利用旧手机磁力计DIY无人机地磁探测系统：从硬件集成到数据可视化
1. 项目概述：从旧手机到天空之眼
几年前，我在清理抽屉时翻出一台屏幕碎裂的旧安卓手机，它除了吃灰似乎别无用处。但作为一个喜欢折腾硬件的人，我总在想，它内置的那些精密传感器——陀螺仪、加速度计，还有那个不太起眼的磁力计，难道就只能随着手机报废而埋没吗？这个念头，结合我一直想深入研究的无人机环境感知项目，最终催生了这个DIY无人机磁力计系统。它的核心目标很简单：不依赖昂贵的商用载荷，利用手边易得的开源硬件和那台旧手机里的“宝藏”，构建一个能够测量、记录并可视化地磁场数据的空中平台。
你可能会问，无人机上装磁力计有什么用？这远不止是做个电子罗盘那么简单。想象一下，你可以用这套系统绘制自家后院或一小片田野的精细磁场地图，探测地下是否有异常的金属管线或历史遗留物；在农业领域，微妙的土壤磁性变化可能与成分相关；对于地质爱好者，这甚至能辅助识别特定的岩层结构。更重要的是，这个过程本身就是一个绝佳的嵌入式系统、传感器融合和数据处理的学习项目，涵盖了从硬件焊接、单片机编程到数据分析和可视化的一整套技能链。
这个项目非常适合那些已经玩过基础无人机（如F450机架配Pixhawk飞控），想要向更专业的传感应用迈进的爱好者，或者是电子工程、地球物理相关专业的学生用于实践。它不要求你一开始就是专家，但需要你有一颗愿意动手、不怕调试的心。接下来，我将完整分享我的构建思路、踩过的坑，以及如何让那台旧手机“焕发新生”，成为我们空中的数据采集核心。
2. 系统整体设计与核心思路拆解
2.1 为什么选择“手机磁力计+独立传感器”的双重方案？
在项目初期，我面临一个关键选择：是直接使用旧手机内置的磁力计，还是额外购置一个专业的磁力计传感器模块？经过一番调研和思考，我决定采用“双重方案”。这背后的逻辑主要有三点：
首先，冗余与数据校验。手机内置的磁力计（通常为AKM或Bosch的芯片）方便易得，成本为零，但其精度和稳定性通常为消费电子级别，易受手机内部电机、扬声器等元件干扰。额外添加一个专业的磁力计模块（如HMC5883L、QMC5883L或更先进的IST8310），可以提供一个更纯净、更可靠的参考数据源。在飞行中，两个传感器的数据可以相互比对，如果手机数据因突然的干扰（比如相机对焦马达启动）而产生跳变，我们可以用独立传感器的数据进行校正或标记异常。
其次，灵活性。独立传感器模块可以通过I2C或SPI接口直接连接到我们的主控板（如ESP32或STM32），让我们能够以更高的采样率、更精确的时序控制来采集数据，这对于后期进行高分辨率磁力图生成至关重要。而手机则作为一个强大的“边缘计算节点”，凭借其强大的处理能力（相对于单片机）、内置的GPS和高清摄像头，可以同时记录位置、姿态、视频画面和磁场数据，实现多源数据在时间戳上的同步。
最后，学习价值。这个方案迫使我们去解决传感器融合、时间同步、数据通信等实际问题。我们需要让单片机上的传感器和手机通过蓝牙或Wi-Fi“对话”，统一时间基准，这本身就是一个极具价值的工程项目。
2.2 核心架构与数据流设计
整个系统的硬件架构围绕一个中心主控板展开。我选择了ESP32开发板，因为它兼具Wi-Fi和蓝牙功能，处理能力足够，且社区支持强大。系统的骨架如下：
传感层：
- 独立磁力计：QMC5883L模块（性价比高，I2C接口），直接连接到ESP32的I2C引脚。
- 旧手机：作为集成传感器包，通过自行编写的Android应用，调用其内置的磁力计、GPS、加速度计和陀螺仪API。
控制与通信层：
- ESP32主控：负责以固定频率（如10Hz）轮询QMC5883L传感器，获取三轴磁场数据（X, Y, Z）。同时，它通过蓝牙串口（Bluetooth SPP）与旧手机建立连接，接收来自手机App的同步采集指令，并打包发送自身传感器数据。
- 旧手机App：核心是一个简单的Android应用，使用Android Sensor API获取传感器数据。它的关键任务是生成一个精确的毫秒级时间戳，将磁场、GPS坐标、姿态角等数据打包，并通过蓝牙实时发送给ESP32，或先存储于手机SD卡，飞行后同步。
数据汇聚与记录层：
- ESP32在接收到手机数据包和自身传感器数据后，会将它们合并为一个完整的数据帧，包含：统一的时间戳（以手机时间为基准）、来自手机和QMC5883L的两组磁场数据、GPS经纬度与海拔、无人机姿态角（可从手机IMU数据解算或由飞控提供）。
- 合并后的数据帧通过ESP32的串口，输出到无人机飞控（如Pixhawk）的Telem2串口，利用飞控的SD卡日志功能进行最可靠的记录。这是一种非常稳健的方案，因为飞控的日志系统是为严苛的飞行环境设计的。
供电与集成：
