📚 课程目录第1章课程导入

1. 课程导入

无人机移动平台视觉降落，是指无人机在无卫星导航或卫星导航受限的条件下，利用机载视觉传感器（单目相机、双目相机、RGB-D相机等）对地面或水面移动平台上的合作标志、特征图案或平台本体进行检测、识别与相对位姿估计，并据此生成制导指令，最终实现无人机在移动平台上的自主、安全、精准着陆。它融合了计算机视觉、视觉伺服控制、飞行器制导控制、状态估计与嵌入式实时计算等多个技术方向，是无人机自主化能力中难度最高、工程价值最突出的环节之一。

核心定义：视觉降落 = 视觉感知（检测/识别/位姿估计） + 相对导航（状态估计/滤波） + 制导控制（轨迹规划/视觉伺服） + 平台协同（运动预测/同步）。

一、为什么需要移动平台视觉降落

传统无人机降落依赖GPS与气压高度计，定位精度通常在米级，且无法应对平台运动。当降落目标变为行驶中的车辆、舰船、移动机器人或应急车辆时，平台位置持续变化，GPS相对定位精度不足、通信延迟与遮挡问题突出，必须依靠视觉提供厘米级相对位姿。视觉降落的核心价值在于：不依赖外部基础设施、相对定位精度高、可实时闭环、适应动态目标。

二、典型应用场景

舰载无人机回收：舰船在海上持续运动，存在横摇、纵摇、升沉，甲板空间狭小，视觉降落需在六自由度扰动下完成。
车载无人机起降：应急指挥车、通信中继车在行驶中释放与回收无人机，要求对车辆运动进行预测与同步。
移动机器人协同：无人机与无人车编队作业，无人机需降落在移动的无人车平台上进行换电或数据回传。
野外应急与物流：在无GPS覆盖区域，向移动的救援车辆或临时平台精准投送物资。
农业与巡检：无人机降落在移动的农机或巡检车上，实现连续作业与自动补给。

三、技术挑战全景

移动平台视觉降落之所以困难，是因为它同时面对感知不确定性、平台动态性、控制实时性与安全性四重压力。下图给出从视觉感知到安全着陆的完整信号链与主要挑战分布。

四、课程整体框架

本课程共30章，按照“基础—感知—估计—控制—系统—实战”的递进逻辑组织，帮助学习者从零构建完整的移动平台视觉降落系统。

模块	章节范围	核心内容
基础篇	第1–5章	定义与场景、坐标系与位姿表示、相机模型与标定、平台运动学、系统总体架构
感知篇	第6–12章	合作标志设计、目标检测、特征提取与匹配、位姿解算、深度估计、鲁棒性增强
估计篇	第13–17章	卡尔曼滤波、状态观测器、平台运动预测、多传感器融合、延迟补偿
控制篇	第18–23章	视觉伺服、轨迹规划、制导律设计、速度匹配、触地判定、复飞策略
系统与实战篇	第24–30章	机载计算平台、实时软件架构、仿真与半实物测试、外场试验、故障复盘与工程优化

五、常见误区与学习建议

误区一：认为视觉降落只是“识别一个标志然后飞过去”。实际上，识别只是起点，真正的难点在于动态平台下的相对位姿估计精度、延迟补偿与控制闭环稳定性。
误区二：忽视坐标系与时间同步。大量工程失败案例源于相机、IMU、飞控之间的坐标变换错误或时间戳不同步。
误区三：只关注算法精度，忽视机载算力与实时性约束。实验室跑通的算法，在嵌入式平台上可能无法满足控制频率要求。

学习建议：每学完一个模块，建议在仿真环境中复现一次完整链路。例如，先完成相机标定与标志检测，再接入位姿估计与滤波，最后接入控制律，逐步增加平台运动与扰动，观察系统性能变化。只有把“感知—估计—控制”串起来，才能真正理解视觉降落的工程本质。

六、一个最小可运行示例

下面给出一个视觉降落主循环的伪代码框架，帮助建立系统级认知。后续章节将逐步填充每个模块的具体实现。

while (mission_active) {
    frame = camera.capture();                    // 1. 采集图像
    detection = detector.detect(frame);          // 2. 检测平台/标志
    pose = pose_estimator.solve(detection);      // 3. 解算相对位姿
    state = ekf.update(pose, imu, dt);           // 4. 滤波与预测
    cmd = guidance.compute(state, platform_pred); // 5. 生成制导指令
    flight_controller.send(cmd);                 // 6. 执行控制
    if (state.height < TOUCHDOWN_H) {            // 7. 触地判定
        land_or_goaround(state);
    }
}

从这段伪代码可以看出，视觉降落是一个典型的实时闭环系统：感知提供观测，估计提供状态，控制产生动作，动作又改变下一帧的观测。任何一个环节的延迟、误差或失效，都会沿着闭环传播并放大。因此，本课程不仅讲算法，更强调系统集成、时序设计与工程验证。