1. 课程导入

当无人机飞入城市峡谷、室内厂房、隧道、密林或强电磁干扰区域时，卫星导航信号会因遮挡、多径、欺骗或压制而失效，这就是GNSS拒止（GNSS-denied）环境。此时，仅依赖卫星定位的飞控会迅速失去位置、速度与航向基准，轻则悬停漂移，重则失控坠机。本课程的目标，是建立一套从感知、估计、规划到控制的完整工程方法，使无人机在卫星不可用时仍能安全、连续、可解释地完成自主导航任务。

学习目标与能力地图

完成本课程后，学习者应能独立完成以下工程任务：

• 识别GNSS拒止的典型成因与失效模式，判断系统是否进入拒止状态；
• 搭建多传感器融合架构，将IMU、视觉、激光雷达、气压计、磁力计与轮式里程计统一到同一状态估计框架；
• 实现视觉惯性里程计（VIO）、激光惯性里程计（LIO）与SLAM后端优化；
• 在无全局定位条件下完成局部地图构建、路径规划与轨迹跟踪；
• 设计降级策略、失效检测与安全返航逻辑，并完成仿真与实机验证。

核心概念：从“定位”到“状态估计”

GNSS拒止导航的本质，不是简单“换一个传感器”，而是把问题从绝对定位转为相对状态估计。GNSS提供的是全局绝对位置，而拒止环境下系统只能依靠自身运动约束与环境观测，递推估计位姿、速度和零偏。核心概念包括：

• 惯性递推：IMU以高频输出角速度与加速度，短时精度高，但积分会漂移；
• 视觉/激光观测：通过特征点、点云配准提供相对约束，抑制漂移；
• 因子图优化：将IMU预积分、视觉重投影、回环检测统一为最小二乘问题；
• 坐标系与时间同步：机体、相机、雷达、世界坐标系之间的外参与时间戳对齐，是工程成败的关键；
• 可观测性：在匀速直线、纯旋转等退化运动下，尺度与航向可能不可观，需要外部约束或运动激励。

整体框架：感知—估计—规划—控制闭环

本课程采用分层架构组织知识。感知层负责采集IMU、图像、点云与气压数据；估计层完成时间同步、外参标定与多源融合；规划层在局部地图上生成安全轨迹；控制层将轨迹转化为姿态与推力指令；安全层持续监测健康度并触发降级或返航。下图给出该闭环的整体关系。

典型应用场景

拒止导航并非实验室概念，而是大量真实任务的刚需。下表列出典型场景及其主导传感器组合。

方法流程与最小可运行链路

工程落地建议遵循“先仿真、后实机，先单源、后融合”的路径。一个最小可运行链路如下：

# 1. 启动仿真环境与飞控
ros2 launch px4_gazebo gnss_denied_world.launch.py

# 2. 启动VIO估计节点
ros2 run vins_estimator vins_node config/px4_stereo_imu.yaml

# 3. 启动局部规划与控制
ros2 launch ego_planner single_uav.launch.py

# 4. 记录日志用于复盘
ros2 bag record /camera/image_raw /imu/data /lidar/points /mavros/local_position/pose

常见误区与复盘要点

• 误区一：把VIO当作绝对定位。VIO输出的是相对位姿，长时间运行必然漂移，必须配合回环或先验地图；
• 误区二：忽视时间同步。相机与IMU时间戳偏差超过5毫秒，就会在快速旋转时产生显著估计误差；
• 误区三：在退化场景强行依赖单一传感器。长走廊、纯旋转、匀速直线都会导致可观测性下降，需要引入轮速、气压或外部约束；
• 误区四：只关注算法精度，忽略安全降级。工程系统必须定义健康度指标、切换阈值与返航策略，否则一次估计发散就可能导致坠机。