1. 课程导入
全球导航卫星系统（GNSS）与惯性测量单元（IMU）的紧耦合组合导航，是当前智能驾驶、无人机、精密农业、测绘与机器人领域最核心的定位技术路线之一。与松耦合方案相比，紧耦合在信号遮挡、多径干扰、动态机动等复杂场景下具有显著优势。本章作为整个课程的导入，将明确学习目标、梳理课程结构，并深入剖析紧耦合组合导航的工程应用价值与行业需求，帮助学习者建立全局视野与学习路径。
1.1 学习目标：从原理到工程落地的能力构建
本课程的学习目标不是简单地让学员记住几个公式或会调用某个开源库，而是建立一套完整的、可工程化的紧耦合组合导航系统设计能力。具体而言，完成本课程后，学习者应当具备以下四个层面的能力：
核心原理层面
深入理解GNSS观测方程（伪距、载波相位、多普勒）与IMU惯性导航解算（姿态更新、速度更新、位置更新）的数学模型，掌握两者误差传播规律。重点理解紧耦合与松耦合的本质区别——紧耦合在GNSS接收机跟踪环路之前就介入原始观测数据，将IMU信息用于辅助信号捕获与跟踪，同时将接收机原始观测量直接送入组合滤波器，实现深层次的相互校正。这一层面的学习要求学员能够独立推导状态方程与观测方程，理解可观测性与滤波收敛性的数学条件。
系统设计层面
能够根据应用场景（车载、无人机、测绘等）选择合理的硬件架构，包括IMU的等级选型（消费级、工业级、战术级）、GNSS接收机的通道数与频点配置、处理器算力评估。能够设计紧耦合滤波器的状态向量（位置、速度、姿态、陀螺零偏、加速度计零偏、钟差、钟漂等），确定量测更新策略，并处理时间同步、杆臂补偿、天线相位中心偏差等工程细节。
工程实践层面
掌握基于RTKLIB、GTSAM或自研代码实现紧耦合算法的能力，能够编写或修改EKF/UKF/因子图优化代码。具备传感器标定、IMU内参校准、GNSS天线延迟标定的实操技能。能够使用仿真工具（如PSINS、NaveGo）进行算法验证，并能在真实数据上分析定位精度、可用性、连续性指标。
行业视野层面
理解不同行业对组合导航的差异化需求。例如，智能驾驶更关注完好性与功能安全（ISO 26262），无人机更关注体积重量功耗（SWaP）与动态性能，测绘更关注精度与后处理能力。学员应能够将行业需求转化为技术指标，并据此进行系统设计权衡。
学习路径建议：本课程采用"理论→仿真→实车/实飞→复盘"的闭环学习模式。每章内容都配有可运行的代码示例或仿真实验，建议学员在掌握理论后立即动手实践，不要只停留在"看懂"层面。紧耦合组合导航的调试过程往往比算法本身更耗时，提前积累排障经验至关重要。
1.2 课程结构：30章递进式知识体系
本课程共30章，按照"基础理论→核心算法→工程实现→行业应用"四个阶段递进组织，每一章都建立在前一章知识基础之上，同时为后续章节铺垫。课程结构设计遵循"从原理到代码、从仿真到实机、从算法到系统"的工程教育逻辑。
| 阶段 | 章节范围 | 核心内容 | 能力目标 |
|---|---|---|---|
| 基础篇 | 第1-8章 | GNSS定位原理（伪距/载波/RTK/PPP）、IMU惯性导航原理（姿态解算/速度/位置）、坐标系与时间系统、误差模型与Allan方差分析、松耦合与紧耦合架构对比 | 建立扎实的数学与物理基础，理解两类传感器的互补特性 |
| 核心算法篇 | 第9-18章 | 卡尔曼滤波基础与EKF/UKF、联邦滤波、因子图优化、紧耦合状态方程与观测方程构建、模糊度解算与约束、完好性监测（RAIM/ARAIM）、多频多系统融合 | 掌握紧耦合核心算法，能够独立推导和实现滤波模型 |
| 工程实现篇 | 第19-25章 | 硬件平台选型与接口设计（SPI/UART/CAN/以太网）、IMU与GNSS时间同步方案、杆臂与天线相位中心标定、嵌入式实时系统实现、测试验证与精度评估方法、故障注入与容错设计 | 具备从零搭建紧耦合系统的工程能力 |
| 应用与前沿篇 | 第26-30章 | 智能驾驶组合导航方案、无人机与eVTOL导航、PPP-RTK/PPP-AR与IMU深度融合、视觉/激光雷达与GNSS/IMU多源融合、5G/星地一体化导航展望 | 理解行业前沿趋势，具备方案创新能力 |
