1、加速度计数据处理
为了实现代步车平平衡和运动控制，首先应该得到足够精确机器人车身倾角信息。根据两轮处自平衡车的应用环境，一般使用加速度器和陀螺仪两种传感器来采集代步车的姿态信息。
加速度计可能测量动态和静态线性加速度。静态加速度的一个典型例子就是重力加速度，用加速度计数直接测量物体静态重力加速度可以确定倾斜角度。
加速度传感器静止时，加速传感器仅仅输出作用在加速度灵敏轴上的重力加速度值，即重力加速度的分量值。根据各轴上的重力加速度的分量值可以算出物体垂直和水平方向上的倾斜角度。
加速度计动态响应慢 ，不适应跟踪动态角度运动；如果期望快速地响应，又会引起较大的噪声。再加上其测量范围的限制，使得单独应用加速度计检测车体倾角并不合适，需要与其它传感器共同使用。
2、陀螺仪数据处理
两轮自平衡机器人控制系统除了需要实时的倾角信号，还要用到角速度以给出控制量。理论上可以对加速度计测得的倾角求导得到角速度，但实际上这样求得的结果远远低于陀螺仪测量的精度，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，角速率对时间积分即可得到围绕灵敏轴旋转过的角度值。由于系统采用微控制器循环采样程序获得陀螺仪角速率信息，即每隔一段很短的时间采样一次，所以采用累加的方法实现积分的功能来计算角度值。
陀螺仪是用来测量角速度信号的，通过对角速度积分，能得到角度值。但由于温度变化、摩擦力、不稳定力矩等因素，陀螺仪会产生漂移误差。而无论多么小的常值漂移通过积分都会得到无限大的角度误差。因而不能单独使用陀螺仪作为自平衡小车的角度传感器。
综上所述，对于姿态检测系统而言，单独使用陀螺仪或者加速度计，都不能提供有效而可靠的信息来保证车体平衡。陀螺仪虽然动态性能良好，能够提供瞬间的动态角度变化，不受加速度变化的影响，但是由于其本身固有的特性、温度、积分过程的影响，存在累积漂移误差，不适合长时间单独工作；加速度计表态响应好，能够准确提供表态的角度，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，采用一种简易互补滤波方法来融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计的动态误差，得到一个更优的倾角近似值。
3、传感器数据融合
传感器数据融合是指对来自多个传感器的数据进行多级别、多方面、多层次的处理，从而产生新的有意义的信息，而这种新信息是任何单一传感器所无法获得的。
对加速度计，需要采用滤波算法除去短时性快速变化的信号，保留长时性缓慢变化的信号，所以要对加速度计运用低通滤波算法。一种常用的方法是给变化较快的信号乘上一个较小的权重系数，以削弱突变信号对整体产生的影响。
如果传感器停留在10°，滤波后角度值会在一定时间后逐渐增大到10°。这段时间的长短依赖于滤波常数和循环程序的采样速率（程序循环一次所用的时间）。
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。
针对陀螺仪的高通滤波和针对加速度计的低通滤波两部分恰好组成一个互补滤波器。可以看到两个滤波系数相加结果为1，所以滤波结果是一个比较精确的线性的角度估计值。
这样，用加速度计的输出来消除陀螺仪的漂移，使最终得到的倾角估计更加精确。这就是传感器数据融合中典型的状态估计问题。状态估计的目的是对目标过去的状态进行平滑、对现在的状态进行滤波和对未来的状态进行预测。
文章来源：张贝贝的博客