IMU / GNSS / 视觉 / 激光融合 · 故障检测

• 对多源融合架构（松耦合/紧耦合）的理解深度
• 是否具备故障检测与隔离（FDI）的工程经验
• 能否清晰描述算法选型理由与权衡

1. 融合架构： 采用误差状态卡尔曼滤波（ESKF）紧耦合，IMU 做预测，GNSS/视觉做量测更新。

2. 故障检测： 基于新息卡方检验 + 残差滑动窗口，检测 GNSS 多路径或视觉退化。

3. 隔离与恢复： 故障传感器降权或剔除，切换至纯 IMU 递推，待恢复后重新初始化。

• 对视觉与激光雷达特性差异的理解
• 多模态融合的工程挑战（标定、时间同步、退化场景）
• 能否结合具体场景说明选型逻辑

1. 互补性： 视觉提供丰富纹理与语义，激光雷达提供精确深度与几何结构，两者融合可提升鲁棒性。

2. 融合方式： 前端特征级融合（如 V-LOAM）或后端因子图优化，也可在 ESKF 中作为独立量测。

3. 挑战： 时空标定复杂、计算量大、视觉退化（弱纹理/光照）与激光退化（长廊/空旷）需协同处理。

• 对 FDI 经典方法（卡方、残差、一致性检验）的掌握
• 能否结合无人机场景设计分层检测策略
• 故障恢复与系统重构的工程思维

1. 分层检测： 传感器级（数据有效性）、量测级（新息卡方）、系统级（多源一致性）。

2. 隔离策略： 软隔离（降权）与硬隔离（剔除），结合故障持续时间与严重程度。

3. 恢复机制： 故障消失后重新初始化协方差，或通过多源交叉验证逐步恢复权重。