Arduino 101 IMU数据读取指南：从零开始获取加速度与陀螺仪原始数据

1. 从零开始：为什么Arduino/Genuino 101是运动感知的绝佳起点

如果你刚接触Arduino，或者玩过Uno、Nano这类基础板子，想尝试点更“智能”的东西，那么Arduino/Genuino 101（以下简称101）绝对是一个被低估的宝藏。它不像ESP32那样功能繁多，也不像树莓派那样像个微型电脑，但它有一个独一无二的优势：板载了六轴惯性测量单元（IMU），也就是集成了加速度计和陀螺仪。这意味着，你不用再像用Arduino Uno那样，为了读取MPU6050的数据，而额外购买模块、连接杜邦线、处理I2C通信可能遇到的地址冲突和电平匹配问题。101把这一切都集成在了一块板子上，开箱即用。

这听起来可能只是省了点麻烦，但实际意义远不止于此。对于初学者来说，最大的障碍往往不是代码逻辑，而是硬件连接和底层通信的调试。一个松动的杜邦线、一个错误的I2C地址、一个没接好的GND，都可能让你在“为什么没数据”的坑里折腾半天，极大地挫伤学习热情。101直接帮你绕过了这个“硬件劝退”阶段，让你能立刻、专注地投入到传感器数据的获取、理解和应用这个核心环节。你可以把全部精力放在“数据意味着什么”以及“能用数据做什么”这些更有趣的问题上。

从技术角度看，101板载的这颗IMU芯片是博世（Bosch）的BMI160。它是一颗在消费电子领域（比如智能手机、可穿戴设备）非常成熟的芯片，性能稳定，功耗也控制得不错。加速度计能测量三个轴向（X, Y, Z）的线性加速度，单位通常是重力加速度g（9.8 m/s²）。陀螺仪则测量三个轴向的角速度，也就是旋转的快慢，单位通常是度每秒（°/s）或弧度每秒（rad/s）。把这两者结合起来，你就能知道板子当前的运动状态：是静止、在移动、在旋转，还是被摔了出去。

所以，这篇教程的目标非常直接：手把手带你打通从101板子到电脑屏幕的数据通路，让你亲眼看到、亲手处理这些原始的加速度和角速度数据。我们会从最基础的开发环境搭建开始，一步步写代码、上传、打开串口监视器，直到看到那一串串跳动的数字。这不仅是101的入门第二步，更是你进入“物理计算”和“运动感知”世界的关键一步。无论你是想做自平衡小车、手势控制器、运动记录仪，还是仅仅想理解手机计步器的工作原理，从这里开始都是最平滑的路径。

2. 环境准备：IDE、驱动与核心库的精准配置

在开始写代码之前，我们需要一个稳固的“工作台”。对于101来说，这个工作台主要由三部分组成：Arduino IDE、板子USB驱动、以及处理IMU数据的专用库。任何一环出问题，后续都会举步维艰。

2.1 Arduino IDE的选择与板卡支持安装

首先，你需要Arduino IDE。这里我强烈建议新手直接使用Arduino IDE 2.x的最新稳定版（例如2.3.10）。相比经典的1.8.x版本，2.x版本在代码自动补全、串口监视器、项目管理等方面都有巨大提升，界面也更现代化。去Arduino官网下载对应你操作系统（Windows, macOS, Linux）的版本即可。

安装好IDE后，打开它。101的核心处理器是Intel的Curie模块，所以它并不在默认的板卡列表里。我们需要手动添加对这块板子的支持。

1. 打开“文件” -> “首选项”。
2. 在“附加开发板管理器网址”一栏，你会看到一个或多个URL。我们需要添加Arduino 101的板卡支持地址。通常，正确的地址是：https://github.com/arduino/ArduinoCore-arc32/raw/master/package_arc32_index.json

   注意：由于Arduino官方维护策略的变迁，有时这个地址会失效或变更。一个更稳妥的方法是，在首选项里已有的网址后面添加一个逗号，然后加上：http://downloads.arduino.cc/packages/package_arc32_index.json。如果都不行，可以去Arduino官网的101板块查找最新的板卡支持URL。

3. 点击“好”保存首选项。
4. 接下来，打开“工具” -> “开发板” -> “开发板管理器”。
5. 在顶部的搜索框中输入“Arduino 101”。
6. 在搜索结果中，你应该会看到由“Intel”提供的“Arduino 101”包。点击它，然后选择安装最新版本。这个过程会下载并安装101的所有编译工具链、核心库和定义文件，需要一些时间，请保持网络通畅。

