1.加速度计数据处理
为了实现滑板车的平衡和运动控制，首先要获得足够准确的机器人车身倾斜信息。根据两轮自平衡车的应用环境，一般采用加速器和陀螺仪两种传感器来收集滑板车的姿态信息。
加速度计可以测量动态和静态线性加速度。静态加速度的一个典型例子是重力加速度。倾斜角度可以通过加速度计直接测量物体的静态重力加速度来确定。
当加速度传感器静止时，加速度传感器只输出作用于加速度灵敏轴的重力加速度值，即重力加速度的重量值。物体的垂直和水平倾斜角度可以根据每个轴上重力加速度的重量值来计算。
加速度计动态响应缓慢，不适应跟踪动态角度运动；如果你想快速响应，它会引起更大的噪音。再加上测量范围的限制，单独使用加速度计检测车身倾角是不合适的，需要与其他传感器一起使用。
2.陀螺仪数据处理
除了实时倾角信号外，两轮自平衡机器人控制系统还使用角速给出控制量。从理论上讲，角速可以通过加速度计测得的倾角来获得，但实际上，结果远低于陀螺仪的测量精度，陀螺仪具有动态性能好的优点。
陀螺仪的直接输出值是相对灵敏轴的角速率，角速率可以得到围绕灵敏轴旋转的角度值。由于系统采用微控制器循环采样程序获取陀螺仪角速率信息，即每隔短时间采样一次，角度值采用累积方法实现积分功能。
陀螺仪用于测量角速度信号，角度值可通过对角速度点获得。然而，由于温度变化、摩擦、扭矩不稳定等因素，陀螺仪会产生漂移误差。无论常值漂移有多小，通过积分都会得到无限的角度误差。因此，陀螺仪不能单独用作自平衡汽车的角度传感器。
综上所述，对于姿态检测系统，陀螺仪或加速度计不能提供有效可靠的信息来保证车身平衡。陀螺仪具有良好的动态性能，可提供瞬时动态角度变化，不受加速度变化的影响，但由于其固有特性、温度和积分过程，积累漂移误差，不适合长时间单独工作；加速度计响应良好，能准确提供角度，但受动态加速度影响较大，不适合跟踪动态角度运动。为了克服这些困难，采用一种简单的互补滤波方法，整合陀螺仪和加速度计的输出信号，补偿陀螺仪的漂移误差和加速度计的动态误差，获得更好的倾角近似值。
3.传感器数据集成
传感器数据集成是指对来自多个传感器的数据进行多层次、多方面、多层次的处理，从而产生任何单个传感器都无法获得的新有意义的信息。
对于加速度计，需要使用滤波算法去除短时快速变化的信号，并保留长时慢变化的信号。因此，应使用低通滤波算法进行加速度计。一种常用的方法是将快速变化的信号乘以较小的权重系数，以削弱突变信号对整体的影响。
如果传感器停留在10°，一段时间后，滤波后的角度值会逐渐增加到10°。这段时间的长度取决于滤波常数和循环程序的采样速率(程序循环一次所需的时间)。
对于陀螺仪情况正好相反，应用高通滤波方法处理陀螺仪数据，来抑制陀螺仪积分的漂移。
陀螺仪的高通滤波器和加速度计的低通滤波器正好形成互补滤波器。可以看出，两个滤波系数的相加结果为1，因此滤波结果是一个更准确的线性角度估计值。
这样，陀螺仪的漂移就可以通过加速度计的输出来消除，最终的倾计更加准确。这是传感器数据集成中典型的状态估计问题。状态估计的目的是平滑目标的过去状态，过滤当前状态，预测未来状态。