- 整个传感系统由无人机电池通过一个5V BEC（降压模块）统一供电。ESP32和QMC5883L模块功耗极低，旧手机则使用一个大的充电宝供电，并固定在机架上。
注意：电磁兼容性是首要敌人。无人机上的电机、电调会产生强烈的电磁干扰。务必让磁力计传感器远离动力线和电机，至少保持15厘米以上的距离。最好能为传感模块制作一个简单的坡莫合金屏蔽罩，或者至少用铝箔包裹进行初步隔离。手机内部干扰复杂，飞行前需在静止状态下进行校准。
2.3 工具与材料选型清单
以下是我实际构建中使用的核心组件，你可以根据手头资源灵活替换：
| 类别 | 推荐型号/名称 | 关键参数/说明 | 大致成本 | 可选替代 |
|---|---|---|---|---|
| 主控板 | ESP32 DevKit C V4 | 双核，240MHz，带Wi-Fi/蓝牙，GPIO丰富 | 30元 | STM32F4系列，树莓派Pico W |
| 独立磁力计 | QMC5883L模块 | I2C接口，量程±8 Gauss，分辨率2mGauss | 15元 | HMC5883L, IST8310, MMC5983MA |
| 无人机平台 | F450机架 + Pixhawk 2.4.8 | 成熟稳定，支持丰富日志输出 | 整套约800元 | 任何能承载额外200g重量、有备用串口的无人机 |
| 旧手机 | 安卓手机（2018年后型号） | 需支持Android 8.0+，传感器API完好 | 0元（闲置利用） | 无。这是核心，必须有一台。 |
| 通信 | 蓝牙串口模块（HC-05/06） | 如果ESP32不带蓝牙或想分离设计 | 10元 | 直接使用ESP32内置蓝牙 |
| 供电 | 5V BEC模块 | 输入7-24V，输出5V/3A | 5元 | 无人机电调自带的5V BEC（需确认电流足够） |
| 结构 | 3D打印传感器支架 | 用于隔离震动和固定传感器/手机 | 10元（耗材） | 碳纤维杆+扎带，泡沫双面胶 |
| 软件 | Arduino IDE, PlatformIO | ESP32开发环境 | 免费 | VS Code + ESP-IDF |
| 软件 | Android Studio | 开发手机数据采集App | 免费 | 可使用MIT App Inventor简化（功能受限） |
3. 核心细节解析与实操要点
3.1 手机磁力计数据的“祛魅”与校准
直接调用Sensor.TYPE_MAGNETIC_FIELD获取的数据是“生数据”，它受到手机内部硬磁（永久性）和软磁（电流感应）干扰的影响。不经过校准，数据几乎不可用。
校准实战（在Android App中实现）：
我们需要实现一个简单的“八字校准法”。在App中设计一个校准按钮，用户手持手机在空中缓慢划“8”字约30秒，程序记录这段时间内三轴磁场数据的最大值和最小值。
// 伪代码逻辑 public class MagnetometerCalibrator { private float minX = Float.MAX_VALUE, maxX = -Float.MAX_VALUE; private float minY = Float.MAX_VALUE, maxY = -Float.MAX_VALUE; // ... Z轴同理 public void onSensorChanged(SensorEvent event) { if (isCalibrating) { float x = event.values[0]; minX = Math.min(minX, x); maxX = Math.max(maxX, x); // ... 更新Y, Z } } public CalibrationResult finishCalibration() { float offsetX = (maxX + minX) / 2.0f; float offsetY = (maxY + minY) / 2.0f; float offsetZ = (maxZ + minZ) / 2.0f; // 缩放因子（非必须，但能提高精度） float scaleX = (maxX - minX) / 2.0f; // ... 计算平均尺度 float avgScale = (scaleX + scaleY + scaleZ) / 3.0f; scaleX = avgScale / scaleX; // 归一化因子 // ... Y, Z同理 return new CalibrationResult(offsetX, offsetY, offsetZ, scaleX, scaleY, scaleZ); } }校准后，每个新数据点需应用公式：X_calibrated = (X_raw - offsetX) * scaleX。这个简单的校准能大幅消除零偏和灵敏度差异，将数据质量提升到可用的水平。
