3、飞控系统概述：飞控架构、传感器融合框架、激光雷达与IMU/GPS/视觉的关系
飞控系统（Flight Control System, FCS）是无人机、eVTOL（电动垂直起降飞行器）及各类自主飞行平台的“大脑”与“神经中枢”。在引入激光雷达点云数据之前，我们必须首先厘清飞控系统的整体架构、传感器融合的通用框架，以及激光雷达在其中的生态位。本章将从系统工程视角出发，剖析飞控的硬件/软件分层、多源传感器融合的逻辑主线，并重点阐述激光雷达与IMU（惯性测量单元）、GPS（全球定位系统）、视觉传感器之间的互补与竞争关系。理解这些关系，是后续章节中正确设计点云处理算法、设置触发时序、评估数据质量的前提。
上图展示了飞控系统的基本信息流：各类传感器（IMU、GPS、LiDAR、视觉）将原始测量数据送入飞控核心中的融合引擎，经过时间同步、外参标定和状态估计后，输出控制指令与决策信息。激光雷达在其中的角色并非孤立的“点云发生器”，而是作为环境感知的关键一环，与IMU/GPS/视觉形成互补或冗余关系。下面我们将逐一展开。
3.1 飞控系统架构：从硬件到软件的分层逻辑
飞控系统的架构设计直接决定了点云数据处理的实时性、可靠性和可扩展性。现代飞控通常采用“传感器层 → 接口层 → 计算层 → 执行层”的四层结构，每一层都有明确的职责边界。
- 传感器层：包括IMU、GPS、激光雷达、视觉相机、气压计、超声波等。该层负责物理量的采集，输出原始数据流（如IMU的角速度/加速度、LiDAR的点云帧）。
- 接口层：负责传感器数据的接入、协议转换、电气隔离和初步的时间戳标记。常见接口包括UART、SPI、I2C、CAN、USB、Ethernet（用于LiDAR点云传输）。
- 计算层：运行实时操作系统（RTOS，如PX4的NuttX、APM的ChibiOS）或Linux（用于高算力平台）。该层执行传感器融合算法、状态估计、控制律解算以及点云预处理（如滤波、降采样）。
- 执行层：将控制指令转换为PWM/DShot/OneShot信号，驱动电机、舵机或伺服机构。
对于激光雷达点云数据而言，接口层和计算层是重点。点云数据量远大于IMU/GPS数据（例如，16线LiDAR每秒产生约30万个点），因此通常通过Ethernet或USB 3.0接入，并在计算层中采用独立的处理线程或协处理器（如FPGA、GPU）进行加速，避免阻塞飞控主循环。
3.2 传感器融合框架：EKF与因子图的工程实现
传感器融合是飞控系统的核心算法模块，其目标是在噪声、延迟和故障存在的情况下，给出最优的状态估计（位置、速度、姿态、加速度计偏置等）。目前主流的框架有两种：扩展卡尔曼滤波器（EKF）和因子图优化（Factor Graph）。
| 维度 | EKF（扩展卡尔曼滤波） | 因子图优化 |
|---|---|---|
| 计算复杂度 | 低，适合嵌入式实时系统 | 较高，适合离线或高算力平台 |
| 状态更新频率 | 逐帧递推，适合高频IMU | 批量优化，适合多源融合 |
| 对LiDAR点云的支持 | 需提取特征（如平面、角点） | 可直接使用原始点云（如LOAM） |
| 典型应用 | PX4/ArduPilot的默认EKF2/EKF3 | LIO-SAM、VINS-Fusion |
在飞控中，EKF通常以IMU为预测核心，以GPS、气压计、视觉或LiDAR的观测为更新量。例如，PX4的EKF2中，LiDAR点云通过“距离传感器”模型或“光流”模型参与更新，但不会直接处理原始点云。若要在飞控中直接融合LiDAR点云，通常需要外部计算单元（如NVIDIA Jetson）运行LIO（LiDAR-Inertial Odometry）算法，再将估计结果以MAVLink消息的形式回传给飞控。
3.3 激光雷达与IMU/GPS/视觉的关系：互补与冗余
激光雷达在飞控系统中并非孤立存在，它与IMU、GPS、视觉形成了“高频-低频”、“-相对”、“稀疏-稠密”的多维互补关系。理解这些关系，是设计融合策略的基础。
3.3.1 激光雷达与IMU：高频运动补偿与姿态基准
IMU以100-1000Hz的频率输出角速度和加速度，为飞控提供短时高精度的姿态和位置增量。然而，IMU存在积分漂移问题，长时间运行后误差会累积。激光雷达则提供了的环境测量，可以修正IMU的漂移。反过来，IMU的高频数据可以用于激光雷达点云的运动畸变校正（Motion Compensation）。当无人机在飞行中旋转或平移时，一帧点云内的每个点实际上是在不同时刻采集的，如果不进行补偿，点云会出现“拖尾”或“扭曲”。通过IMU数据插值，可以将所有点统一到同一坐标系下。
