📚 课程目录第1章课程导入

1. 课程导入

各位搞定位的同行，大家好。我是你们这门课的老朋友，一个在组合导航和融合定位里摸爬滚打了十几年的工程师。今天咱们开篇聊聊多源融合定位——说白了，就是怎么把GPS、惯导、视觉、激光雷达这些传感器的数据揉在一起，得到一个更靠谱的位置估计。

你可能会问：一个传感器不够用吗？嗯，我早年做车载定位的时候也这么想，直到有一次在隧道里GPS信号全丢，车差点偏到对向车道……从那以后我就明白，单一传感器总有掉链子的时候。多源融合不是炫技，是刚需。

多源融合定位，本质上是一个“取长补短”的过程。GNSS提供绝对位置，但容易受遮挡和多路径影响；惯性导航短时精度高，但误差随时间累积；视觉和激光雷达能感知环境，但计算量大且依赖特征。把它们组合起来，就能在大多数场景下保持稳定输出。

我个人习惯把融合架构分成三类：松耦合、紧耦合和深耦合。松耦合最简单，各传感器独立解算，最后加权平均；紧耦合在观测域融合，比如用伪距和惯导预积分一起优化；深耦合则深入到信号层面，一般消费级产品用不到。你想想看，大部分工业级应用其实紧耦合就够用了。

            💡 核心观点： 多源融合不是传感器越多越好，而是冗余与互补的平衡。我曾经在一个项目里堆了6个传感器，结果数据冲突导致滤波器发散——教训深刻。
        

搞融合定位，第一关就是认识误差。我把误差分成三大类，这样好记：

我记得有一次做无人机定位，视觉里程计因为快速旋转产生了运动模糊，特征匹配全错了。当时我排查了半天，最后发现是曝光时间设置不合理——这属于环境与传感器耦合的误差，光靠算法很难扛住。

为什么常规的卡尔曼滤波不够？因为真实世界充满了“非高斯”的异常。比如GNSS突然跳变几米，或者激光雷达被灰尘遮挡产生离群点。标准的最小二乘或卡尔曼滤波对这类异常非常敏感——一个坏点就能把整个状态估计拉偏。

鲁棒优化，说白了就是让算法学会“怀疑”观测。我常用的手段包括：马氏距离检验、Huber损失函数、自适应协方差调节。举个例子，在自动驾驶项目中，我们曾用抗差卡尔曼滤波，把GNSS多路径导致的定位跳变从2.3米降到了0.4米。效果立竿见影。

⚠️ 避坑指南： 我曾经天真地以为只要加了鲁棒核函数就万事大吉。结果在连续遮挡场景下，鲁棒权重把所有观测都降权了，滤波器直接开环——所以鲁棒策略必须配合完好性监测，不能一刀切。

你可能会问：鲁棒优化和自适应滤波有什么区别？我的理解是：自适应滤波侧重在线调整模型参数（比如噪声协方差），而鲁棒优化侧重抑制异常观测的影响。两者经常结合使用，但出发点不同。

上面这张图把本章的核心逻辑串起来了。从多传感器输入，到误差分类，再到鲁棒优化模块，最后输出可靠的位置。你会发现，误差建模是基础，鲁棒优化是保障，两者缺一不可。

📌 个人经验： 刚入行时我总想设计一个“万能”的鲁棒滤波器，后来发现场景适配更重要。在开阔环境下，简单的卡方检验就够用；但在城市峡谷，必须用更复杂的抗差估计。所以，理解误差来源是选择鲁棒策略的前提。