1. 课程导入
当无人机从“遥控飞行”走向“自主飞行”，定位与导航就成为最核心的能力。所谓定位，是回答“我在哪里”；导航，是回答“我要去哪里、怎么去”。在室外开阔环境中，GNSS 可以给出米级甚至厘米级的位置，但在城市峡谷、室内、林下、隧道、灾后废墟等场景，卫星信号会被遮挡或反射，定位精度急剧下降，甚至完全失效。此时，无人机必须依靠自身携带的传感器感知周围环境，完成相对定位与路径规划，这就是本课程要讨论的核心问题。
一、无人机定位导航技术概览
从信息源来看，无人机定位导航技术大致可以分为四类：卫星导航、惯性导航、无线电/信标导航、以及基于视觉与环境感知的导航。它们各有优势，也各有边界。
| 技术类型 | 典型传感器 | 优势 | 主要局限 |
|---|---|---|---|
| 卫星导航 | GPS/BDS/GLONASS | 全局绝对位置，长期稳定 | 室内/遮挡环境失效，易受欺骗干扰 |
| 惯性导航 | IMU（加速度计+陀螺仪） | 高频输出，短时精度高，不依赖外部 | 误差随时间累积，长期漂移明显 |
| 无线电/信标 | UWB、Wi-Fi、蓝牙 | 室内可用，成本较低 | 需预先布设，覆盖范围有限 |
| 视觉导航 | 单目/双目/RGB-D相机 | 信息丰富，可同时定位与建图 | 受光照、纹理、算力影响较大 |
实际系统中，单一技术往往难以满足全部需求，因此多传感器融合成为主流方案。例如“GNSS+IMU”组合在室外常见，“视觉+IMU”组合在室内和拒止环境中更具优势。本课程聚焦双目视觉，正是因为它能在无卫星信号条件下提供相对位置、姿态和深度信息，是自主导航的重要基础。
二、双目视觉定位的优势与挑战
双目视觉通过两个相机同时拍摄同一场景，利用左右图像中对应点的视差计算深度。其核心公式可以简化为：
Z = (f × B) / d
其中：
Z：目标点到相机的深度
f：相机焦距（像素单位）
B：双目基线（两相机光心距离）
d：视差（左右图像中对应点的像素差）与单目视觉相比，双目视觉的最大优势是“尺度可观测”。单目相机无法仅凭一张图像判断物体的真实大小和距离，而双目系统通过基线直接恢复绝对尺度，这对无人机避障、着陆、悬停和路径规划至关重要。此外，双目视觉还具有被动感知、成本可控、信息密度高等特点，适合在室内、地下、林区等 GNSS 拒止环境中使用。
但双目视觉并非“万能钥匙”。它面临的挑战同样突出：
- 光照变化：强光、逆光、弱光都会导致图像特征丢失，影响匹配精度。
- 纹理缺失：白墙、水面、玻璃等弱纹理区域难以提取稳定特征点。
- 计算量大：立体匹配、特征跟踪、优化求解对机载算力要求高。
- 标定误差：双目相机的内参、外参、基线必须精确标定，否则深度误差会迅速放大。
- 动态场景：运动模糊、快速旋转、遮挡都会破坏帧间连续性。
常见误区：很多初学者认为“双目一定比单目准”。实际上，如果基线过短、标定不准或纹理不足，双目深度可能还不如单目+IMU 的融合结果。选择方案时，必须结合场景、算力、成本和精度要求综合判断。
三、课程学习目标与整体框架
本课程的目标不是只讲概念，而是帮助学习者建立“从传感器到定位结果”的完整链路认知。学完本课程，你应当能够：
- 理解双目视觉定位的基本原理，包括成像模型、极线约束、视差与深度关系。
- 掌握双目相机的标定、校正与立体匹配流程。
- 能够使用视觉里程计和 SLAM 方法估计无人机位姿。
- 理解视觉与 IMU、GNSS 的融合策略，并分析误差来源。
- 具备在仿真或真实平台上调试双目定位系统的初步能力。
课程整体按照“原理—标定—匹配—定位—融合—应用”的主线展开。前几章打基础，中间章节进入算法与实现，后段聚焦系统集成、性能评估和典型场景。为了便于理解，下面用一张结构图展示本课程的知识链路。
四、典型场景与学习建议
双目视觉定位在无人机上的典型应用包括：室内自主巡检、仓库盘点、隧道检测、桥梁底面裂缝识别、林区搜救、灾后废墟探索等。这些场景的共同点是 GNSS 不可用或不可靠，而视觉信息丰富、环境结构相对稳定。以室内巡检为例，无人机需要沿预设航线飞行，同时避开货架、人员和其他设备。双目相机提供前方深度图，IMU 提供高频姿态变化，二者融合后可在无 GPS 条件下实现稳定悬停和避障。
学习建议：不要只停留在公式推导。每学一个模块，尽量在仿真环境或公开数据集上跑一遍，观察特征点数量、视差图质量、轨迹误差的变化。理解“参数—数据—结果”之间的因果关系，比记住结论更重要。
最后需要强调，双目视觉定位是一个系统工程。相机标定、时间同步、图像质量、算法选择、算力分配、飞控接口，任何一环出问题，都会表现为“定位漂移”或“深度异常”。因此，本课程会反复使用“信号链”和“误差链”的视角，帮助你从整体上定位问题，而不是孤立地调参。