2. 无人机定位技术基础

无人机要实现稳定悬停、航线飞行与精准降落，前提是持续获得可靠的位置、速度与姿态信息。定位技术决定了无人机“知道自己在哪里、要往哪里去、离目标还有多远”。在室外，GPS 与 RTK 是主流方案；在室内或 GPS 拒止环境，视觉定位、激光定位、UWB 等成为必要补充。理解这些方案的原理、精度、更新率与适用边界，是设计 AprilTag 视觉降落系统的第一步。

一、核心原理：从卫星到视觉的定位链路

GPS 通过接收多颗卫星的伪距信号，利用三边测量解算接收机的位置。普通单点 GPS 水平精度约 2～5 米，更新率通常为 1～10 Hz，无法满足精准降落对厘米级偏差的要求。RTK（实时动态差分）引入地面基准站，通过载波相位差分修正电离层、对流层与卫星钟差，将水平精度提升到 1～3 厘米，但依赖基准站与电台/网络链路，且初始化需要固定解时间。

视觉定位则完全不同：它不依赖外部卫星，而是通过相机观测环境中的已知标记或自然特征，反推相机位姿。AprilTag 属于人工视觉标记，检测稳定、ID 唯一、抗光照变化较好，配合已知标签尺寸即可解算相对位置与姿态。激光定位（如激光雷达 SLAM 或激光测距）通过扫描环境轮廓构建点云地图并匹配定位，精度高、抗光照干扰，但成本与算力要求较高。

二、方法流程：多源定位的切换与融合

实际降落任务通常采用“分层定位”策略。起飞与巡航阶段以 GPS/RTK 为主，保证全局航迹可控；进入降落区后，视觉系统开始搜索 AprilTag，一旦检测到标签且解算置信度足够，便从 GPS 位置切换到视觉相对位置。切换过程需要处理坐标系对齐、时间同步与突变抑制，否则会出现位置跳变导致无人机抖动。

常见融合方式包括：松耦合（各传感器独立解算后加权平均）、紧耦合（原始观测联合优化）以及基于扩展卡尔曼滤波（EKF）的状态估计。对于 AprilTag 降落，推荐使用“GPS 提供全局约束 + 视觉提供相对约束”的松耦合结构，并在切换时设置渐变权重，避免控制指令突变。

# 典型定位源优先级配置示例
position_source_priority:
  - rtk          # 全局，1～3 cm，需固定解
  - gps          # 全局，2～5 m，兜底
  - visual_tag   # 相对，cm 级，降落末端
  - laser_slam   # 相对，mm～cm 级，室内备用

switch_condition:
  visual_tag:
    min_detection_confidence: 0.85
    min_tag_area_px: 400
    max_reprojection_error: 2.0

三、案例/场景：室内外降落需求差异

室外降落场景中，无人机可能面对风扰、地面不平、GPS 多路径等问题。若仅依赖 GPS，水平误差可达数米，起落架可能落在目标区域之外。引入 RTK 后，进近精度显著提升，但 RTK 在楼宇遮挡、电磁干扰下可能失锁，此时视觉标记可作为末端修正手段。室内场景则完全不同：GPS 信号微弱或完全不可用，无人机必须依靠视觉、激光或 UWB 获得相对位置。AprilTag 因部署简单、识别鲁棒，成为室内精准降落的常用选择。

四、误区与复盘：定位方案选择中的常见问题