1. 课程导论与传感器基础
各位同学，欢迎来到《无人机传感器数据融合与滤波算法》的第一讲。
我是你们的讲师，一个在无人机飞控领域摸爬滚打了十几年的老工程师。今天咱们不聊虚的，直接切入正题——先把无人机身上那些“眼睛”和“耳朵”搞清楚。你想想看，一架无人机在天上飞，它怎么知道自己歪了？怎么知道自己在哪？怎么避开那棵树？
答案全在传感器里。但每个传感器都有脾气，都有毛病。我们做数据融合，说白了就是“取长补短”。
1.1 为什么需要多传感器融合？
先问大家一个问题：只用GPS能不能飞？能，但飞不稳。GPS更新频率低，只有10Hz左右，而且信号容易被遮挡。只用IMU呢？也不行，IMU有漂移，飞个几十秒位置就不知道偏到哪去了。
所以，我们得把多个传感器“揉”在一起。这就是数据融合的核心思想——用不同传感器的优势，去弥补彼此的短板。
我个人习惯把传感器分成两类：
- 绝对参考传感器：比如GPS、磁力计、气压计。它们能给出一个绝对的位置或方向，但噪声大、更新慢。
- 相对参考传感器：比如IMU。它们更新快、短期精度高，但会随时间累积误差。
融合算法（比如卡尔曼滤波）就是干这个活的：用IMU做高频预测，用GPS等做低频修正。
核心观点：没有完美的传感器，只有完美的融合策略。
1.2 IMU（惯性测量单元）
IMU是无人机的“本体感觉”。它告诉你加速度和角速度。IMU内部通常包含三轴加速度计和三轴陀螺仪，高端点的还会加上磁力计。
1.2.1 加速度计
加速度计测量的是比力（Specific Force），也就是物体受到的惯性力与重力的合力。当无人机静止时，它测到的就是重力加速度g。
特性：
- 对振动非常敏感。电机一转，数据就“炸毛”。
- 低频精度尚可，但高频噪声大。
- 可以用来计算俯仰角和横滚角（通过重力向量投影）。
误差来源：
- 零偏（Bias）：即使静止，输出也不为零。我遇到过一批MEMS加速度计，零偏能到50mg，飞起来高度直接飘走。
- 刻度因子误差：实际输出与理论值的比例偏差。
- 噪声：主要是白噪声和闪烁噪声。
1.2.2 陀螺仪
陀螺仪测量角速度。它比加速度计更“娇气”。
特性：
- 动态响应快，适合做姿态控制的内环。
- 温度敏感。温度一变，零偏就跟着跑。
误差来源：
- 零偏稳定性：这是陀螺仪最重要的指标。我曾经用过一个IMU，零偏稳定性标称10°/h，结果在40度环境下实测到了50°/h，航向角直接漂移。
- 角度随机游走：积分后，角度误差会随时间平方根增长。
- g灵敏度：陀螺仪对线加速度敏感，这在剧烈机动时是个大麻烦。
避坑指南：我曾经在项目里直接用陀螺仪积分算航向，结果飞了30秒就偏了20度。后来老老实实加了磁力计和GPS航向修正。记住，纯积分不可靠。
1.3 GPS（全球定位系统）
GPS是无人机的“眼睛”，告诉你经纬度和高度。但别太迷信它。
原理：通过至少4颗卫星的伪距测量，解算出位置和时间。
特性：
- 绝对精度：民用单点定位约2-5米（水平），高度误差更大，约5-10米。
- 更新率低：通常5-20Hz。
- 受环境影响大：高楼、树荫、桥下都会导致信号衰减或多路径效应。
误差来源：
- 卫星钟差与轨道误差：这个我们控制不了，靠差分GPS（RTK）解决。
- 电离层与对流层延迟：信号穿过大气层时速度变化。
- 多路径效应：信号反射后到达接收机，导致测距不准。我在城市峡谷里飞过，位置跳了十几米。
- 几何精度因子（DOP）：卫星分布越差，定位误差越大。