// 运动补偿伪代码示例
for each point p in current_scan:
t = p.timestamp - scan_start_time
delta_R = imu_integrate(gyro, t) // 旋转增量
delta_T = imu_integrate(accel, t) // 平移增量
p_corrected = delta_R * p + delta_T3.3.2 激光雷达与GPS：室内外无缝定位
GPS在开阔环境下提供位置（精度约1-2米，RTK可达厘米级），但在城市峡谷、桥下、室内或密林环境中会失效或精度骤降。激光雷达通过匹配当前点云与预先构建的地图（或连续帧间匹配），可以实现无GPS环境下的定位与建图（SLAM）。两者的关系是：GPS提供全局参考，LiDAR提供局部精细结构。在融合中，通常以GPS作为EKF的全局观测，以LiDAR里程计作为局部观测，当GPS信号丢失时，系统自动切换至LiDAR/IMU融合模式。
3.3.3 激光雷达与视觉：几何深度与语义纹理
视觉相机提供丰富的纹理和颜色信息，适合目标识别、语义分割和光流估计，但单目视觉缺乏尺度信息，双目视觉的深度范围有限且受光照影响大。激光雷达直接提供精确的3D几何坐标，不受光照影响，但点云稀疏且缺乏语义信息。两者结合可以实现“几何+语义”的强感知：例如，用视觉识别“这是一棵树”，用LiDAR测量“树与无人机的精确距离和高度”。在飞控中，视觉常用于避障和降落引导，LiDAR则用于高精度测距和三维环境重建。
3.4 实战场景：城市峡谷中的无人机自主巡检
我们以一个典型的城市环境无人机巡检任务为例，说明激光雷达与IMU/GPS/视觉如何协同工作。
场景背景：某无人机需在高层建筑间（GPS信号被遮挡严重）执行桥梁裂缝检测任务。飞行高度约30米，速度5m/s，要求避障距离精度优于0.2米。
初始现象与约束：GPS在楼宇间定位误差漂移至5-10米，无法满足巡检路径精度要求；视觉在逆光条件下特征点丢失严重；IMU单独积分10秒后位置漂移超过3米。
关键输入数据：
- IMU：200Hz，加速度计噪声密度 0.1 m/s²/√Hz，陀螺仪噪声 0.01 rad/s/√Hz。
- LiDAR：16线，10Hz，测距精度 ±2cm，有效距离30米。
- GPS：5Hz，RTK固定解时精度2cm，浮点解时精度30cm。
- 视觉：双目相机，30Hz，基线12cm，深度范围0.5-8米。
分析判断过程：在GPS信号恶化时，系统通过EKF的“innovation test”检测到GPS观测残差过大，自动降低其权重。此时，LiDAR点云通过帧间匹配（NDT算法）生成里程计信息，与IMU进行紧耦合融合，提供位置和姿态估计。视觉则用于识别桥梁表面的裂缝特征，并辅助LiDAR点云的语义标注（如区分“桥面”和“背景建筑”）。
实际操作步骤：
- 在飞控参数中设置EKF2_AID_MASK=24（启用视觉和LiDAR位置融合）。
- 在外部计算单元（如Jetson Orin）上运行LIO-SAM算法，输出10Hz的位姿估计。
- 通过MAVLink发送“VISION_POSITION_ESTIMATE”消息，消息中包含位置、姿态和时间戳。
- 飞控内部将视觉/LiDAR位姿与IMU预测值进行EKF融合，输出最终控制指令。
- 当GPS恢复RTK固定解时，系统自动切换回GPS/IMU融合模式，LiDAR位姿作为辅助参考。
结果对比：融合后，无人机在GPS遮挡区域的定位精度从5米提升至0.15米，避障系统成功检测到距离0.8米的建筑外墙并自动绕飞。相比仅使用视觉的方案，LiDAR的加入使系统在逆光环境下的可靠性提升了约40%。
风险与代价：LiDAR的功耗（约10-15W）和重量（约500g）对小型无人机续航有影响；点云处理需要额外算力，增加了系统成本。此外，在雨雾天气下，LiDAR点云会出现噪声点，需要额外的滤波算法。
3.5 常见误区与总结
在飞控系统中引入激光雷达点云时，工程师常陷入以下误区：
- 误区一：将LiDAR视为“高级超声波”。LiDAR点云是三维空间数据，需要经过坐标变换、运动补偿和特征提取才能用于飞控，不能简单当作距离传感器使用。
- 误区二：忽视时间同步。LiDAR、IMU、GPS各自有独立的时钟源，如果不进行硬件同步（如PPS信号）或软件时间戳对齐，融合精度会显著下降。
- 误区三：在飞控主循环中直接处理点云。这会导致控制频率下降，引发飞行不稳定。正确做法是使用独立线程或外部计算单元。
- 误区四：忽略外参标定。LiDAR与IMU/视觉之间的外参误差会直接导致点云投影错位，影响避障和建图效果。