📚 课程目录第1章课程导入

1. 课程导入

无人机从航拍玩具走向物流配送、电力巡检、应急救援、农业植保等真实业务场景后，飞行安全的核心矛盾就从“能不能飞”变成了“能不能安全地飞”。在低空环境中，电线、树枝、建筑立面、其他飞行器甚至飞鸟都可能在极短时间内出现在航线前方。仅依赖操作员目视或单一传感器，很难在高速、远距、弱光、扬尘等条件下稳定发现障碍。因此，多传感器障碍物检测成为无人机自主避障与安全飞行的基础能力。

本节要解决三个问题：第一，为什么无人机必须做障碍物检测；第二，多传感器融合相比单传感器解决了什么；第三，本课程将沿着怎样的知识路径，从感知原理走到工程落地。

一、为什么障碍物检测是无人机的“生存能力”

无人机障碍物检测的本质，是让飞行器在三维空间中持续回答三个问题：前方有没有障碍、障碍在哪里、我该怎么绕开或停下。这三个问题分别对应检测、定位与决策。若检测缺失，飞控只能按预设航线盲飞；若定位不准，避障动作可能把无人机推向更危险的位置；若决策不及时，即使看见了障碍，也可能因制动距离不足而碰撞。

从物理层面看，碰撞风险由相对速度、探测距离和响应时间共同决定。假设无人机以 10 m/s 前飞，障碍出现在 15 m 外，若系统从感知到执行避障需要 0.8 s，则这段时间内无人机已前进 8 m，剩余 7 m 必须完成减速或转向。若传感器探测距离只有 8 m，系统几乎没有安全余量。因此，障碍物检测不是“锦上添花”的功能，而是决定任务能否执行、设备能否回收的底线能力。

二、核心概念：从单传感器到多传感器融合

障碍物检测的常见传感器包括超声波、红外、激光雷达、毫米波雷达、单目/双目/深度相机等。它们各有优势与短板：超声波成本低但探测距离短、波束角大；红外易受光照和温度影响；激光雷达精度高但受雨雾和强光干扰；毫米波雷达穿透性好但角分辨率有限；视觉相机信息丰富但依赖光照与纹理。单一传感器很难覆盖全部场景，于是多传感器融合成为主流思路。

多传感器融合的核心价值在于互补与冗余。互补是指不同传感器在探测距离、视场角、分辨率、环境适应性上互相补足；冗余是指当某一传感器失效或受干扰时，其他传感器仍能提供障碍信息，避免系统整体失效。融合可以在数据层、特征层或决策层进行，常见方法包括卡尔曼滤波、扩展卡尔曼滤波、粒子滤波、贝叶斯估计以及基于深度学习的目标检测与跟踪。

三、方法流程：一次完整的避障闭环

从工程实现角度看，一次完整的障碍物检测与避障闭环通常包含以下步骤：

数据采集：各传感器按各自频率输出点云、图像、回波或距离值。
时间同步与空间标定：统一时间戳，标定各传感器到机体坐标系的旋转与平移关系。
预处理与特征提取：滤波去噪、畸变校正、点云分割、图像目标检测。
多源融合：在数据层、特征层或决策层融合，得到统一的障碍物列表或占据栅格地图。
风险评估：计算障碍物与航线的最近距离、碰撞时间 TTC，判断是否触发避障。
决策与执行：生成悬停、减速、绕行或返航指令，交由飞控执行。

这一流程中，任何一环的延迟或误差都会传导到最终安全边界。例如，时间同步误差 50 ms，在 10 m/s 飞行速度下就会带来 0.5 m 的位置偏差；标定误差 2°，在 20 m 距离上会产生约 0.7 m 的横向偏移。因此，多传感器系统不仅要“装得多”，更要“标得准、同步好、融合稳”。

四、典型场景与常见误区

以电力巡检为例，无人机需要沿导线飞行并保持安全距离。激光雷达可提供高精度导线点云，视觉相机可识别绝缘子与金具，毫米波雷达在雨雾天气下补充探测。三者融合后，系统既能识别细小的导线，又能在能见度下降时维持基本避障能力。再如物流配送，无人机在楼宇间穿行，视觉与深度相机负责识别建筑边缘和行人，超声波在近地悬停阶段提供最后一道保护。

常见误区一：认为“传感器越多越安全”。实际上，若标定不准、时间不同步，多传感器反而会引入冲突信息，导致虚警或漏检。误区二：只关注探测距离，忽略刷新率与响应时延。误区三：把避障等同于“看到就停”，没有考虑制动距离与动态障碍物预测。误区四：在实验室调通后直接上真实场景，未做风扰、光照、电磁干扰等边界测试。

五、课程整体框架与学习目标

本课程共 30 章，围绕“感知—融合—决策—验证”主线展开。前段介绍障碍物检测的意义、传感器原理与标定基础；中段深入多传感器融合、目标检测、跟踪与占据栅格地图；后段覆盖避障决策、路径重规划、仿真测试与真实飞行验证。学习完成后，你应能够：

解释超声波、激光雷达、毫米波雷达、视觉相机在无人机避障中的适用边界；
完成多传感器时间同步与空间标定的基本操作；
理解数据层、特征层、决策层融合的差异与选型依据；
设计简单的障碍物检测与避障流程，并评估其安全余量；
识别常见误区，制定测试与复盘方案。

课程模块	核心内容	关键产出
感知基础	传感器原理、探测距离、视场角、环境适应性	传感器选型清单
标定与同步	内外参标定、时间戳对齐、坐标变换	标定参数与同步方案
融合与检测	卡尔曼滤波、目标检测、数据关联、占据栅格	障碍物列表与地图
决策与执行	碰撞风险评估、TTC、路径重规划、飞控接口	避障策略与指令流
测试与复盘	仿真、外场测试、边界场景、失效分析	测试报告与改进项

下面给出一段典型的传感器配置片段，便于建立参数化认知：

sensors:
  lidar:
    range: 0.2~50 m
    fov: 360° x 40°
    rate: 10 Hz
  camera:
    resolution: 1920x1080
    fov: 90° x 60°
    rate: 30 Hz
  radar:
    range: 0.5~40 m
    fov: 120° x 30°
    rate: 20 Hz
fusion:
  sync_tolerance: 5 ms
  frame: body
  output: obstacle_list + occupancy_grid

学习本课程时，建议始终带着三个问题：这个传感器在什么条件下会失效？融合后信息是否更可靠？从检测到执行的总时延是否满足安全余量？把这三个问题贯穿 30 章，你会更容易把零散知识串成可落地的工程能力。

障碍物检测不是单一算法的胜利，而是传感器、标定、融合、决策与测试共同构成的系统工程。理解这一点，就抓住了本课程的主线。