输入一帧的原始硬件时间戳，返回矫正后的系统时间 `hw_ns`: 驱动提供的硬件时间戳 (纳秒) `arrival_time`: 帧到达用户态的系统时刻
(&mut self, hw_ns: u64, arrival_time: Instant)
| 45 | /// * `hw_ns`: 驱动提供的硬件时间戳 (纳秒) |
| 46 | /// * `arrival_time`: 帧到达用户态的系统时刻 |
| 47 | pub fn correct(&mut self, hw_ns: u64, arrival_time: Instant) -> Duration { |
| 48 | // 1. 记录数据点 |
| 49 | if self.history.len() >= self.window_size { |
| 50 | self.history.pop_front(); |
| 51 | } |
| 52 | self.history.push_back((hw_ns, arrival_time)); |
| 53 | |
| 54 | // 2. 如果数据不够，直接返回到达时间作为降级方案 |
| 55 | if self.history.len() < 5 { |
| 56 | // 在初始化阶段，假设无漂移，直接对齐到第一帧 |
| 57 | if let Some(start_time) = self.history.front() { |
| 58 | // 简单偏移计算 |
| 59 | let elapsed_hw = hw_ns.saturating_sub(start_time.0); |
| 60 | return start_time.1.elapsed() + Duration::from_nanos(elapsed_hw); |
| 61 | // 粗略估算 |
| 62 | } |
| 63 | // 兜底：直接返回当前系统时间 (不推荐，但作为 fallback) |
| 64 | // 注意：这里需要计算相对于 System Boot 的 duration |
| 65 | return self.instant_to_duration(arrival_time); |
| 66 | } |
| 67 | |
| 68 | // 3. 计算线性回归 (y = kx + b) |
| 69 | // x = hw_timestamp (relative to first point in window) |
| 70 | // y = system_time (relative to first point in window) |
| 71 | // 我们需要预测当前 x 对应的 y |
| 72 | self.recalculate_regression(); |
| 73 | |
| 74 | // 4. 应用矫正 |
| 75 | let (base_hw, base_sys) = self.history.front().unwrap(); |
| 76 | let dx = (hw_ns as f64) - (*base_hw as f64); |
| 77 | let predicted_dy_ns = self.estimated_slope * dx + self.estimated_offset; |
| 78 | |
| 79 | let base_sys_dur = self.instant_to_duration(*base_sys); |
| 80 | base_sys_dur + Duration::from_nanos(predicted_dy_ns as u64) |
| 81 | } |
| 82 | |
| 83 | /// 简单的最小二乘法实现 |
| 84 | fn recalculate_regression(&mut self) { |
no test coverage detected