课程结构设计有三个显著特点：第一，强调"可观测性"视角。每一章算法讲解都会从可观测性角度分析状态量能否被有效估计，这是紧耦合系统设计中最容易被忽视但至关重要的环节。第二，贯穿"误差预算"思想。从IMU选型到滤波器设计，始终围绕"最终定位误差由哪些误差源贡献、各自占比多少"这一主线展开。第三，注重"工程折中"。例如，在滤波器更新频率、状态维度、计算复杂度之间如何取舍，在RTK与PPP之间如何根据场景选择，在完好性与可用性之间如何平衡。
1.3 紧耦合组合导航的应用价值：为什么必须走向紧耦合
要理解紧耦合的应用价值，首先需要明确松耦合在复杂场景下的局限性。松耦合架构中，GNSS接收机独立输出位置/速度解，IMU独立进行惯性解算，两者在位置/速度层面进行融合。这种架构实现简单、计算量小，但在以下场景中性能急剧下降：
- 信号遮挡严重：城市峡谷、隧道、地下停车场等场景，GNSS可见卫星数少于4颗时，接收机无法独立定位，松耦合系统只能依赖纯惯导，误差快速发散。
- 多径效应显著：高楼密集区域，GNSS伪距观测值受到严重多径污染，接收机输出的位置解本身已包含较大误差，松耦合滤波器无法区分是接收机噪声还是真实运动。
- 高动态机动：无人机急转弯、车辆急加速/急刹车时，接收机环路可能失锁，松耦合系统在重新捕获期间完全失去GNSS信息。
- 弱信号环境：树荫、高架桥下，GNSS信号载噪比低，接收机跟踪环路不稳定，输出的观测量质量差。
紧耦合架构从根本上解决了上述问题。其核心思想是：IMU信息在接收机跟踪环路层面辅助信号处理，同时接收机的原始观测量（伪距、载波相位、多普勒）直接进入组合滤波器。具体优势体现在：
- 信号级辅助：IMU预测的多普勒频移可以辅助接收机环路保持锁定，即使在载噪比低至15dB-Hz时仍能维持跟踪，显著提升弱信号环境下的可用性。
- 原始观测量融合：即使可见卫星只有2-3颗，紧耦合滤波器仍能利用这些原始观测量约束惯导误差发散，而不是像松耦合那样完全丢弃GNSS信息。
- 载波相位平滑：IMU提供的短时高精度位移信息可以辅助载波相位周跳检测与修复，提升RTK固定成功率。
- 完好性增强：紧耦合可以检测GNSS观测量中的异常（如多径导致的伪距跳变），通过新息检验实现故障检测与排除，满足功能安全要求。
经验数据：在典型的城市峡谷场景（两侧建筑高度超过30米，道路宽度约20米），松耦合系统的水平定位误差RMS约为2-5米，且约15%的时间无法输出有效定位结果；而紧耦合系统在相同场景下，水平定位误差RMS可控制在0.5-1.5米（取决于IMU等级），可用性超过98%。这一差距在隧道场景中更为悬殊——松耦合在隧道内完全失效，紧耦合配合轮速计或视觉可维持车道级定位。
1.4 行业需求分析：从智能驾驶到精密测量的刚性需求
紧耦合组合导航已经从学术研究走向大规模产业应用，多个行业正在形成刚性需求。以下从四个主要领域展开分析。
智能驾驶：L3+级自动驾驶的定位基石
L3级及以上自动驾驶要求车辆在绝大多数场景下实现车道级定位（水平误差小于30cm），且定位系统必须满足功能安全要求（ASIL-B或以上）。单一GNSS RTK在开阔场景可以满足精度要求，但在城市峡谷、隧道、地下车库等场景无法独立工作。紧耦合GNSS/IMU系统成为行业共识的解决方案。目前主流方案采用"RTK+战术级IMU+紧耦合算法"，配合高精地图实现车道级定位。值得关注的是，车规级IMU（如Bosch SMI230、ST ASM330LHH）的零偏稳定性已提升至1-3°/h，使得纯惯导在GNSS中断60秒内仍能维持约1米的定位误差，这为紧耦合系统提供了有力支撑。
无人机与低空经济：eVTOL与城市物流的导航保障
随着低空经济上升为国家战略，无人机物流、城市空中交通（UAM）对导航系统的要求日益严苛。eVTOL飞行器在城市环境起降，需要应对建筑物遮挡、电磁干扰、高动态机动等挑战。紧耦合组合导航配合RTK/PPK技术，能够提供厘米级定位和0.1°级姿态精度，满足精密进近和着陆需求。此外，无人机集群飞行对相对定位精度要求极高，紧耦合架构支持的高更新率（100Hz以上）姿态和位置输出是编队控制的基础。
