1. 课程导入
做无人机飞控这些年，我越来越觉得定位系统就是无人机的"眼睛"和"小脑"。没有可靠的定位，再好的姿态控制算法也白搭。今天咱们就来聊聊PX4的定位模块到底是怎么一回事。
定位在无人机中的核心作用
说白了，定位解决的是三个问题："我在哪？"、"我要去哪？"、"怎么去？"。你想想看，无人机在空中没有路标，没有车道线，全靠传感器数据来感知自身位置。
我记得刚入行那会儿，有个项目在室内飞，GPS信号被遮挡，无人机直接飘了。从那以后我深刻认识到——定位是飞控的基石，没有它，一切上层功能都是空中楼阁。
定位模块的核心职责：
- 提供无人机在三维空间中的位置（x, y, z）
- 提供速度信息（vx, vy, vz）
- 提供姿态信息（roll, pitch, yaw）
- 融合多传感器数据，输出最优估计
PX4定位系统整体架构
PX4的定位架构其实不复杂，但设计得很巧妙。它采用模块化设计，各个传感器通过uORB消息总线通信。我画了张图，你看一眼就明白了。
从图上你能看到，PX4的定位流程很清晰：传感器采集数据 → uORB总线分发 → EKF2滤波器融合 → 输出位置估计。我个人觉得，EKF2是整个定位系统的"大脑"，它负责把各个传感器的数据揉在一起，取长补短。
小提示：PX4从v1.11开始默认使用EKF2，老版本的LPE（Local Position Estimator）已经废弃了。如果你还在用旧版本，建议尽快迁移。
主流定位方案对比
做项目这么多年，我接触过各种定位方案。每种方案都有自己的脾气，选型时得看场景。下面这个表格是我自己整理的，你参考一下。
| 定位方案 | 精度 | 更新频率 | 适用场景 | 主要局限 |
|---|---|---|---|---|
| GNSS（GPS/北斗） | 2-5m（单点） 0.1-0.5m（RTK） |
5-20 Hz | 室外开阔环境 | 室内/城市峡谷失效 |
| 视觉定位（VIO） | 0.1-0.5m | 10-30 Hz | 室内/弱GPS环境 | 光照敏感、计算量大 |
| 激光SLAM | 0.01-0.1m | 5-20 Hz | 室内/结构化环境 | 成本高、重量大 |
| 纯惯导（INS） | 短期精度高 长期漂移严重 |
100-1000 Hz | 辅助其他传感器 | 无法单独长时间使用 |
各方案深度解析
GNSS定位
GNSS是目前最成熟的室外定位方案。PX4支持GPS、北斗、GLONASS多系统联合定位。我建议你在开阔环境下优先使用GPS+北斗双模，搜星数量多，定位更稳。
不过要注意，单点GPS的精度只有2-5米，做航点飞行勉强够用，但要是做精准降落或者测绘，必须上RTK。我曾经在一个农业植保项目里，用RTK把定位精度做到了厘米级，效果确实好。
避坑指南：我曾经遇到过GPS天线安装位置不对，导致信号被机臂遮挡，定位精度直接掉到10米以上。GPS天线一定要放在无人机顶部，远离碳纤维和金属部件。
视觉定位
视觉定位这两年发展很快。PX4通过Realsense T265或者Intel D435这类传感器，可以实现VIO（视觉惯性里程计）。说白了就是摄像头看特征点，IMU测加速度，两者互补。
视觉定位最大的优势是不依赖外部信号，室内也能用。但缺点也很明显——光线暗了不行，纹理少了也不行。我记得有个项目在白色墙壁的走廊里飞，视觉定位直接失效，最后还是靠超声波补了回来。
激光SLAM
激光雷达的精度是最高的，但成本也是最高的。PX4目前对激光SLAM的支持主要通过外部计算平台（比如树莓派或NUC）完成，然后通过MAVLink把位置信息传给飞控。
说实话，消费级无人机很少用激光雷达，太重太贵了。但在工业巡检、矿井探测这些场景里，激光SLAM是首选，因为它在黑暗无光的环境下照样工作。
惯导定位
纯惯导（INS）我一般只把它当辅助手段。IMU的加速度计和陀螺仪频率高（能到1kHz），但积分一次就有漂移，积分两次漂移更严重。你想想看，一个0.01m/s²的加速度误差，积分10秒就变成1m/s的速度误差，再积分就是5米的位置误差。
所以PX4的做法是：用IMU做高频预测，用GPS/视觉做低频修正。这就是EKF2的核心思想——取长补短。
定位方案选型建议
说了这么多，到底怎么选？我根据项目经验给你几个建议：
- 室外开阔环境：GNSS + IMU 组合，成本低效果好
- 室内/隧道/矿井：视觉SLAM 或 激光SLAM，配合IMU
- 城市峡谷/弱GPS：视觉+GNSS+IMU 多传感器融合
- 高精度测绘：RTK-GNSS + IMU，必要时加视觉辅助
核心结论：没有一种定位方案是万能的。PX4的EKF2之所以强大，就是因为它能灵活组合多种传感器。你只需要根据场景选择合适的传感器组合，剩下的交给滤波器去融合。
嗯，这一章的内容就到这儿。定位模块的架构和方案对比，心里有数了吧？后面我们会深入EKF2的数学原理，到时候你就知道这些传感器数据是怎么揉在一起的了。