1. 课程导入

在自动驾驶、移动机器人、无人机以及室内外无缝导航等场景中，单一传感器已经很难满足高精度、高可靠、连续可用的定位需求。融合定位系统通过组合多种传感器，把不同来源、不同频率、不同误差特性的观测信息统一到同一状态估计框架中，从而获得比任何单一传感器更稳健的位姿输出。本课程围绕“融合定位传感器故障检测与隔离”展开，目标不是简单介绍某个算法，而是建立一套从系统结构、故障机理、检测方法到工程实现的完整知识体系。

1.1 融合定位系统的基本概念

融合定位系统的核心思想是：利用多个传感器对同一物理状态进行冗余或互补观测，通过滤波、优化或因子图等方法，估计载体的位置、速度、姿态以及传感器误差状态。典型传感器包括GNSS接收机、IMU、轮速计、激光雷达、视觉相机、毫米波雷达和磁力计等。它们各自具有不同的观测维度、更新频率和误差模型。

从信息流角度看，融合定位系统通常包含四个基本环节：传感器输入、时间同步与坐标统一、状态估计、故障检测与隔离。传感器输入提供原始观测；时间同步与坐标统一保证不同传感器数据在同一时空基准下可比；状态估计完成最优融合；故障检测与隔离则负责识别异常观测，防止错误信息污染整个估计结果。

为了更直观地理解系统组成与信息流向，下面给出融合定位系统的典型结构示意。图中展示了传感器层、预处理层、融合估计层以及故障检测与隔离模块之间的连接关系。

1.2 传感器故障检测与隔离的重要性

融合定位系统运行在真实物理环境中，传感器故障不可避免。常见故障包括GNSS多路径与欺骗、IMU零偏漂移与饱和、轮速计打滑、激光雷达点云退化、视觉遮挡与光照突变等。这些故障如果未被及时发现，会通过融合算法传播到整个状态估计中，导致定位结果发散甚至系统失效。

故障检测与隔离（FDI）的目标可以概括为三点：第一，快速检测异常，缩短故障影响时间；第二，准确隔离故障源，避免误剔除正常传感器；第三，在故障发生后进行系统重构或降级运行，保证定位服务不中断。对于自动驾驶而言，定位失效可能直接威胁行车安全，因此FDI不是可选功能，而是融合定位系统的基本安全机制。

1.3 课程整体框架与学习目标

本课程共30章，按照“基础概念—故障机理—检测方法—隔离策略—工程实现—案例复盘”的主线组织。前几章建立融合定位与FDI的基本认知；中间章节深入讲解残差检验、卡方检测、序贯概率比检验、多模型估计、鲁棒滤波等方法；后续章节覆盖传感器级与系统级隔离策略、完好性监测、故障注入测试以及真实工程案例。

学习本课程后，你应当能够：描述融合定位系统的典型架构与信息流；解释传感器故障对状态估计的影响机理；选择合适的检测统计量与隔离策略；使用代码和日志分析故障场景；并在工程中平衡检测灵敏度与误报率。

1.4 典型场景与常见误区

以城市峡谷中的GNSS/IMU融合定位为例。车辆进入高楼密集区域后，GNSS观测出现多路径误差，定位结果开始缓慢偏移。如果FDI模块仅依赖单一残差阈值，可能无法区分“多路径导致的缓变偏差”和“正常观测噪声”。此时需要结合新息序列的统计特性、IMU预测一致性以及历史故障模式进行综合判断。

# 典型FDI日志片段示例
[FDI] t=102.35s  GNSS residual=3.82m  threshold=2.50m  status=WARNING
[FDI] t=102.40s  GNSS residual=5.17m  threshold=2.50m  status=FAULT
[FDI] t=102.40s  isolate sensor=GNSS  action=exclude
[FDI] t=102.40s  fusion mode=INS/ODOM  covariance=inflated
[FDI] t=105.10s  GNSS residual=1.12m  status=RECOVERED
[FDI] t=105.10s  rejoin sensor=GNSS  action=reset_weight

常见误区包括：把故障检测等同于简单阈值判断；只关注检测率而忽略误报率；隔离后不进行协方差重构；以及在没有充分测试的情况下直接上线FDI模块。这些误区在工程中往往导致定位系统在关键时刻失效。