第1章：传感器模型与数据流
大家好，我是你们的飞控算法讲师。今天咱们聊聊EKF2融合算法的基础——传感器模型与数据流。说白了，就是搞清楚每个传感器到底在干什么，它们的数据长什么样，又是怎么喂给EKF2这个“大脑”的。
我个人习惯，在调参之前，先花时间把传感器特性摸透。你想想看，如果连传感器的脾气都不了解，那调参不就是瞎蒙吗？
1.1 IMU：飞控的“内耳”
IMU（惯性测量单元）是飞控里最核心的传感器。它包含加速度计和陀螺仪。加速度计测量的是比力，也就是物体受到的除了重力以外的加速度。陀螺仪测量的是角速度。
数据特性：
- 高频输出：通常能达到200Hz到1kHz。EKF2里一般用200Hz或400Hz。
- 噪声大：尤其是消费级的MEMS传感器。加速度计有振动噪声，陀螺仪有角速率随机游走。
- 有偏置：陀螺仪的零偏会随时间漂移。加速度计也有零偏，但通常比陀螺仪稳定。
- 对温度敏感：温度变化会导致偏置和尺度因子变化。
避坑指南：我曾经在项目里遇到过，因为IMU安装位置离电机太近，导致振动噪声直接淹没了加速度计的信号。结果就是EKF2的位置估计疯狂跳动，飞机根本稳不住。后来加了减震垫，问题才解决。
1.2 GPS：飞控的“眼睛”
GPS提供位置和速度信息。但它的更新频率很低，通常只有5Hz到10Hz。而且，在城市峡谷或树荫下，信号会变差，甚至丢失。
数据特性：
- 低频输出：5-10Hz，远低于IMU。
- 有延迟：从卫星信号接收到解算出位置，有几十到几百毫秒的延迟。EKF2里需要做时间戳对齐。
- 精度受环境影响：多路径效应、电离层延迟、卫星几何分布都会影响精度。
- 速度精度高于位置精度：GPS的速度测量（多普勒测速）通常比位置差分更准。
我的经验：在调GPS相关的参数时，我建议先检查一下GPS的HDOP（水平精度因子）。如果HDOP大于1.5，那位置估计的置信度就要打折扣了。EKF2里有个参数叫EKF2_GPS_POS_NOISE，就是用来根据HDOP动态调整GPS位置噪声的。
1.3 磁力计：飞控的“指南针”
磁力计测量地球磁场，用于确定航向。但它非常脆弱，容易受到电机电流、铁磁物质、甚至周围建筑物的干扰。
数据特性：
- 易受干扰：电机启动瞬间，电流会产生强磁场，导致磁力计读数突变。
- 需要校准：硬铁和软铁干扰会导致测量值偏移和缩放。必须做椭球拟合校准。
- 更新频率中等：通常50-100Hz。
- 航向精度有限：在强磁干扰环境下，航向误差可能达到几十度。
注意：千万不要在磁力计附近放置大电流导线或铁质螺丝。我曾经见过一个案例，因为飞控板上的一个螺丝是铁的，导致磁力计航向偏差了15度。换成铜螺丝后，问题立刻消失。
1.4 气压计：飞控的“高度计”
气压计通过测量大气压力来推算高度。但它对气流和温度变化非常敏感。
数据特性：
- 对气流敏感：无人机快速下降或上升时，机身周围的气流变化会导致气压计读数出现“冲激”误差。
- 温度漂移：温度变化会引起气压计内部参考压力变化，导致高度漂移。
- 更新频率中等：通常25-100Hz。
- 绝对精度差，相对精度好：绝对高度可能偏差几十米，但短时间内的相对高度变化比较准。
避坑指南：我建议把气压计放在飞控板的正中央，远离散热孔和通风口。另外，在EKF2里，有个参数叫EKF2_BARO_GATE，用来设置气压计数据的异常检测门限。如果飞行中高度突然跳变，可以适当调大这个门限。
1.5 光流传感器：飞控的“视觉”
光流传感器通过比较连续图像帧的像素位移，来推算水平速度。它主要用于室内或GPS信号差的环境。
数据特性：
- 依赖纹理：地面纹理越丰富，光流越准。光滑的地面（如瓷砖、水面）会导致光流失效。
- 有尺度模糊：光流测量的是像素位移，需要知道离地高度才能换算成真实速度。所以通常需要和激光测距仪或超声波传感器配合使用。
- 更新频率中等：通常10-50Hz。
- 对光照敏感：光照变化太剧烈（如从室内飞到室外），光流会暂时失效。
我的经验：在调光流参数时，我习惯先检查一下光流传感器的“质量”输出。如果质量值低于0.5，那说明光流数据不可靠，EKF2应该降低它的权重。PX4里有个参数叫EKF2_OF_DELAY，用来补偿光流数据的处理延迟，这个值需要根据实际硬件来调整。
1.6 EKF2中的传感器融合架构
好了，现在咱们知道了每个传感器的脾气。那EKF2是怎么把它们揉到一起的呢？
EKF2的核心思想是：用高频的IMU数据做状态预测，然后用低频的其他传感器数据做状态修正。说白了，就是IMU负责“猜”，GPS、磁力计、气压计、光流负责“纠偏”。
下面这张图是我画的EKF2传感器融合架构图，你可以直观地看到数据是怎么流动的：
从这张图你可以看到，所有传感器数据先进入“数据预处理”模块。这里做的是脏活累活：时间戳对齐、异常值检测、噪声建模、延迟补偿等等。预处理完的数据，才进入EKF2核心。
在EKF2核心内部，IMU数据驱动状态预测，其他传感器数据驱动状态更新。每次更新时，EKF2会计算“新息”（也就是预测值和测量值的差），然后根据协方差矩阵来决定：这个新息有多少是真实的状态变化，有多少是传感器噪声。
核心逻辑：EKF2本质上是一个“加权平均”的过程。谁的噪声小，谁的权重就大。所以，调参的核心就是给每个传感器设置正确的噪声参数。噪声设小了，传感器会被过度信任，导致估计结果跟着传感器噪声一起抖动。噪声设大了，传感器又会被忽略，导致估计结果收敛慢甚至发散。
嗯，这里要注意一点：EKF2里的传感器融合不是简单的“拿来就用”。每个传感器都有自己的“门限”和“门控”。比如，GPS信号差的时候，EKF2会自动降低GPS的权重，甚至完全忽略它。磁力计受到干扰时，EKF2会切换到“无磁力计”模式，只用IMU和GPS来估计航向。
我个人习惯，在调试一个新机型时，会先单独检查每个传感器的数据质量。比如，把飞机放在桌子上，看IMU的加速度计读数是不是接近1g，陀螺仪读数是不是接近0。然后拿着飞机走一圈，看GPS的位置和速度是不是合理。最后再检查磁力计的校准状态。这些基础工作做好了，EKF2的调参才能事半功倍。
好了，这一章的内容就到这里。记住，理解传感器模型是调参的第一步。下一章我们会深入EKF2的参数，看看每个参数到底在控制什么。