我能够读取的所有深度测量值都非常准确（±0.1cm）

这是极不可能的。似乎有些东西正在以相当粗略的间隔量化您的数据：可能是 2 厘米左右加上一些额外的噪音。在 t = 2000 单位时也有一个尖峰？）在一个样本中深度从 0.1m 跳到大约 0.5m。您的采样间隔为 40 毫秒。40ms 中的 0.5m 对应于 12.5 m/s 的速度。你的物体真的能移动得那么快吗？

总体而言，您的数据看起来很糟糕（嘈杂、量化和尖峰），并且不像真实的物理对象倾向于表现。

通过对测量的深度值进行微分来找出身体的速度

第二条曲线看起来根本不是第一条曲线的导数。我预计在 t = 2000 时会出现 12.5 m/s 的巨大速度峰值，但您的速度曲线只是显示出一个小信号。另一个大峰值应该在 t=4000。我不知道你在那里做了什么，但它似乎不是差异化。

这是使用 Excel 从深度测量中简单计算的“速度”。这似乎比问题中的情节更合理。

请注意，使用的数据来自Web Page Digitizer，因此不会与原始数据完全相同。

将来请用适当的单位标记图表的 X 和 Y 轴。我不知道你的速度单位应该是什么，但它不太可能以 m/s 为单位。

根据您的更新，在我看来，它确实像高频噪音。一个“简单的”低通滤波器将大大有助于清理它。确实，太多的噪音是一件坏事，你可能想尽你所能来清理它，但无论如何都可能会有噪音，所以无论如何都建议使用 LPF。

请注意，何时应用 LPF 并不重要。您可以在微分之前或之后将其应用于深度数据并获得相同的结果。如果是我，我会先对深度数据进行 LPF。

另请注意，LPF 会导致群延迟。如果您正在对数据进行后处理，而不是进行实时分析，则可以使用 Python 的 filtfilt() 之类的东西来获得零延迟。在实时，你受到因果关系的限制，所以总会有一些延迟。事实上，一阶微分器会引入一些额外的延迟，但它非常小。大多数情况下，请记住，应用 LPF 可能会导致您的速度数据滞后于深度数据，这是意料之中的，并且可能有一些解决方法，具体取决于您的应用程序。

最后，微分器是一种高通滤波器，因此这种速度计算会加重高频噪声。