1. 传感器融合概述：什么是外部传感器融合？为什么PX4需要它？
大家好，我是你们的PX4课程讲师。今天咱们聊聊一个核心话题——外部传感器融合。
说实话，我第一次接触这个概念时，也觉得挺玄乎的。什么叫融合？不就是把几个传感器的数据凑一块儿吗？
嗯，还真没那么简单。
1.1 什么是外部传感器融合？
外部传感器融合，说白了就是让无人机“睁眼看世界”。
PX4内部自带的IMU（惯性测量单元）、磁力计、气压计，这些是“本体感觉”——它们知道自己的姿态、高度、加速度。但对外界环境，它们基本是“瞎子”。
外部传感器融合，就是把摄像头、激光雷达、毫米波雷达这些“外部感官”的数据，和内部IMU数据结合起来，得到一个更准确、更鲁棒的位姿估计。
我习惯用一个比喻来解释：
- IMU 就像你的内耳前庭系统——感知身体转动和加速
- 视觉/激光雷达 就像你的眼睛——看到周围环境
- 融合 就是大脑把眼睛和耳朵的信息整合，让你知道“我在哪，我在怎么动”
你想想看，光靠内耳，你闭着眼睛走几步就歪了。光靠眼睛，你快速转头时画面会模糊。两者结合，才能稳定行走。
无人机也是一样的道理。
核心定义：外部传感器融合 = 将外部感知数据（视觉/激光/雷达）与内部IMU数据，通过滤波或优化算法，融合成统一的位姿估计。
1.2 为什么PX4需要外部传感器融合？
这个问题，我在项目中被问过无数次。答案其实很直接——因为纯IMU不够用。
PX4默认的EKF2（扩展卡尔曼滤波器）可以融合IMU、GPS、磁力计、气压计。这在开阔户外没问题。但一旦进入室内、城市峡谷、或者需要高精度定位的场景，问题就来了：
- GPS信号弱或丢失——室内、隧道、桥下
- 高度漂移——气压计受温度影响大，低空飞行时误差明显
- 姿态漂移——长时间飞行，IMU积分误差累积
- 需要相对定位——比如悬停、避障、精准降落
我记得有一次做室内编队飞行，四台无人机同时起飞。GPS信号被屋顶遮挡，EKF直接发散，三台无人机撞墙。那次之后，我彻底明白了——没有外部传感器，PX4在复杂环境里就是“盲飞”。
我的经验：如果你要在室内或GPS拒止环境下飞PX4，外部传感器融合不是“可选项”，而是“必选项”。别问我怎么知道的——撞坏过三台机架才明白。
1.3 常见的应用场景
外部传感器融合的应用场景，其实就三类：视觉、激光雷达、毫米波雷达。咱们一个一个说。
1.3.1 视觉传感器（摄像头）
视觉融合是目前最主流的方式。PX4官方支持的VIO（视觉惯性里程计）就是典型代表。
它的原理很简单：摄像头拍下连续图像，提取特征点（比如角点、边缘），然后通过特征匹配估算相机的运动。再和IMU数据融合，得到6自由度位姿。
我常用的视觉方案有：
- Intel Realsense T265——自带IMU，直接输出位姿，PX4通过MAVLink接收
- ZED Mini——双目视觉，配合PX4的EKF2做融合
- OpenVINS——开源VIO算法，适合自己定制
视觉的优点很明显：成本低、重量轻、信息丰富。但缺点也突出：对光照敏感、纹理弱的环境容易失效、计算量大。
避坑指南：我曾经在傍晚试飞，阳光斜射导致图像过曝，VIO直接失效。后来我加了自动曝光控制和ND滤镜，才稳定下来。视觉融合，光照是最大的敌人。
1.3.2 激光雷达（LiDAR）
激光雷达融合，精度比视觉高一个量级。它直接测量距离，不受光照影响。
PX4常用的激光雷达融合方式有两种：
- LOAM/LIO-SAM——激光雷达+IMU的SLAM方案，输出位姿给PX4
- 直接距离测量——比如单线激光雷达测距，用于高度保持或避障
我做过一个项目，用Velodyne VLP-16配合PX4做室内自主导航。激光雷达的点云数据通过LIO-SAM生成里程计，再通过MAVLink发给PX4。效果非常稳定，即使在全黑环境下也能飞。
但激光雷达的缺点也很明显：贵、重、功耗大。一个16线激光雷达的价格，够买好几台飞控了。
| 传感器类型 | 精度 | 成本 | 适用场景 |
|---|---|---|---|
| 视觉（单目/双目） | 厘米级 | 低（几百元） | 室内、光照良好 |
| 激光雷达（2D/3D） | 毫米级 | 高（数千到数万） | 全黑环境、高精度需求 |
| 毫米波雷达 | 分米级 | 中（千元级） | 恶劣天气、远距离 |
1.3.3 毫米波雷达
毫米波雷达在PX4圈子里用得相对少一些，但它在特定场景下非常有用。
它的优势是：穿透性强（雨雾雪都不怕）、测距远（可达200米以上）、直接测速（多普勒效应）。
我试过用TI的IWR6843毫米波雷达做PX4的高度保持。在雾天测试时，激光雷达和视觉都失效了，但毫米波雷达依然稳定输出高度数据。那次测试让我对它刮目相看。
不过毫米波雷达的缺点也明显：角度分辨率低、点云稀疏、无法做精细的环境建模。它更适合做“辅助感知”，而不是主定位源。
我的建议：如果你做的是户外巡检、物流配送这类需要全天候工作的无人机，毫米波雷达是很好的补充。但如果你做的是室内编队或精准降落，视觉或激光雷达更靠谱。
1.4 知识体系总览
为了让大家更直观地理解，我画了一张图。这张图展示了外部传感器融合的核心逻辑：
这张图把整个知识体系串起来了。你看，三种传感器各有优劣，但最终都汇入PX4的EKF2滤波器，输出统一的位姿估计。
嗯，这就是外部传感器融合的“骨架”。后面的章节，我们会一步步把“血肉”填进去——从驱动开发、数据格式、到校准流程，一个都不会少。
一个小建议：刚开始接触时，别贪多。先选一种传感器（比如视觉），把它跑通、跑稳。再考虑多传感器融合。我见过太多人一上来就想搞“全融合”，结果哪个都没调好。
公众号:蓝海资料掘金营，微信deep3321