1. 导航技术概述：从古代导航到现代组合导航，为什么需要IMU+GPS融合？

大家好，我是你们这门课的主讲人。

做组合导航这行十几年了，每次带新人，我第一节课都会先聊一个话题：我们到底为什么要费这么大劲，把IMU和GPS凑到一起？

别急着翻书。我们先从根上捋一捋。

1.1 导航的“老祖宗”：从看星星到看陀螺

导航这事儿，说白了就是回答三个问题：我在哪？我要去哪？怎么去？

古人没卫星，怎么办？看天。

  • 天文导航： 靠太阳、星星定位。晚上看北极星，白天看日晷。精度嘛，能到几十公里就不错了。我早年去海上做实验，还见过老船长用六分仪，那手艺真是绝活。
  • 地文导航： 看地标。沿着海岸线走，看见灯塔拐弯。这方法简单，但一出海就抓瞎。
  • 惯性导航的雏形： 陀螺仪。最早的陀螺仪就是个旋转的轮子，利用定轴性指北。但那时候的陀螺，漂移得厉害，转个把小时就不知道北在哪了。

你想想看，这些方法都有个共同问题：依赖外部信息。没星星、没地标，你就成了睁眼瞎。

核心痛点： 单一传感器，总有“掉链子”的时候。

1.2 现代导航的两大“台柱子”：GPS和IMU

到了现代，我们有了两个神器：GPS和IMU。

1.2.1 GPS：天上的“时钟”

GPS的原理，其实不复杂。就是卫星告诉你：“我在这个位置，信号发出时间是T0。”你收到信号的时间是T1，光速一乘，距离就出来了。三颗卫星就能定个二维点，四颗就能定三维。

优点很明显：

  • 误差不随时间积累。你跑一天，它还是那个精度（米级）。
  • 全球覆盖，白天黑夜都能用。

但缺点也致命：

  • 更新率低： 一般就10Hz。你想想，车跑高速，100ms才更新一次位置，中间那段轨迹全靠猜。
  • 信号易遮挡： 进隧道、过立交桥、在高楼峡谷里，信号直接丢。我在北京五环做过测试，进个桥洞，GPS直接“飘”到对面车道去了。
  • 易受干扰： 多径效应、电离层延迟，甚至有人拿个干扰器，你就没信号了。

1.2.2 IMU：身体的“感觉”

IMU（惯性测量单元）就不一样了。它不依赖外界，自己闷头算。

  • 加速度计： 测你走了多快，方向如何。
  • 陀螺仪： 测你转了多少角度。

IMU的更新率很高，通常100Hz到1000Hz。你动一下，它立刻知道。

但它的毛病更让人头疼：

  • 误差随时间疯狂积累： 这就是所谓的“积分漂移”。你静止不动，它可能以为你在匀速运动。我见过一个低成本的MEMS IMU，开机10分钟，位置能漂出去几百米。
  • 没有绝对参考： 它只能告诉你“相对之前的位置”，但不知道“绝对位置”。

我的经验： 单独用IMU做导航，就像闭着眼睛走路。你感觉自己在走直线，其实早偏到沟里去了。

1.3 为什么非要“融合”？—— 取长补短的艺术

好了，现在你看到了。GPS和IMU，就像一对欢喜冤家。

  • GPS：长期准，短期飘（更新慢，易丢信号）。
  • IMU：短期稳，长期飘（更新快，但会漂移）。

那把它们俩放一起呢？

这就是组合导航的核心思想： 用IMU的高频数据填补GPS的更新间隙，用GPS的绝对位置修正IMU的累积漂移。

我举个例子你就明白了：

你开车进隧道。GPS信号瞬间丢失。这时候，IMU开始“单干”。它根据进隧道前的速度和姿态，推算你接下来几秒的位置。虽然会漂，但几秒内精度还行。等你出隧道，GPS信号恢复，立刻把IMU的漂移“拉”回来，重新校准。

一句话总结： GPS给IMU“擦屁股”，IMU给GPS“填坑”。

1.4 融合带来的“化学反应”

除了简单的互补，融合还能带来一些意想不到的好处：

  1. 提高可靠性： 一个坏了，另一个还能顶一阵。我在做无人机项目时，有一次GPS天线被树枝挂掉了，全靠IMU撑着飞回来。
  2. 提高输出频率： 你最终得到的位置数据，可以做到100Hz甚至更高，而不是GPS的10Hz。
  3. 估计更多状态： 比如姿态（横滚、俯仰、航向）、速度、甚至陀螺的零偏。这些信息，单独靠GPS是拿不到的。
  4. 抗干扰能力： 在复杂环境下，融合算法可以智能地降低GPS的权重，更多依赖IMU，避免位置跳变。

避坑指南： 我曾经犯过一个错。在融合时，直接把GPS的位置和IMU的位置做平均。结果GPS一丢，位置直接跳变。后来才明白，融合不是简单的“平均”，而是要用卡尔曼滤波这类最优估计方法，动态调整权重。

1.5 一个简单的融合逻辑（伪代码）

为了让你有个直观感受，我写个最简单的融合逻辑。别纠结细节，先看思路。

// 伪代码：IMU + GPS 融合（简化版）
while (true) {
    // 1. 读取IMU数据（高频，比如100Hz）
    imu_data = readIMU();
    // 2. 用IMU数据预测位置和姿态（状态预测）
    predict_state(imu_data);
    
    // 3. 如果有新的GPS数据（低频，比如10Hz）
    if (new_gps_data_available()) {
        gps_data = readGPS();
        // 4. 用GPS数据修正预测的误差（观测更新）
        correct_state_with_gps(gps_data);
    }
    
    // 5. 输出融合后的位置
    output_fused_position();
}

你看，逻辑就这么简单。但实际工程里，难点全在“predict_state”和“correct_state”这两个函数里。它们背后，就是大名鼎鼎的卡尔曼滤波。这也是我们这门课后面要花大量篇幅讲的内容。

1.6 本章小结

嗯，聊了这么多，其实就是想告诉你：

  • 单一传感器都有短板。 GPS怕遮挡，IMU怕漂移。
  • 融合不是锦上添花，而是雪中送炭。 没有融合，很多场景下导航根本没法用。
  • 组合导航的核心是“估计”而非“测量”。 我们不是直接测出位置，而是通过算法，把两个不完美的信息，估计出一个更完美的结果。

下一章，我们会正式进入核心算法——卡尔曼滤波。我会从最直观的角度，带你理解这个“神奇”的滤波器到底在干什么。

准备好了吗？我们第二章见。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →