1. 课程导入

无人机能否真正实现“全自主”，关键往往不在起飞，而在降落。起飞阶段环境相对可控，而降落阶段要面对地面纹理干扰、光照变化、风扰漂移、定位误差累积以及动态平台移动等一系列挑战。对于物流投送、电力巡检、应急救援、农业植保等应用而言，能否在指定区域精准、稳定、安全地触地，直接决定了整套系统是否具备实用价值。本课程围绕“降落标志识别与跟踪”这一核心能力展开，帮助学习者从视觉感知到控制闭环，建立完整的自主降落技术链路。

一、为什么自主降落如此重要

传统无人机降落通常依赖人工遥控或 RTK 差分定位。人工遥控依赖飞手经验，难以规模化；RTK 虽然精度高，但在城市峡谷、室内、林区等场景中容易失锁，且成本较高。视觉降落标志识别与跟踪提供了一种低成本、可冗余、可独立工作的方案：机载相机拍摄地面标志，算法实时估计标志在图像中的位置与姿态，飞控据此修正水平位置和下降速度，最终实现厘米级触地。

自主降落的价值可以归纳为三个层面：

• 安全性：减少人为误操作，避免降落过程中的碰撞、侧翻和桨叶损伤。
• 效率：支持“一键返航—自动对准—精准降落”的完整流程，提升作业周转率。
• 可扩展性：为移动平台降落、集群协同降落、无 GPS 环境作业提供感知基础。

二、降落标志识别与跟踪的任务定义

本课程所讨论的“降落标志识别与跟踪”，是指无人机通过下视相机采集地面图像，检测预设的视觉标志（如 ArUco、AprilTag、圆形二维码或自定义图案），并持续输出标志相对于相机的位姿信息，供飞控完成对准与下降。其任务可以拆解为四个子问题：

1. 检测：在图像中找到标志区域，输出角点或中心像素坐标。
2. 识别：判断标志 ID 与类型，排除相似图案和背景干扰。
3. 位姿估计：结合相机内参和标志几何尺寸，解算相对位置与姿态。
4. 跟踪：在连续帧中维持目标关联，抑制抖动、丢失和误匹配。

这四步并非线性独立，而是相互耦合。例如检测失败时，跟踪模块需要依靠运动模型预测目标位置；位姿估计异常时，检测模块需要重新初始化。因此，课程后续会反复强调“检测—跟踪—估计”的协同设计。

三、整体学习路线与课程结构

本课程共 30 章，按照“基础认知—算法实现—系统集成—实战优化”的主线推进。下图展示了从任务定义到闭环降落的整体学习路线，帮助学习者建立全局视角。

从图中可以看到，课程并非只讲“识别”一个点，而是把识别放在整个降落闭环中理解。阶段一建立坐标系、相机模型和评价指标；阶段二实现检测、识别、位姿解算与跟踪；阶段三完成机载部署和飞控通信；阶段四针对真实场景中的光照、遮挡、移动平台等问题进行优化。

四、典型应用场景与案例

以物流无人机为例，配送点地面铺设 ArUco 标志。无人机返航后，飞控先依靠 GPS 飞到标志上方约 5 米处，随后切换视觉模式。相机以 30 帧/秒采集图像，检测模块输出标志四个角点，PnP 解算得到相对位置。若水平偏差大于 0.3 米，飞控优先修正水平位置；当水平偏差小于阈值后，再以 0.3 米/秒的速度下降。整个过程中，跟踪模块持续维持目标 ID，防止因短暂遮挡导致目标丢失。

另一个典型场景是移动平台降落，如无人船或车辆。此时标志本身在运动，跟踪模块不仅要处理图像噪声，还要估计目标运动速度，提前预测落点。这类场景对跟踪算法的鲁棒性要求更高，也是课程后期重点讨论的内容。

五、常见误区与学习建议

学习建议如下：

• 先理解坐标系变换和相机模型，再动手写检测代码。
• 每学一个算法，都在同一段视频或仿真环境中复现，观察参数变化对结果的影响。
• 重视日志与可视化，记录检测框、位姿曲线和飞控指令，便于复盘。
• 不要跳过系统集成环节，算法只有跑在机载平台上才算真正完成。

六、关键参数与评价指标清单

这些指标将贯穿整个课程。后续每一章都会围绕其中一项或几项展开，帮助学习者不仅“会跑代码”，更能“判断好坏、定位问题、持续优化”。