实操心得：校准必须在最终安装位置进行。即，把手机固定在无人机上，在无人机通电但电机不转的状态下进行“八字校准”。这样校准补偿的是手机在无人机这个特定电磁环境下的静态干扰。电机转动后的动态干扰，需要靠滤波和后续数据处理来缓解。
3.2 时间同步：数据融合的“灵魂”
两个独立设备（手机和ESP32）采集数据，如果没有精确同步的时间戳，所有空间关联分析都是空谈。我的方案是以手机时间为绝对基准。
- 在Android App启动时，获取系统启动后的纳秒级时间
SystemClock.elapsedRealtimeNanos()和当前的日历时间System.currentTimeMillis()。这个对应关系将作为时间基准。 - 每次采集传感器数据时，使用
SystemClock.elapsedRealtimeNanos()获取一个高精度的相对时间戳t_nanos。 - 通过蓝牙发送数据包给ESP32时，数据包中包含：
- 日历时间（秒级，用于粗略对齐）
- 高精度相对时间戳
t_nanos - 传感器数据
- ESP32端，在接收到手机数据包的瞬间，记录自己的微秒级时间戳
t_esp（使用micros()函数）。 - ESP32将
(t_nanos, t_esp)作为一个时间对记录下来。当ESP32自己的传感器采样时，它用当前的micros()时间，通过线性插值法，估算出对应的手机elapsedRealtimeNanos时间。 - 最终，所有数据（手机直接采的、ESP32采的）都统一转换到手机的时间体系下，精度可以控制在毫秒级以内，对于低速飞行的磁力测量完全足够。
3.3 数据格式与飞控日志记录
为了让数据能被方便地分析，我设计了一个简洁的文本格式，通过ESP32的串口发送给Pixhawk飞控的TELEM2端口，飞控的SDLOG_PROFILE参数需设置为记录“自定义模式”日志。
# 示例数据帧格式 $MAGDIY,<timestamp_ms>,<lat>,<lon>,<alt>,<phone_mag_x>,<phone_mag_y>,<phone_mag_z>,<qmc_mag_x>,<qmc_mag_y>,<qmc_mag_z>,<roll>,<pitch>,<yaw>*<checksum>$MAGDIY是自定义语句头。timestamp_ms是统一后的手机毫秒时间戳。- 经纬度来自手机GPS。
- 姿态角可以从手机IMU数据解算（使用传感器融合算法如Madgwick AHRS），更推荐直接从飞控的遥测数据中获取（需额外解析飞控发送的ATTITUDE消息），这样更准确。
- 最后是简单的NMEA校验和。
Pixhawk的日志系统（.bin文件）会忠实记录这条自定义消息。飞行后，用地面站软件（如Mission Planner）导出日志为.csv文件，我们的自定义数据就会出现在其中一列，便于用Python（Pandas）或MATLAB进行后续处理。
4. 实操过程与核心环节实现
4.1 硬件集成与布线
这一步是物理基础，做不好会导致噪声巨大甚至无法工作。
- 制作传感器模块：将QMC5883L模块与ESP32开发板焊接或通过杜邦线连接。连接很简单：VCC->5V， GND->GND， SDA->GPIO21， SCL->GPIO22。建议将模块先安装在一个小型的原型板上。
- 制作屏蔽壳：找一个小的金属箔片糖果盒或自制铝箔卷成的圆柱体，将焊接好的传感器模块放入其中。注意，屏蔽壳不能形成闭合的导电环路，否则会像线圈一样引入新的干扰。铝箔一端留出缝隙，导线从缝隙引出。这能有效衰减高频电磁干扰。
- 确定安装位置：这是最关键的一步。在无人机机架上，用磁力计App（或已写好的校准程序）测试各个潜在位置。原则是：远离电机、电调、主电源线，尽量靠近机架中心，且与飞控GPS模块保持一定距离（避免互相干扰）。找到磁场读数最稳定、电机加减速时跳动最小的位置。
- 固定与减震：使用3D打印的支架或高密度泡沫双面胶，将屏蔽好的传感器模块牢牢固定在该位置。震动会导致传感器内部微小结构变化，引入噪声，良好的减震必不可少。
- 连接与供电：从无人机电源分配板（或一个空闲的BEC）引出5V和GND为ESP32供电。将ESP32的TX引脚连接到Pixhawk
TELEM2的RX引脚。旧手机用充电宝供电，用强力的魔术贴或绑带固定在机架上方，确保摄像头视野无遮挡（如果你想同步录视频）。 - 蓝牙配对：在手机上打开开发者选项中的“蓝牙HCI信息收集”日志（非必须），然后与ESP32进行蓝牙配对。在ESP32的Arduino代码中，将蓝牙名称设为固定值（如
DRONE_MAG_ESP32），方便手机App自动连接。
4.2 ESP32固件开发详解