安装完成后，关闭开发板管理器。现在，你可以在“工具” -> “开发板”列表中，找到并选择“Arduino/Genuino 101”了。

2.2 关键驱动安装与串口识别（Windows用户重点）

这是Windows用户最容易踩坑的地方。当你第一次把101通过USB线连接到电脑时，系统可能会尝试自动安装驱动，但很多时候会失败，导致在IDE的端口列表中看不到你的板子。

为什么需要这个驱动？101板载了一个USB转串口芯片（通常是FTDI或类似方案），它的作用是把101芯片通过串口发送的数据，转换成电脑USB能识别的信号。驱动就是这个“翻译官”的工作证，没有它，电脑和板子就无法对话。

解决方案如下：

1. 让IDE帮你安装（推荐首选）：在Arduino IDE中，选择好“Arduino/Genuino 101”开发板后，点击“工具” -> “获取板卡信息”。有时IDE会自动触发驱动的查找和安装流程。如果成功，你会看到端口中出现一个新的COM口（如COM3, COM4）。
2. 手动安装驱动：如果上述方法不行，你需要手动安装。打开设备管理器（在Windows搜索框输入“设备管理器”）。
   • 找到“端口 (COM和LPT)”或“其他设备”下面，看到一个带有黄色感叹号的设备，名字可能类似“Arduino 101”或“Genuino 101”，或者是一个未知的USB设备。
   • 右键点击它，选择“更新驱动程序软件” -> “浏览我的计算机以查找驱动程序软件”。
   • 在接下来的界面中，选择“让我从计算机上的可用驱动程序列表中选取”。
   • 在列表里，尝试选择“通用串行总线设备”下的“USB Serial Device”，或者如果有“FTDI”相关的驱动，也可以选择。如果都不行，你可能需要去FTDI官网下载最新的VCP（虚拟串口）驱动进行安装。
3. 验证成功：驱动安装成功后，在设备管理器的“端口 (COM和LPT)”下，你会看到一个明确的串行端口，例如“USB Serial Device (COM3)”。记住这个COM编号（比如COM3）。

回到Arduino IDE，在“工具” -> “端口”菜单中，选择对应的COM口。现在，你的软件环境就准备好了。

2.3 安装CurieIMU库：与板载传感器对话的桥梁

101的加速度计和陀螺仪（BMI160）并不是通过简单的模拟引脚或数字引脚来读取的。它通过一种更高效、更复杂的内部总线与主处理器（Curie）通信。为了简化我们的操作，Arduino官方提供了一个名为CurieIMU的专用库。这个库封装了所有底层的通信细节，提供了非常友好的函数接口，让我们用几行代码就能读取原始数据。

安装库有两种方法：

1. 通过库管理器（最方便）：在Arduino IDE中，点击“工具” -> “管理库...”。在库管理器的搜索框中输入“CurieIMU”。你应该能看到一个由“Intel”发布的“CurieIMU”库。点击它，然后选择“安装”。这是最推荐的方式，能确保版本兼容。
2. 手动安装（备选）：如果库管理器里找不到，你可以去GitHub上搜索“ArduinoCore-arc32”这个仓库，在它的libraries文件夹下找到CurieIMU库，下载ZIP文件。然后在IDE中，点击“项目” -> “加载库” -> “添加.ZIP库...”，选择你下载的ZIP文件。

安装成功后，你可以在代码文件的顶部通过#include <CurieIMU.h>来使用这个库了。至此，硬件、驱动、软件、库，所有准备工作全部就绪。

3. 第一行代码：初始化IMU与理解数据坐标系

现在，让我们打开一个新的Arduino草图（Sketch），开始写代码。我们首先要做的是和板载的IMU打个招呼，告诉它：“嗨，我准备好读取数据了。”

