第1章状态估计概述

1、状态估计概述：什么是状态估计？为什么飞行控制需要状态估计？状态估计与滤波的关系

大家好，欢迎来到这门课的第一讲。

咱们直接开门见山。今天要聊的，是飞行控制算法里最基础、也最绕不开的一个话题——状态估计。

我做了这么多年飞控，坦白讲，刚入行那会儿，觉得状态估计就是个「黑盒子」。传感器数据进来，姿态、位置就出来了。后来自己踩了坑，才明白这玩意儿有多关键。你想想看，一架四旋翼在天上飞，它怎么知道自己朝哪个方向？靠什么判断自己是不是在往下掉？

嗯，答案就是状态估计。

说白了，状态估计就是「猜」。

但不是瞎猜。它是利用我们已有的数学模型，结合传感器测回来的数据，去推断系统内部那些我们无法直接测量或者测量不准的物理量。

举个例子。你手里有一架无人机。你装了个GPS，它能告诉你大概的位置，误差可能一两米。你还装了个加速度计，它能告诉你加速度。但你想知道无人机当前的速度，怎么办？

直接对加速度积分？可以，但积分会漂移，时间一长，速度值就飞到天上去了。直接用GPS差分算速度？也可以，但GPS更新频率低，而且有噪声。

这时候，状态估计就派上用场了。它把加速度计的积分结果和GPS的测量结果「揉」在一起，取长补短，最终给出一个比任何一个单独传感器都准的速度估计值。

核心定义：状态估计，就是利用系统的动态模型和带噪声的观测数据，对系统内部状态进行最优推测的过程。

这里的「状态」，指的是能完整描述系统运动的一组最小变量。对于飞行器来说，通常包括：

这个问题，我当年带过一个实习生，他问过我一模一样的话。他的原话是：「传感器不是直接能读到角度和位置吗？为什么还要估？」

我当时带他去飞了一架 Pixhawk 的无人机。我故意把加速度计和陀螺仪的数据直接拿来用，没做任何滤波。结果飞机一起飞就开始剧烈抖动，不到三秒就翻了。

他一下子就明白了。

飞行控制需要状态估计，原因其实就三条：

传感器太「吵」了。你拿一个 MPU6050 陀螺仪，静止不动的时候，读出来的角速度可能还在 ±0.5°/s 之间跳。直接拿这个数据去控制，飞控会疯掉的。
有些状态根本测不到。比如飞行器的真实姿态角，没有哪个传感器能直接输出一个完美的欧拉角。磁力计受干扰，加速度计受振动，陀螺仪会漂移。你只能靠估计。
传感器会失效。GPS 信号被遮挡、光流传感器在暗处罢工、气压计受气流扰动……这些我都遇到过。没有状态估计，任何一个传感器掉线，飞机就失控了。

我的经验：我曾经在室内飞一架视觉导航的无人机。当时光线突然变暗，光流传感器直接失效。幸好状态估计器里融合了IMU数据，靠着惯性推算，硬是撑了十几秒，直到飞机手动降落。如果没有状态估计，那架飞机就交代了。

所以，飞行控制本质上是一个闭环反馈的过程。控制器需要知道「现在飞机是什么状态」，才能决定「下一步该怎么控制」。而状态估计，就是那个给控制器提供「真实状态」的桥梁。

好，聊到这里，你可能会问：「那滤波又是什么？跟状态估计是一回事吗？」

嗯，这个问题问得好。很多人把这两个词混着用，其实它们有区别，但关系非常紧密。

我打个比方你就明白了。

滤波，就像你戴了一副降噪耳机。它的目标是把信号里的噪声去掉，让信号变干净。比如低通滤波，把高频噪声滤掉，留下低频的真实信号。
状态估计，则像是你闭着眼睛，靠耳朵听声音，来判断自己走到了房间的哪个位置。它不仅要滤掉噪声，还要结合你对房间布局的了解（模型），去推测你当前的位置（状态）。

所以，滤波是状态估计的一种手段，但不是全部。

经典的卡尔曼滤波器，本质上就是一个状态估计器。它做的事情是：

你可以这样理解：

概念	范围	典型方法
滤波	更宽泛，泛指去除噪声	低通滤波、高通滤波、带通滤波、滑动平均
状态估计	更具体，包含模型和观测	卡尔曼滤波、扩展卡尔曼滤波、无迹卡尔曼滤波、粒子滤波

注意：千万不要以为「滤波」就是简单的低通滤波。在飞控里，如果你只用低通滤波去处理陀螺仪数据，那姿态估计的精度会非常差。因为低通滤波会引入相位延迟，导致控制响应变慢。我见过有人这么干，结果飞机飞起来像喝醉了酒一样晃。

我个人习惯把状态估计看作一个「框架」，而滤波是框架里的一个「工具」。这个框架里，你还可以加入传感器校准、异常值剔除、时间同步等等。但最核心的，还是那个把模型和测量融合起来的算法——也就是我们后面要重点讲的卡尔曼滤波。

好了，这一讲的内容就到这里。总结一下：

下一讲，我们会深入卡尔曼滤波的数学原理。到时候我会带你们手推一遍公式，别怕，其实没那么难。