ESP32的程序核心是一个多任务循环：读取传感器、检查蓝牙数据、打包发送。
#include <Wire.h> #include <QMC5883LCompass.h> #include "BluetoothSerial.h" BluetoothSerial SerialBT; QMC5883LCompass compass; // 时间同步相关变量 unsigned long lastPhoneTime_ns = 0; unsigned long lastESPTime_us = 0; float timeSyncRatio = 1.0; // 假设时钟频率一致 void setup() { Serial.begin(115200); // 用于调试输出 Serial2.begin(57600); // 连接Pixhawk TELEM2 Wire.begin(); SerialBT.begin("DRONE_MAG_ESP32"); compass.init(); compass.setCalibration(-1331, 1349, -1496, 851, -1218, 1348); // 填入你校准的偏移和缩放值 } void loop() { // 任务1: 读取QMC5883L compass.read(); int qmcX = compass.getX(); int qmcY = compass.getY(); int qmcZ = compass.getZ(); unsigned long sampleTime_us = micros(); // 任务2: 处理蓝牙数据（手机数据） if (SerialBT.available()) { String phoneData = SerialBT.readStringUntil('\n'); // 解析数据，例如："PHONE,1234567890000,1.234,5.678,100.0,0.1,0.2,0.3" // 解析出手机时间戳 phoneTs_ns 和磁场数据 // 更新同步时间对：lastPhoneTime_ns = phoneTs_ns; lastESPTime_us = micros(); } // 任务3: 时间同步转换 unsigned long syncedPhoneTime_ns = synchronizeTime(sampleTime_us); // 任务4: 打包并发送数据帧到飞控 char buffer[256]; // 假设从蓝牙解析了手机磁场数据 phoneMagX, phoneMagY, phoneMagZ // 假设从飞控或其他来源获取了姿态角 roll, pitch, yaw (这里先置0) sprintf(buffer, "$MAGDIY,%llu,%.6f,%.6f,%.2f,%.3f,%.3f,%.3f,%.3f,%.3f,%.3f,%.2f,%.2f,%.2f*", syncedPhoneTime_ns / 1000000, // 转换为毫秒 latitude, longitude, altitude, // 需从手机数据获取 phoneMagX, phoneMagY, phoneMagZ, qmcX/1000.0, qmcY/1000.0, qmcZ/1000.0, // QMC5883L原始值需转换为高斯或微特斯拉单位 0.0, 0.0, 0.0); // 姿态角占位符 // 计算校验和并添加到buffer末尾... Serial2.println(buffer); // 发送给飞控 Serial.println(buffer); // 同时输出到串口监视器用于调试 delay(100); // 控制采样率，例如10Hz } unsigned long synchronizeTime(unsigned long espTime_us) { // 简化的线性插值同步 if (lastPhoneTime_ns == 0) return 0; long deltaESP_us = espTime_us - lastESPTime_us; // 假设手机和ESP32时钟频率理想，deltaTime_ns = deltaESP_us * 1000 return lastPhoneTime_ns + (deltaESP_us * 1000); }4.3 手机Android App开发要点
手机App使用Android Studio开发，核心是SensorManager和蓝牙通信。
- 权限：在
AndroidManifest.xml中声明ACCESS_FINE_LOCATION,BLUETOOTH,BLUETOOTH_ADMIN，以及<uses-feature android:name="android.hardware.sensor.compass"/>。 - 传感器初始化：
