3. 传感器基础：IMU、气压计、磁力计、GPS/RTK与视觉传感器
各位同学，欢迎来到传感器基础这一章。说实话，做多旋翼自主降落，传感器就是你的眼睛和耳朵。我见过太多项目，算法写得天花乱坠，结果传感器数据一塌糊涂，最后全白搭。所以这一章，咱们把底层的传感器摸透。
核心观点：没有完美的传感器，只有会融合的工程师。每种传感器都有脾气，你得顺着它来。
3.1 IMU：加速度计与陀螺仪
IMU，惯性测量单元，说白了就是两个东西：加速度计和陀螺仪。加速度计测的是比力，也就是物体受到的加速度（包括重力）。陀螺仪测的是角速度，也就是你转得有多快。
加速度计：我习惯把它想象成一个弹簧上的小球。你加速，小球就往后跑。它输出的是三轴加速度值。有个坑要注意——它测不出重力加速度和运动加速度的区别。所以悬停时，它告诉你Z轴有9.8m/s²，那是重力，不是你在往上飞。
陀螺仪：这个更直接，测角速度。你把它积分，就能得到角度。但问题来了——积分会漂移。我曾经做过一个实验，把陀螺仪放桌上不动，10分钟后积分出来的角度偏了30度。嗯，这就是为什么你不能只用陀螺仪做姿态估计。
我的经验：实际项目中，我一般用加速度计做长期姿态参考（因为它不漂移），用陀螺仪做短期动态响应。两者通过互补滤波或卡尔曼滤波融合。别想着只用一种，会翻车的。
IMU的选型参数，我列个表给你参考：
| 参数 | 说明 | 常见值 |
|---|---|---|
| 量程 | 能测的最大加速度/角速度 | ±2g~±16g / ±250°/s~±2000°/s |
| 零偏稳定性 | 静止时输出的波动 | 消费级：10°/h，工业级：1°/h |
| 噪声密度 | 单位带宽内的噪声水平 | 越低越好，一般看数据手册 |
3.2 气压计
气压计，测大气压强的。为什么用它？因为GPS在垂直方向精度太差，而气压计能给你厘米级的相对高度变化。
原理很简单：气压随高度增加而降低。但有个问题——天气变化也会影响气压。你想想看，一阵冷空气过来，气压变了，你的高度读数就飘了。
避坑指南：我曾经在室内做降落实验，空调一开，气压计读数直接跳了半米。后来我学乖了，要么加个温湿度补偿，要么只用短时间内的相对变化，别信绝对高度。
实际使用中，我一般把气压计和IMU的Z轴加速度融合。气压计提供低频的高度趋势，IMU提供高频的垂直加速度。这样出来的高度估计，既平滑又响应快。
3.3 磁力计
磁力计，就是电子罗盘。它测的是地球磁场方向，用来告诉你机头朝哪。但说实话，这玩意儿在无人机上是最让人头疼的传感器之一。
为什么？因为电机、电调、大电流导线都会产生强磁场干扰。你想想看，四轴飞行器四个电机一转，磁场乱成一锅粥。磁力计读出来的方向，可能偏了30度都不止。
我的做法：每次装机后，必须做磁力计校准。让飞机绕各个轴转几圈，软件会拟合出硬铁和软铁干扰参数。而且，我建议把磁力计尽量远离电机和电源线，至少5厘米以上。
小技巧：磁力计和IMU融合时，我一般给磁力计的权重设得很低。只在GPS信号好、磁场环境干净的时候才用它修正航向。室内？直接关掉磁力计，用视觉或光流来定航向。
3.4 GPS与RTK
GPS，全球定位系统。民用单点定位精度大概2-5米。对于自主降落来说，这个精度远远不够。你想降到一个直径1米的平台上，GPS告诉你平台在5米范围内，这跟没告诉你有啥区别？
所以就有了RTK，实时动态差分定位。它通过一个地面基准站和飞机上的流动站，利用载波相位差分，把定位精度推到厘米级。
RTK的原理：说白了就是基准站知道自己精确坐标，它算出GPS信号的误差，然后把这个误差发给飞机。飞机用这个误差修正自己的定位。这样出来的位置，精度可以到2-3厘米。
关键点：RTK需要基准站和飞机之间保持通信链路。一旦断链，就会降级到普通GPS。我在项目中遇到过，降落过程中RTK信号突然丢失，飞机直接偏了2米。所以，一定要有降级策略，不能完全依赖RTK。
GPS/RTK的选型参数：
- 定位精度：单点2-5m，RTK 2-5cm
- 更新率：一般5-20Hz，越高越好
- 卫星跟踪数：越多越好，至少10颗以上
- 多频段：L1/L2/L5，多频段抗干扰能力强
3.5 视觉传感器
视觉传感器，这是自主降落的核心。没有视觉，你没法精确知道降落平台的位置和姿态。常用的有三种：单目、双目、深度相机。
单目相机：只有一个摄像头。它的问题很明显——没有深度信息。你看到一张图片，不知道那个目标离你多远。但单目便宜、轻便、功耗低。我一般用它做目标检测和跟踪，深度信息靠其他传感器补。
双目相机：两个摄像头，模仿人眼。通过左右眼的视差，可以算出深度。但计算量比较大，而且基线长度限制了有效测距范围。基线越长，测距越远，但相机体积也越大。
深度相机：比如Intel RealSense、Kinect。它主动发射红外光，通过飞行时间或结构光来测距。好处是直接输出深度图，不用算视差。但缺点也很明显——室外强光下容易失效，而且功耗高。
| 类型 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| 单目 | 便宜、轻便、功耗低 | 无深度信息 | 目标检测、跟踪 |
| 双目 | 被动测距、室外可用 | 计算量大、基线限制 | 中距离定位、避障 |
| 深度相机 | 直接输出深度、精度高 | 室外易失效、功耗高 | 近距离精确降落 |
我的教训：有一次用深度相机做降落，大太阳底下，深度图全是噪点。后来才知道，红外光在强阳光下会被淹没。所以室外场景，我强烈建议用双目或者单目+其他传感器融合。
3.6 传感器融合：为什么需要？
好了，上面讲了这么多传感器，各有各的毛病。IMU漂移、气压计受天气影响、磁力计受磁场干扰、GPS精度不够、视觉受光照限制。那怎么办？
答案就是融合。用卡尔曼滤波或者因子图，把多个传感器的优势结合起来。比如：
- IMU提供高频的姿态和加速度
- GPS/RTK提供低频的绝对位置
- 视觉提供相对位置和姿态
- 气压计提供高度参考
这样出来的状态估计，既高频又准确，还不容易受单一传感器失效的影响。
我的建议：刚开始做融合时，别贪多。先做IMU+GPS，跑通了再加视觉。每加一个传感器，都要做充分的测试和验证。我曾经一次性加了四个传感器，结果出了问题都不知道是哪个传感器在捣乱。
这张图展示了整个传感器融合的流程。从底层传感器数据采集，到预处理（校准、滤波、时间戳对齐），再到核心的融合算法，最后输出控制指令。注意那个反馈箭头——融合后的状态估计会反过来用于校正传感器偏差，形成一个闭环。
总结一下：传感器是自主降落的基础。每种传感器都有它的长处和短处。我的经验是，不要试图用一个传感器解决所有问题，而是通过融合，让它们互相弥补。下一章我们会深入讲视觉SLAM的具体算法，到时候你会看到这些传感器是怎么在算法层面协同工作的。