1. 课程导入
无人机精准降落，是自主飞行从“能飞”走向“能干活”的关键一步。无论是物流投送、电力巡检、农业植保，还是应急搜救，飞行器最终都需要在指定位置稳定、准确地落地。传统GPS定位在开阔环境下可以做到米级精度，但在楼宇之间、树冠之下、室内厂房或GPS拒止环境中，误差会迅速放大，甚至完全失效。AprilTag作为一种视觉基准标记，凭借其识别稳定、计算轻量、位姿解算成熟的特点，成为无人机精准降落中极具性价比的视觉方案。
本课程围绕“AprilTag无人机精准降落”展开，从标记识别、相机标定、位姿估计，到控制律设计、降落状态机、仿真与实机调试，形成一条完整的工程链路。第1章作为导入，不急于写代码，而是先建立全局认知：我们要解决什么问题，需要哪些核心概念，系统由哪些模块组成，以及后续30章如何一步步推进。
一、学习目标：从“看见标签”到“稳稳落地”
完成本课程后，你应当能够独立搭建一套基于AprilTag的无人机精准降落系统，并具备调试与排障能力。具体目标可以拆解为以下五个层次：
- 感知层：理解AprilTag的编码原理与家族差异，能够根据机载相机分辨率、飞行高度和视场角选择合适的标签尺寸与家族。
- 标定层：掌握相机内参、畸变系数、外参的基本含义，能够使用ROS标定工具或OpenCV完成相机标定，并评估重投影误差。
- 估计层：理解PnP位姿解算的基本流程，能够从标签角点像素坐标反推出相机相对于标签的平移与旋转。
- 控制层：掌握视觉伺服的基本思想，能够将位姿误差映射为速度或位置指令，驱动无人机水平对准并垂直下降。
- 系统层：能够设计降落状态机，处理标签丢失、位姿跳变、地面效应等异常，完成仿真验证与实机飞行。
核心判断：精准降落的精度瓶颈往往不在控制算法，而在感知质量。标签太小、光照过曝、运动模糊、相机标定不准，都会让后续控制“越调越乱”。因此本课程将感知与标定放在控制之前，强调“先看清，再控稳”。
二、核心概念：五个必须建立的心智模型
在进入具体实现之前，需要先建立五个核心概念。它们贯穿全课程，是理解后续内容的基石。
| 概念 | 含义 | 在降落中的作用 |
|---|---|---|
| AprilTag家族 | 如Tag36h11、Tag25h9等，不同家族在编码位数、误检率、最小可识别尺寸上不同 | 决定标签尺寸、识别距离与抗误检能力 |
| 相机内参 | 焦距、主点、畸变系数，描述相机成像几何 | 将像素坐标转换为归一化坐标，是PnP解算的前提 |
| PnP位姿 | Perspective-n-Point，由n个已知空间点与对应像素点求解相机位姿 | 输出标签相对于相机的三维位置与姿态 |
| 视觉伺服 | 利用视觉反馈直接生成控制指令的闭环方法 | 将位姿误差转化为无人机速度或位置目标 |
| 降落状态机 | 定义搜索、对准、下降、着陆、中止等状态及迁移条件 | 保证降落过程有序、可中断、可恢复 |
其中，PnP位姿解算与视觉伺服是课程的技术核心。前者回答“标签在哪里”，后者回答“无人机该怎么动”。两者之间通过坐标系变换和误差定义连接起来。
三、整体框架：从像素到旋翼的完整信号链
本课程的知识结构可以概括为一条“信号链”：相机采集图像，AprilTag检测器输出角点像素坐标，标定参数将像素映射到相机坐标系，PnP解算得到标签位姿，坐标变换将标签位姿转换到无人机机体或世界坐标系，控制器根据目标位置与当前位置的误差生成速度指令，飞控执行指令驱动电机，最终使无人机降落在标签中心上方。
为了更直观地展示这一链路，下面用一张信号链与模块关系图说明各环节的输入输出关系。图中同时标注了关键参数与常见故障点，便于后续章节对照学习。
这张图是整门课程的“地图”。后续每一章都会放大其中一个模块：第2至第5章讲AprilTag检测与相机标定，第6至第10章讲PnP位姿解算与坐标变换，第11至第18章讲视觉伺服控制与状态机，第19至第24章讲仿真与参数整定，第25至第30章讲实机调试、异常处理与综合案例。你不需要一次记住所有细节，但需要知道每个模块在链路中的位置和输入输出。
四、典型场景与常见误区
先看一个典型场景：无人机在室外飞行，地面放置一张边长0.5米的Tag36h11标签，机载相机分辨率1280×720，视场角约70度。当飞行高度为5米时，标签在图像中约占多少像素？粗略估算，5米高度下视场宽度约为2×5×tan(35°)≈7米，1280像素对应7米，则0.5米标签约占91像素。这个尺寸足够检测，但若高度升到10米，标签仅约45像素，检测稳定性会明显下降。因此，标签尺寸、飞行高度和相机分辨率必须匹配。
常见误区一：认为“标签越大越好”。标签过大在低空会超出视场，导致无法完整检测；同时大标签在降落末段可能被机身遮挡。
常见误区二：忽略相机标定。未标定的相机直接用理论焦距解算PnP，高度估计可能偏差20%以上，降落时表现为“越降越偏”。
常见误区三：只调控制增益，不查感知延迟。图像处理延迟、通信延迟和飞控响应延迟叠加后，可能让闭环系统相位裕度不足，产生振荡。
复盘这些误区，可以得到一条重要原则：精准降落是一个系统工程，感知、估计、控制、执行必须协同设计。任何一环的短板都会限制最终精度。本课程后续章节会反复回到这条原则，帮助你在调试时快速定位问题环节。
五、学习路径与工具准备
为了顺利开展后续实践，建议提前准备以下环境与工具：
- 仿真环境：ROS + Gazebo，或AirSim，用于验证视觉检测与控制逻辑。
- 视觉库：OpenCV、AprilTag官方库或apriltag_ros功能包。
- 飞控接口：MAVROS或DroneKit，用于发送速度/位置指令。
- 标定工具：camera_calibration或OpenCV标定例程，准备棋盘格标定板。
- 实机平台：建议从轴距250mm至450mm的四旋翼开始，搭载下视相机与机载计算机。
# 典型环境检查命令示例
ros2 topic list | grep -E "camera|apriltag|mavros"
ros2 run camera_calibration cameracalibrator --size 8x6 --square 0.025 image:=/camera/image_raw
ros2 launch apriltag_ros tag_detector.launch.py
这些命令只是示例，具体接口会因平台而异。课程中会给出可运行的配置片段和调试日志，帮助你逐步搭建自己的系统。
学习建议：每学完一个模块，先在仿真中单独验证该模块的输入输出，再接入整条链路。例如，先确认AprilTag检测能稳定输出角点，再验证PnP解算的高度与实际高度一致，最后才闭合控制回路。分步验证比一次性联调更高效，也更容易定位问题。
至此，你已经了解了本课程的目标、核心概念、整体框架和常见误区。接下来，我们将从AprilTag的编码原理与家族选择开始，进入感知层的第一站。请记住：精准降落不是某一个算法的胜利，而是一条信号链的协同结果。先看清标签，再谈稳稳落地。