SensorManager mSensorManager = (SensorManager) getSystemService(SENSOR_SERVICE); Sensor mMagSensor = mSensorManager.getDefaultSensor(Sensor.TYPE_MAGNETIC_FIELD); Sensor mAccSensor = mSensorManager.getDefaultSensor(Sensor.TYPE_ACCELEROMETER); Sensor mGyroSensor = mSensorManager.getDefaultSensor(Sensor.TYPE_GYROSCOPE); // 注册监听器，选择适合的采样率SENSOR_DELAY_FASTEST或SENSOR_DELAY_GAME mSensorManager.registerListener(this, mMagSensor, SensorManager.SENSOR_DELAY_GAME); - 数据打包与发送：在
onSensorChanged回调中，获取数据，添加高精度时间戳，格式化为字符串，通过蓝牙OutputStream发送。 - GPS数据：使用
FusedLocationProviderClient请求周期性的位置更新，将其与最近的传感器数据在时间戳上进行关联。 - 用户界面：一个简单的UI，包含“连接蓝牙”、“开始校准”、“开始记录/停止记录”按钮，以及实时显示磁场强度和GPS状态的信息栏。
避坑指南：Android系统为了省电，可能会在屏幕关闭时限制传感器采样或暂停应用。需要在
Service中运行传感器采集，并获取PARTIAL_WAKE_LOCK唤醒锁。此外，蓝牙通信在高速数据流下可能不稳定，建议在App端增加一个小的发送缓冲区，并实现简单的重传机制（如带序号的包）。
5. 飞行测试、数据处理与常见问题
5.1 首次飞行测试流程
- 地面静态测试：组装完成后，在户外开阔地（远离大型金属物体和电线）进行通电测试。查看飞控的地面站软件（如Mission Planner的“数据图形”界面）是否能看到
MAGDIY自定义消息，检查数据是否连续、数值是否在合理范围（地磁场强度大约在0.25至0.65高斯之间）。 - 手动低空悬停测试：选择一个空旷的场地，手动控制无人机起飞至2-3米高度，保持悬停1-2分钟。降落後，导出日志，查看在整个过程中，两组磁场数据是否平稳，GPS坐标是否正常记录。特别注意电机启动和转速变化时，磁场数据是否有剧烈跳变。
- 自动航线网格飞行：这是生成磁力图的关键。在地面站软件中规划一个矩形的网格航线，飞行高度5-10米，航线间距根据所需分辨率设定（例如3米）。让无人机自动执行该航线。这种规则的飞行路径便于后期将数据网格化。
5.2 从原始数据到磁力图
飞行结束后，从飞控SD卡导出.bin日志，用Mission Planner或pymavlink工具转换为.csv文件。我们的MAGDIY数据会在一列中。
使用Python进行后处理是最高效的：
import pandas as pd import numpy as np import matplotlib.pyplot as plt from scipy.interpolate import griddata # 1. 加载数据 df = pd.read_csv('flight_log.csv') # 假设自定义消息被解析到了列名为‘MAGDIY’的列，我们需要先将其拆分 mag_data = df['MAGDIY'].str.split(',', expand=True) # 根据格式，提取所需列，例如第2列是时间，第3-5列是经纬高，第6-8列是手机磁场... df['lat'] = pd.to_numeric(mag_data[2]) df['lon'] = pd.to_numeric(mag_data[3]) df['mag_x'] = pd.to_numeric(mag_data[6]) # 手机X分量 df['mag_y'] = pd.to_numeric(mag_data[7]) df['mag_z'] = pd.to_numeric(mag_data[8]) # 计算总磁场强度 F = sqrt(X^2 + Y^2 + Z^2) df['total_field'] = np.sqrt(df['mag_x']**2 + df['mag_y']**2 + df['mag_z']**2) # 2. 