与持续时间。

验证这类问题，必须设计“看起来像静止、其实在慢动”的工况。比如超低速转台、缓慢回中、平台轻微匀转或长周期摆动，再观察偏置估计是否开始跟着跑。若姿态误差在这些工况里缓慢累积，却在完全静止时表现良好，通常就是学习门限吃掉了真实运动。

数据记录上也应把偏置估计量单独留存。没有这条状态，很难在复盘时证明是学习模型在改零点，还是器件本身突然漂移。把估计量、静止标志和原始角速度一起看，往往能直接看到“慢运动被回写”的时刻，这比单看最终姿态偏差更有诊断价值。

更进一步的做法，是给学习模型加入回退保护。若后续观测表明先前的静止判断可能错误，系统应能限制偏置估计继续扩散，甚至撤回最近一段学习量，而不是把错误零点永久留在状态里。这样才能把在线学习从单向写入，变成可审计、可纠偏的过程。

如果产品支持远程升级，还应把学习参数调优做成可灰度验证的功能。因为这类门限非常依赖真实使用场景，实验室找到的最优点并不一定在现场仍成立。让参数调整能被回滚、能带版本记录，后续才能放心迭代和复盘好。

否则同一套算法会在不同平台上学出完全不同的零点习惯。

因此，在线偏置学习不是越积极越聪明，而是越接近真实静止越可靠。先把静止判据守稳，陀螺仪才不会在最温和的动作里把真运动自己删掉。