第1章课程导论与背景

一、课程导论与背景：为什么需要GPS拒止导航？

各位同学好，我是这门课的主讲人。在正式开始之前，我想先问大家一个问题：如果你的机器人突然失去了GPS信号，会发生什么？

嗯，这个问题我当年在矿井项目里就遇到过。那台巡检机器人走着走着，定位突然飘了十几米，差点撞上矿壁。从那以后，我就深刻理解了——GPS不是万能的，甚至在某些场景下，它根本不可用。

说白了，我们生活的世界并不是处处都有GPS信号。你想想看，地下、室内、水下、隧道……这些地方GPS要么信号极弱，要么完全被遮挡。但偏偏这些场景，又是机器人应用最迫切的地方。

我个人的习惯是，把GPS拒止导航的需求分成两类：

这两种场景，对导航算法的要求其实不太一样。天然拒止环境更考验传感器的融合能力，而人为拒止环境则要考虑抗干扰和鲁棒性。

核心观点：GPS拒止导航不是要替代GPS，而是要在GPS失效时，让机器人依然能知道自己在哪里、该往哪走。

我挑几个最有代表性的场景，给大家展开讲讲。

这是我最熟悉的场景之一。矿井巷道狭窄、光线昏暗、粉尘大，GPS信号完全被岩层遮挡。我曾经在山西的一个煤矿项目里待过两个月，那里的巡检机器人全靠激光雷达和IMU做定位。

矿井导航的核心挑战是什么？退化环境。巷道结构高度相似，长直走廊、重复纹理，视觉和激光特征都很少。我记得有一次，机器人在一条200米长的直巷道里，纯靠里程计走了不到50米，定位误差就超过了1米。

避坑指南：我曾经在矿井项目里吃过亏——只依赖单一传感器做定位。后来发现，必须把激光、IMU、轮式里程计甚至地磁信号都融合进来，才能在退化环境下保持稳定。

室内导航大家应该都不陌生。商场、仓库、医院、办公楼……这些地方GPS信号被建筑结构遮挡，定位精度从室外的米级直接掉到几十米甚至完全失效。

但室内环境有个好处：结构特征丰富。墙壁、柱子、门框、天花板，这些都是天然的导航标志物。我建议大家在室内场景优先考虑视觉SLAM或激光SLAM，配合IMU做紧耦合。

水下导航是另一个极端。GPS信号在水中的衰减非常严重，几米深的水就能让信号完全消失。而且水下不能使用激光雷达（光散射严重），视觉也受水质影响很大。

我参与过一个水下机器人的项目，用的是声呐+惯性导航+多普勒测速仪的组合。声呐提供环境轮廓，惯性导航做短时积分，多普勒测速仪修正速度漂移。嗯，这套方案在清水里效果不错，但在浑浊水域，声呐的噪声会明显增大。

隧道和矿井有些类似，但又有区别。隧道通常更长、更直，而且有车辆通行。地铁隧道、公路隧道、铁路隧道……这些场景的导航需求各不相同。

我个人觉得，隧道导航最大的问题是长距离漂移。你想想看，一条10公里的隧道，纯靠惯性导航，误差累积下来可能达到几百米。这时候就需要引入绝对参考——比如在隧道里布设信标，或者利用隧道壁的反射特征做修正。

这个场景比较特殊。在军事或安防领域，敌方可能会故意干扰或欺骗GPS信号。这时候，导航系统不仅要能在无GPS环境下工作，还要能识别和抵抗干扰。

我曾经看过一个案例：一架无人机在飞行中突然收到虚假的GPS信号，导航系统误以为自己在另一个位置，结果偏离了航线。嗯，这就是典型的GPS欺骗攻击。

注意：对抗环境下的导航，除了传感器融合，还需要加入异常检测和故障隔离机制。我建议至少保留两种独立的定位源，互相校验。

讲了这么多场景，我们来总结一下GPS拒止导航的核心挑战。我个人把它归纳为四点：

你可能会问：这些挑战有没有通用的解决方案？

我的回答是：没有银弹。不同的场景、不同的传感器配置、不同的精度要求，需要不同的算法组合。但有一些基本原则是通用的——比如多传感器融合、状态估计理论、回环检测与图优化。这些，正是我们这门课要讲的内容。

课程预告：从下一章开始，我们会深入讲解IMU预积分、视觉-惯性紧耦合、激光-惯性SLAM、因子图优化等核心技术。每一章我都会结合自己踩过的坑，给大家讲清楚原理和实现细节。

好了，第一章的内容就到这里。如果你对某个场景特别感兴趣，或者在实际项目中遇到过什么奇葩问题，欢迎在课后交流。我们下一章见。