数据清洗 # 剔除GPS精度差的数据点 df = df[df['GPS[0].eph'] < 2.0] # 假设水平精度因子小于2米 # 剔除明显异常的磁场值（例如强度>1高斯或<0.1高斯） df = df[(df['total_field'] > 0.2) & (df['total_field'] < 0.7)] # 3. 网格化插值 # 创建规则的网格 xi = np.linspace(df['lon'].min(), df['lon'].max(), 100) yi = np.linspace(df['lat'].min(), df['lat'].max(), 100) xi, yi = np.meshgrid(xi, yi) # 插值 zi = griddata((df['lon'], df['lat']), df['total_field'], (xi, yi), method='cubic') # 4. 绘图 plt.figure(figsize=(10,8)) contour = plt.contourf(xi, yi, zi, levels=20, cmap='jet') plt.colorbar(contour, label='Total Magnetic Field (Gauss)') plt.scatter(df['lon'], df['lat'], c='k', s=1, alpha=0.5, label='Flight Path') plt.xlabel('Longitude') plt.ylabel('Latitude') plt.title('DIY Drone Magnetometer Survey') plt.legend() plt.tight_layout() plt.savefig('magnetic_map.png', dpi=300) plt.show()这样，你就得到了一张反映区域磁场总强度变化的彩色等高线图。通过对比手机和独立传感器的数据图，可以评估数据质量，并识别可能的干扰区域。
5.3 常见问题与排查技巧实录
在多次测试中，我遇到了几乎所有可能的问题，以下是速查表：
| 问题现象 | 可能原因 | 排查与解决步骤 |
|---|---|---|
| 数据完全乱码或没有数据 | 串口连接错误；飞控日志参数未设置；自定义语句格式错误 | 1. 用串口监视器直接查看ESP32输出，确认有数据。2. 检查PixhawkTELEM2的波特率是否与ESP32发送波特率匹配（如57600）。3. 确认SDLOG_PROFILE参数包含了自定义日志。4. 检查数据帧末尾的校验和计算是否正确。 |
| 磁场数据在电机启动时剧烈跳变 | 电磁干扰（EMI）太强 | 1.增加距离：将传感器模块移至离电机和电调更远的位置。2.加强屏蔽：使用更厚的坡莫合金罩或多层屏蔽。3.电源滤波：在ESP32和传感器的5V输入前端增加LC滤波电路。4.软件滤波：在代码中增加低通滤波器（如一阶互补滤波）。 |
| 手机数据延迟大或断断续续 | 蓝牙带宽不足或干扰；Android系统休眠 | 1. 降低手机传感器的采样率（如从SENSOR_DELAY_FASTEST降至SENSOR_DELAY_GAME）。2. 确保App在前台运行，并持有唤醒锁。3. 尝试使用Wi-Fi UDP通信替代蓝牙（延迟更低，但设置更复杂）。 |
| 生成的地图有奇怪的条纹或空洞 | 飞行路径不均匀；插值算法不适合；数据存在系统性漂移 | 1. 规划更密集、更均匀的自动航线。2. 尝试不同的插值方法（nearest,linear,cubic）。3. 检查数据中是否存在随时间缓慢变化的趋势（可能是传感器温漂），进行去趋势处理。 |
| 两个磁力计数据长期趋势一致，但瞬时值差异大 | 动态干扰源不同；传感器本身噪声特性不同 | 这是正常现象。在后期处理中，可以对两组数据应用卡尔曼滤波或滑动平均，融合出一个更优估计值。重点关-注它们共同反映的空间变化趋势，而不是绝对值的瞬时匹配。 |
| GPS位置与磁场数据时间不同步 | 手机GPS更新频率（通常1Hz）远低于磁场采样频率（可能50Hz） | 在数据融合时，不要为每个磁场点简单分配最近的GPS点。应该根据时间戳，在相邻两个GPS点之间进行线性插值，为每个磁场样本生成一个更精确的估计位置。 |
最后的个人体会：这个项目最迷人的地方不在于最终那张漂亮的磁力图，而在于从一堆散件到系统集成的整个过程。每一个环节的调试——从消除一个电源毛刺到写好一行时间同步代码——都让人对“系统”二字有了更深的理解。它教会我的不仅是磁力测量，更是如何让多个不完美的部件协同工作，如何与噪声和干扰共处，以及如何从海量原始数据中提炼出有价值的信息。如果你也完成了这个项目，不妨尝试下一步：加入一个激光测距仪，将磁场数据与地形高度结合；或者尝试用机器学习算法，自动识别磁场图中的异常区域。天空，才是你传感器阵列的极限。