3.1 初始化流程与参数设置

在setup()函数里，我们需要完成IMU的初始化和基本配置。setup()函数只在板子上电或复位时运行一次。

#include <CurieIMU.h> void setup() { // 初始化串口通信，波特率设置为115200 // 这是电脑和板子之间数据传输的速度约定，115200是Arduino常用的较高速度，能保证数据流畅。 Serial.begin(115200); // 等待串口连接，对于像Leonardo、101这类有原生USB的板子是个好习惯 while (!Serial) { ; // 等待串口端口连接。对于USB CDC（通用串行总线通信设备类）是必需的 } // 初始化CurieIMU库 CurieIMU.begin(); // 设置加速度计的测量范围，单位是重力加速度g。这里设为±2g。 // 可选范围通常有±2g, ±4g, ±8g, ±16g。范围越小，在低加速度下分辨率越高，越灵敏。 // 对于手部晃动、设备倾斜这类应用，±2g或±4g通常足够。 CurieIMU.setAccelerometerRange(2); // 设置陀螺仪的测量范围，单位是度/秒(°/s)。这里设为±250°/s。 // 可选范围有±250, ±500, ±1000, ±2000 °/s。同样，范围越小，对小角度旋转越灵敏。 // 人体手势的角速度很少超过200°/s，所以±250是个安全的起始值。 CurieIMU.setGyroRange(250); Serial.println("IMU初始化完成，开始输出数据..."); Serial.println("Accel X\tAccel Y\tAccel Z\tGyro X\tGyro Y\tGyro Z"); // 制表符\t用于在串口监视器中让数据对齐，形成表格。 }

关键点解析：

• CurieIMU.begin()：这个函数至关重要。它建立了与BMI160芯片的通信链路。如果这步失败（比如芯片损坏或连接异常），后续所有读取数据的函数都会失效。在实际项目中，你可以在这里添加一个判断，如果begin()返回false，则通过串口输出错误信息，便于排查。
• setAccelerometerRange和setGyroRange：这两个设置直接决定了你读到的原始数据的“满量程”和“灵敏度”。例如，加速度计量程设为±2g，意味着当传感器感受到2倍重力加速度（约19.6 m/s²）时，输出的原始数据会达到其最大值（对于16位ADC，通常是±32768）。量程越小，每个数字单位（LSB）代表的实际加速度或角速度值就越小，测量也就越精细。你可以根据应用场景调整。比如做碰撞检测，可能需要±16g；做精细的姿态估计，±2g更合适。

3.2 建立正确的空间坐标系概念

在读取数据之前，必须在脑海里建立一个清晰的坐标系。对于101板子（以及绝大多数IMU），遵循的是右手坐标系。

• X轴：平行于板子的长边，指向USB接口的反方向（即远离USB口的一侧）。
• Y轴：平行于板子的短边，指向板子正面丝印文字“Genuino 101”或“Arduino 101”的阅读方向（通常是从左到右）。
• Z轴：垂直于板子平面，指向板子的正面（有元件的一面）。

为什么理解这个很重要？当你把板子平放在桌面上时，加速度计的Z轴读数应该接近+1g（或-1g，取决于库对正方向的定义），X和Y轴接近0g。如果你看到的数据不符合这个预期，那可能是板子方向拿错了，或者代码里对数据的正负理解有误。陀螺仪的数据也完全基于这个坐标系：绕X轴旋转是“滚转”（Roll），绕Y轴旋转是“俯仰”（Pitch），绕Z轴旋转是“偏航”（Yaw）。建立一个正确的空间参照系，是后续进行姿态解算、运动分析的基础。

4. 核心数据读取：循环获取并解读原始值

初始化完成后，我们进入loop()函数。这个函数会以最快的速度（取决于代码执行时间和串口输出延迟）循环执行。在这里，我们将不断地读取传感器的原始数据并打印出来。

4.1 读取原始数据的函数调用

在loop()函数中添加以下代码：

void loop() { int ax, ay, az; // 用于存储加速度计原始值（X, Y, Z） int gx, gy, gz; // 用于存储陀螺仪原始值（X, Y, Z） // 读取加速度计三个轴的原始数据 CurieIMU.readAccelerometer(ax, ay, az); // 读取陀螺仪三个轴的原始数据 CurieIMU.readGyro(gx, gy, gz); // 将读取到的六个原始值通过串口打印出来 Serial.print(ax); Serial.print("\t"); Serial.print(ay); Serial.print("\t"); Serial.print(az); Serial.print("\t"); Serial.print(gx); Serial.print("\t"); Serial.print(gy); Serial.print("\t"); Serial.println(gz); // 最后一个数据后用println换行 // 添加一个短暂的延迟，控制数据输出速率，避免串口监视器刷屏过快。 // 这里延迟50毫秒，即每秒输出约20组数据，便于观察。 delay(50); }