精密测量与测绘：从静态到动态的范式转变
传统测绘以静态GNSS测量为主，效率低且无法覆盖动态目标。移动测量系统（MMS）将GNSS/IMU紧耦合组合导航与激光雷达、相机集成，在车辆行驶过程中同步采集高精度三维空间数据。铁路轨道几何状态检测、高速公路路面病害巡检、电力线走廊测绘等场景，均依赖紧耦合系统提供的连续、高精度位置姿态基准。PPP-AR（精密单点定位-模糊度固定）与IMU紧耦合的结合，使得无地面基准站的动态测量成为可能，大幅降低了外业复杂度。
时空基准维持：国家基础设施的隐形支撑
国家坐标框架维持、地震监测、板块运动研究等领域，需要长期连续、高稳定性的定位服务。紧耦合组合导航系统将GNSS长期稳定性和IMU短期高精度相结合，为基准站间的时间同步、天线形变监测提供了技术手段。例如，在大型水坝、跨海大桥的健康监测中，GNSS/IMU紧耦合系统可以同时监测三维位移和结构振动模态，为结构安全评估提供关键数据。
| 行业领域 | 典型应用场景 | 核心性能指标 | 紧耦合带来的关键价值 |
|---|---|---|---|
| 智能驾驶 | 城市NOA、AVP代客泊车 | 水平精度≤30cm，完好性10^-7/h | 隧道/地库连续定位，多径检测与排除 |
| 无人机/eVTOL | 城市物流、空中巡检 | 姿态精度0.05°，位置精度5cm+1ppm | 高动态下信号保持，RTK模糊度快速固定 |
| 精密测量 | 铁路检测、地籍测量 | 精度2-5cm，相对精度1-2cm | 无基准站作业，动态测量效率提升10倍 |
| 时空基准 | 大坝监测、板块运动 | 位移监测精度1-3mm | GNSS中断期间连续监测，振动信息提取 |
1.5 常见误区与学习建议
在紧耦合组合导航的学习和工程实践中，初学者和部分工程师常陷入以下误区，需要特别警惕：
误区一：认为紧耦合一定优于松耦合。实际上，紧耦合的优越性体现在复杂场景（弱信号、多径、部分遮挡）中。在开阔天空、信号质量极好的环境下，松耦合与紧耦合的精度差异很小，但紧耦合的计算复杂度、调试难度和硬件要求显著更高。工程选型时应根据应用场景权衡，而非盲目追求"更先进"的架构。
误区二：忽视时间同步问题。紧耦合要求GNSS观测值与IMU数据的时间戳严格对齐，通常需要达到微秒级同步精度。许多初学者在仿真中忽略这一环节，导致实机调试时出现莫名其妙的精度下降。时间同步误差1ms，在车辆以30m/s行驶时会产生3cm的位置误差，在无人机以50m/s飞行时产生5cm误差，且该误差与加速度成正比，难以通过滤波消除。
误区三：滤波器状态维度越多越好。增加状态维度（如估计天线相位偏差、对流层湿延迟等）确实可以提升模型精度，但也会增加计算负担、降低可观测性、延长收敛时间。工程实践中应遵循"最小充分状态集"原则，只估计对定位精度有显著影响且可观测的状态量。
针对本课程的学习，建议学员做好以下准备：第一，数学基础。至少掌握线性代数（矩阵运算、特征值分解）、概率论（高斯分布、协方差传播）、最优化理论（最小二乘、梯度下降）的基本概念。第二，编程能力。本课程大量代码示例基于Python和C++，建议提前熟悉NumPy/SciPy科学计算库，以及Eigen/Ceres等C++库的基本用法。第三，动手习惯。每章配套的仿真实验和数据集练习是巩固知识的关键，建议每周投入至少4小时的上机实践时间。
紧耦合组合导航是一个"入门容易、精通极难"的领域。入门只需要理解卡尔曼滤波的基本流程，但精通需要深刻理解传感器误差特性、信号处理细节、滤波数值稳定性、实时系统实现等多方面知识。本课程的目标就是帮助学习者跨越从"能跑通代码"到"能设计系统"之间的鸿沟，建立工程直觉和系统思维。在接下来的29章中，我们将从GNSS和IMU的基础原理出发，逐步深入到紧耦合算法的每一个细节，最终完成一个完整的、经过实测验证的紧耦合组合导航系统设计。