1. 课程导入
当无人机飞入城市峡谷、室内仓库、地下管廊、森林树冠或强电磁干扰区域时，卫星信号会因遮挡、多径或压制而迅速衰减。此时，仅依赖GNSS的定位与导航链路会出现漂移、跳变甚至完全失效。对于巡检、救援、物流、测绘和集群飞行等任务而言，定位一旦不可信，飞行安全、任务质量和空域合规都会同时受到威胁。因此，无GPS导航不是“锦上添花”的附加能力，而是无人机在复杂环境中保持自主性的关键底线。
一、无GPS导航的意义：从“有信号”到“有状态”
GPS（更准确地说是GNSS）为无人机提供的是全球统一、绝对、低频更新的位置与速度观测。它的优势是长期不漂移，但短板也很明显：信号易被遮挡、易被欺骗、更新率低、在室内和地下几乎不可用。无GPS导航的目标，是在没有卫星绝对观测的条件下，仍然让无人机回答三个核心问题：我在哪里、我朝哪里、我动得多快。这三个问题分别对应位置、姿态与速度，也是控制回路、避障、建图和任务决策的共同输入。
从系统角度看，无GPS导航的意义可以归纳为四点：
- 安全性：在GNSS失效时避免失控、漂移和撞机，提供降级飞行与安全返航能力。
- 任务连续性：室内巡检、地下搜救、隧道测绘等场景中，任务不能因无卫星信号而中断。
- 抗干扰与抗欺骗：在电磁对抗环境中，视觉/惯性等自主传感器不依赖外部无线电信号。
- 成本与部署效率：相比铺设UWB基站或依赖外部信标，视觉惯性方案更易快速部署。
核心判断：无GPS导航不是简单“换一个传感器”，而是把定位问题从“依赖外部绝对观测”转变为“以自身运动感知为主、以环境观测为辅”的状态估计问题。
二、视觉惯性导航的定义：VIO与VINS
视觉惯性导航（Visual-Inertial Navigation，VIN）是指将相机与惯性测量单元（IMU）进行紧耦合或松耦合融合，通过视觉观测与惯性递推共同估计无人机的位姿、速度以及环境结构。常见的具体形式包括视觉惯性里程计（VIO）和视觉惯性导航系统（VINS）。VIO更强调连续时间内的局部位姿递推，VINS则通常还包含回环检测、全局优化与地图维护，从而抑制长期漂移。
为什么是“视觉+惯性”而不是单独使用其中一个？因为两者具有天然的互补性：
| 传感器 | 优势 | 短板 | 在融合中的角色 |
|---|---|---|---|
| 相机 | 可观测环境结构，长期漂移小，信息丰富 | 依赖纹理与光照，快速运动易模糊，单目尺度不可观 | 提供环境约束与绝对尺度（双目/IMU辅助） |
| IMU | 高频输出，短时精度高，不受光照影响 | 零偏与噪声导致积分漂移，长期不可靠 | 提供高频运动先验与尺度可观性 |
| GNSS | 绝对位置，长期不漂移 | 易遮挡、易干扰、更新率低 | 有信号时用于全局校正，无信号时退出 |
因此，视觉惯性导航的本质是：用IMU解决视觉的短时鲁棒性与尺度问题，用视觉解决IMU的长期漂移问题。二者融合后，系统在无GPS条件下仍能输出连续、可用的六自由度位姿。
三、整体知识框架：从传感器到自主飞行
本课程将围绕“感知—估计—控制—应用”的主线展开。下面的SVG给出了无GPS视觉惯性导航的整体知识框架，帮助你在后续章节中建立系统级认知。
该框架自上而下分为传感器层、前端处理层、后端估计层和输出层，并进一步连接到控制规划、建图避障与应用场景。你需要特别关注中间那层“状态估计与可观性”，因为它是整个无GPS导航系统的技术核心：没有可观性，再好的优化也无法得到稳定解。
四、典型场景与常见误区
在室内仓库巡检中，无人机需要沿货架通道飞行，相机看到的是重复纹理和弱光环境，IMU则承受电机振动。此时VIO可能因纹理重复而误匹配，也可能因振动导致IMU零偏估计发散。在隧道测绘中，长走廊的几何结构退化会让视觉尺度估计变得困难，必须借助IMU预积分和回环检测来维持全局一致性。在地下搜救中，烟雾、粉尘和低照度会进一步降低视觉观测质量，系统需要具备降级策略，例如切换为纯惯性递推并降低飞行速度。
常见误区一：认为“装了相机和IMU就能无GPS飞行”。实际上，未标定的外参、未同步的时间戳、未补偿的零偏都会让融合结果迅速发散。
常见误区二：把VIO当作绝对定位。VIO本质是里程计，长期仍会漂移，必须配合回环、地图或外部信标才能获得全局无漂移定位。
常见误区三：忽视算力与实时性。机载平台通常资源受限，算法复杂度、特征数量和优化窗口必须与硬件匹配。
五、本课程目标与学习路径
通过本课程，你将能够：
- 理解无GPS导航的问题定义、系统边界与关键指标。
- 掌握相机模型、IMU模型、时间同步与外参标定的基本方法。
- 理解视觉惯性融合的滤波与优化两类技术路线，并能比较其适用场景。
- 掌握VIO/VINS的典型算法流程，包括前端跟踪、IMU预积分、滑动窗口优化与回环检测。
- 能够分析退化场景、设计降级策略，并完成简单的机载部署与调试。
学习路径建议按“传感器基础 → 状态估计理论 → 视觉惯性融合 → 工程实现 → 场景实战”推进。每章都会围绕一个可验证的问题展开，并配有参数、代码片段或调试清单，帮助你把概念转化为可运行的工程能力。
# 典型无GPS视觉惯性导航数据流（概念示意）
camera --(图像帧)--> feature_tracker --(观测)--> estimator
imu --(角速度/加速度)--> preintegrator --(预积分)--> estimator
estimator --(位姿/速度/零偏)--> controller
estimator --(地图点/回环)--> mapper