注意：GPS高度数据非常不可靠。我从来不用GPS高度做悬停控制，都是用气压计或者融合后的高度。
1.4 磁力计（电子罗盘）
磁力计测量地球磁场，用来确定航向（偏航角）。
原理：利用霍尔效应或磁阻效应，测量三个轴向上的磁场强度。
特性：
- 容易受干扰。电机电流、机架铁磁材料、甚至地下的金属管道都会影响。
- 需要校准。硬铁干扰和软铁干扰必须补偿。
误差来源：
- 硬铁干扰：永磁体或固定电流产生的恒定偏移。校准后可以扣除。
- 软铁干扰：铁磁材料对磁力线的扭曲，表现为各向异性的缩放。
- 罗差：飞行器姿态变化时，电机电流方向改变，磁场也跟着变。
嗯，这里要注意：磁力计在室内或者靠近钢筋水泥建筑时基本废掉。我见过一个飞手在停车场起飞，磁力计直接指向了北偏东90度。
1.5 气压计
气压计通过测量大气压力来推算高度。它是无人机定高的主力传感器。
原理：气压随高度增加而指数衰减。标准大气模型下，每升高100米，气压下降约12hPa。
特性：
- 分辨率高，理论上可以分辨厘米级的高度变化。
- 受气流和温度影响大。无人机旋翼下洗气流会直接冲击气压计，导致高度跳动。
- 有滞后性。快速爬升时，气压变化跟不上实际高度变化。
误差来源：
- 静压孔位置：如果放在机腹，旋翼气流会形成负压，导致高度读数偏高。我习惯把气压计放在机臂根部，并用海绵包裹减震。
- 温度漂移：气压计芯片自身发热，或者环境温度变化，都会导致零漂。
- 天气变化：一天内气压变化可能对应几米的高度误差。
个人经验：气压计数据一定要做低通滤波，截止频率设在2-5Hz。同时配合加速度计做高度融合，才能抑制气流扰动。
1.6 超声波传感器
超声波用于低空测距，通常用在起飞、降落和避障场景。
原理：发射超声波脉冲，测量回波时间，根据声速计算距离。
特性：
- 精度高，近距离（<2米）误差可以做到1-2厘米。
- 波束角宽，容易受到地面纹理和倾斜角度的影响。
- 对软性物体（如草地、布料）反射弱，测距可能失败。
误差来源：
- 声速随温度变化：温度每变化1度，声速变化约0.6m/s。需要温度补偿。
- 多路径反射：超声波在墙角或地面多次反射，产生虚假回波。
- 交叉干扰：多台无人机同时使用超声波时，可能互相串扰。
1.7 视觉传感器（摄像头）
视觉传感器是近年来的热门。它提供的信息最丰富，但计算量也最大。
原理：通过图像特征点匹配，计算相机自身的运动（视觉里程计，VO）或识别目标。
特性：
- 无漂移（相对于IMU），但存在尺度不确定性（单目）。
- 受光照和纹理影响大。纯白墙壁或黑暗环境直接失效。
- 计算延迟高，通常需要专门的处理器（如GPU或FPGA）。
误差来源：
- 运动模糊：快速旋转或振动时，图像模糊，特征点丢失。
- 光照变化：从室内飞到室外，曝光突变，跟踪容易丢失。
- 特征退化：在重复纹理（如草地、瓷砖）或弱纹理场景下，匹配容易出错。
总结一下：每种传感器都有它的“舒适区”和“死穴”。IMU擅长短时高频，但会漂；GPS提供绝对位置，但慢且不准；磁力计告诉你方向，但怕干扰；气压计定高不错，但怕风；超声波测距准，但范围短；视觉信息丰富，但怕暗怕快。
数据融合，就是把这些传感器的优点组合起来，同时用算法抑制它们的缺点。下一讲，我们会深入卡尔曼滤波，看看如何用数学把这些传感器“拧成一股绳”。
好了，今天的内容就到这里。记住，理解传感器的误差特性，比背公式更重要。因为只有知道它错在哪，你才知道怎么去修正它。