4.2 原始数据的物理意义与单位换算

现在，将代码上传到你的101板子（点击IDE左上角的“上传”按钮）。上传成功后，打开“工具” -> “串口监视器”，确保右下角的波特率设置为115200。你应该会看到一列列快速滚动的数字。

这些数字就是原始数据（Raw Data）。它们直接来自传感器内部的模数转换器（ADC），通常是16位有符号整数，范围在-32768到+32767之间。

如何理解这些数字？

关键在于之前设置的量程（Range）。原始值本身没有直接的物理意义，必须结合量程进行换算。

• 加速度计换算公式：实际加速度 (g) = 原始读数 / (32768 / 设置量程)因为我们设置了setAccelerometerRange(2)，即量程为±2g，所以分母是 32768 / 2 = 16384。因此，实际加速度 (g) = ax / 16384。 例如，如果ax读数是8192，那么X轴的实际加速度就是 8192 / 16384 = 0.5 g。

• 陀螺仪换算公式：实际角速度 (°/s) = 原始读数 / (32768 / 设置量程)因为我们设置了setGyroRange(250)，即量程为±250°/s，所以分母是 32768 / 250 ≈ 131.072。因此，实际角速度 (°/s) = gx / 131.072。 例如，如果gx读数是655，那么绕X轴旋转的角速度大约是 655 / 131.072 ≈ 5 °/s。

实操验证：

1. 将101板子静止、水平放置在桌面上。观察串口数据。加速度计的Z轴读数（az）应该稳定在一个较大的正值（或负值，取决于库定义）附近，换算成g值应接近1（或-1）。X轴和Y轴读数应在0附近小幅波动。
2. 将板子绕X轴缓慢旋转（就像翻书一样）。你会看到陀螺仪的X轴读数（gx）出现明显变化，正值或负值代表旋转方向。当你停止旋转，读数应回到0附近。
3. 快速晃动一下板子，你会看到所有六个数据都发生剧烈变化。

这就是最原始的传感器数据。它们是所有高级应用（如姿态估计、步数计数、手势识别）的基石。

5. 数据可视化与噪声观察：使用串口绘图器

看数字滚动固然直接，但想要直观感受数据的变化趋势和噪声特性，Arduino IDE自带的串口绘图器（Serial Plotter）是一个神器。它能把串口传来的数字实时绘制成曲线图。

使用方法：

1. 保持代码运行，关闭串口监视器。
2. 点击“工具” -> “串口绘图器”。
3. 同样确保波特率为115200。

为了让绘图器能正确绘制多条曲线，我们需要调整一下数据输出格式。绘图器默认将同一行中用空格或制表符隔开的数字，识别为不同颜色的曲线。我们之前的代码已经用了\t（制表符），所以可以直接使用。

但是，为了更清晰，我们可以稍微优化一下loop()中的打印部分，去掉标签，只打印纯数据：

void loop() { int ax, ay, az; int gx, gy, gz; CurieIMU.readAccelerometer(ax, ay, az); CurieIMU.readGyro(gx, gy, gz); // 为了绘图器，打印用空格分隔的六个数据 Serial.print(ax); Serial.print(" "); Serial.print(ay); Serial.print(" "); Serial.print(az); Serial.print(" "); Serial.print(gx); Serial.print(" "); Serial.print(gy); Serial.print(" "); Serial.println(gz); // 最后用println换行 delay(50); // 控制绘图更新频率 }

重新上传代码并打开串口绘图器。你现在应该能看到6条不同颜色的曲线在跳动。

通过绘图器观察什么？

1. 静态噪声：当板子完全静止时，曲线并不是一条完美的直线，而是在某个值上下波动。这个波动的幅度就是传感器的噪声。陀螺仪的噪声通常看起来比加速度计更“毛躁”。了解这个噪声水平很重要，后续做数据滤波时，就知道需要滤掉多大幅度的波动。
2. 动态响应：快速移动板子，观察曲线的峰值和跟随速度。这反映了传感器的动态响应特性。
3. 零点偏移（零漂）：尤其是陀螺仪，理想情况下静止时输出应为0。但你会发现，静止时陀螺仪的曲线可能不在0线上，而是有一个固定的偏移。这个就是零漂。对于要求不高的应用，可以在程序开始时计算一段时间的平均值作为零漂值，然后在后续读数中减去它。这就是简单的软件校准。

串口绘图器是一个极其强大的调试和教学工具，它能让你“看见”数据，对传感器特性建立直觉。

6. 进阶实践：校准、滤波与实用代码优化

获取原始数据只是第一步。在实际项目中，直接使用这些原始数据往往效果不佳，因为它们含有噪声和误差。我们需要进行一些处理。

6.1 陀螺仪零漂的简易校准

陀螺仪的零漂会随着时间和温度变化，是导致姿态估计（特别是偏航角Yaw）随时间累积误差（漂移）的主要原因。虽然无法完全消除，但上电时进行一次简单的静态校准可以大幅改善初始精度。

我们可以在setup()函数中，IMU初始化之后，添加一个校准例程：

void calibrateGyro() { Serial.println("正在进行陀螺仪校准，请保持板子绝对静止..."); delay(2000); // 等待2秒让用户放好板子 int numSamples = 100; long gxSum = 0, gySum = 0, gzSum = 0; for (int i = 0; i < numSamples; i++) { int gx, gy, gz; CurieIMU.readGyro(gx, gy, gz); gxSum += gx; gySum += gy; gzSum += gz; delay(10); // 每隔10ms读一次 } // 计算平均值，作为零漂偏移量 gxOffset = gxSum / numSamples; gyOffset = gySum / numSamples; gzOffset = gzSum / numSamples; Serial.print("校准完成。偏移量 (X, Y, Z): "); Serial.print(gxOffset); Serial.print(", "); Serial.print(gyOffset); Serial.print(", "); Serial.println(gzOffset); } // 在文件顶部全局变量区定义偏移量 int gxOffset = 0, gyOffset = 0, gzOffset = 0;

然后在loop()中读取陀螺仪数据后，进行修正：

CurieIMU.readGyro(gx, gy, gz); gx -= gxOffset; gy -= gyOffset; gz -= gzOffset;

6.2 引入低通滤波平滑数据

传感器数据的高频噪声可以通过低通滤波来平滑。最简单的是一阶低通滤波（也叫指数移动平均滤波）。它的原理是：本次输出值 = α * 本次采样值 + (1-α) * 上次输出值。其中α是滤波系数（0<α≤1），α越小，滤波效果越强（越平滑），但响应也越迟缓。

我们可以为每个轴的数据实现一个滤波函数：

float lowPassFilter(float newValue, float oldValue, float alpha) { return alpha * newValue + (1 - alpha) * oldValue; } // 全局变量存储滤波后的值 float filtered_ax = 0, filtered_ay = 0, filtered_az = 0; float filtered_gx = 0, filtered_gy = 0, filtered_gz = 0; float filterAlpha = 0.2; // 滤波系数，可根据需要调整（0.1~0.5） void loop() { int raw_ax, raw_ay, raw_az; int raw_gx, raw_gy, raw_gz; CurieIMU.readAccelerometer(raw_ax, raw_ay, raw_az); CurieIMU.readGyro(raw_gx, raw_gy, raw_gz); // 换算为物理单位并应用滤波 filtered_ax = lowPassFilter(raw_ax / 16384.0, filtered_ax, filterAlpha); filtered_ay = lowPassFilter(raw_ay / 16384.0, filtered_ay, filterAlpha); filtered_az = lowPassFilter(raw_az / 16384.0, filtered_az, filterAlpha); // 陀螺仪数据先校准零漂，再换算并滤波 raw_gx -= gxOffset; raw_gy -= gyOffset; raw_gz -= gzOffset; filtered_gx = lowPassFilter(raw_gx / 131.072, filtered_gx, filterAlpha); filtered_gy = lowPassFilter(raw_gy / 131.072, filtered_gy, filterAlpha); filtered_gz = lowPassFilter(raw_gz / 131.072, filtered_gz, filterAlpha); // 打印滤波后的物理值 Serial.print(filtered_ax, 4); Serial.print(" "); // ... 打印其他值 Serial.println(filtered_gz, 4); // 打印4位小数 delay(50); }

现在，你再观察串口绘图器，会发现曲线变得平滑了许多，但快速运动时的响应会有一点延迟。这就是滤波的权衡：平滑度 vs. 响应速度。你需要根据具体应用调整filterAlpha的值。

6.3 优化数据输出与解析效率

当你需要把数据发送到电脑进行更复杂的处理（比如用Processing或Python做实时可视化）时，频繁的Serial.print和文本格式转换会成为性能瓶颈，且占用大量串口带宽。

一个更高效的方法是使用二进制传输。将整数或浮点数直接以字节流的形式发送，而不是转换成可读的文本。这能大幅减少数据量，提高传输速度。

void loop() { int ax, ay, az, gx, gy, gz; CurieIMU.readAccelerometer(ax, ay, az); CurieIMU.readGyro(gx, gy, gz); // 应用校准... // 应用滤波... // 假设我们发送滤波后的浮点数（4字节每个） float data[6] = {filtered_ax, filtered_ay, filtered_az, filtered_gx, filtered_gy, filtered_gz}; Serial.write((byte*)data, sizeof(data)); // 直接写入字节流 // 可以加一个分隔符或同步头，方便接收端解析，例如发送一个特定的字节 // Serial.write(0xAA); delay(10); // 可以设置更短的延迟，因为传输效率高了 }

在电脑端，你需要用相应的程序（如Processing的serial.readBytes()或Python的struct.unpack()）来解析这个字节流。这种方式在需要高速、实时传输数据时是必备技能。

7. 从数据到应用：思维延伸与项目构想

成功获取并处理了稳定的加速度和陀螺仪数据，你已经掌握了运动感知的核心输入。接下来，这些数据能用来做什么？这里提供几个方向，帮你打开思路：

1. 简易姿态估计（倾角计）仅使用加速度计，在设备静止或缓慢移动时，可以通过反三角函数估算出设备相对于水平面的倾斜角（俯仰和滚转）。

• pitch = atan2(-ax, sqrt(ay*ay + az*az)) * 180 / PI
• roll = atan2(ay, az) * 180 / PI

注意：这个方法对线性加速度（比如移动）非常敏感，一旦设备在移动，计算出的角度就完全错误了。这就是为什么需要融合陀螺仪数据。

2. 运动触发与手势识别通过分析加速度数据的幅度和模式，可以实现简单的动作检测。

• 敲击检测：监测某个轴向的加速度在短时间内是否超过一个高阈值。
• 晃动检测：监测一段时间内加速度变化的频率和幅度。
• 自由落体检测：监测合加速度是否接近0g（失重状态）。 你可以设置一个“能量”窗口，计算三轴加速度向量和的模在一定时间内的变化，来识别不同的手势模式。

3. 与陀螺仪融合——互补滤波这是入门级姿态解算的关键一步。加速度计在静态时测角度准，但动态时差；陀螺仪测角速度准，短期积分得角度准，但长期有漂移。互补滤波的核心思想是：用高通滤波器滤掉加速度计数据中的低频噪声（即动态误差），用低通滤波器滤掉陀螺仪积分角度中的高频噪声（即漂移），然后将两者按一定权重融合。网上有大量关于“Arduino互补滤波”的教程和代码，你的101板子正是实践它的绝佳平台。

4. 数据记录器利用101的蓝牙功能（是的，101还板载了蓝牙低能耗BLE），你可以将实时运动数据无线发送到手机App，在手机上记录和分析。或者，单纯用SD卡模块，将数据以CSV格式存储下来，用于事后分析，比如分析一段跑步过程中的步频和冲击力。

踩坑心得与最后叮嘱

• 电源稳定性是关键：IMU传感器对电源噪声敏感。如果使用不稳定的电源（比如有些USB端口或劣质移动电源），可能会在数据中引入额外的噪声。尽量使用电脑的USB端口或可靠的电源适配器。
• 延迟不是敌人，是工具：delay()函数在教程中用于控制数据输出速率，方便观察。但在真正的实时控制项目中（如平衡车），delay()会阻塞程序，是致命的。你需要学会使用millis()函数进行非阻塞定时，或者探索中断等更高级的用法。
• 理解数据的局限性：从IMU的原始数据到有意义的姿态信息，中间有很长的路要走。零漂、温漂、尺度因子误差、轴间非正交误差……这些都会影响精度。对于业余项目，简单的校准和滤波通常足够。但对于高要求应用，可能需要更复杂的标定算法和传感器融合算法（如卡尔曼滤波、Mahony滤波）。
• 善用官方示例：Arduino IDE中，在“文件” -> “示例” -> “CurieIMU”下，官方提供了大量高级示例代码，包括计步器、姿态识别、手势识别等。在掌握基础数据读取后，深入研究这些示例是提升的最佳途径。

现在，你的101板子不再只是一块能点亮LED的微控制器，它成了一个能感知自身运动的智能节点。数据的洪流已经打开，下一步，就看你如何驾驭它，去构建那些能感知、响应物理世界的酷炫项目了。