4、组合导航基础：松耦合与紧耦合架构、卡尔曼滤波入门、传感器融合策略
各位同学，咱们今天聊点硬核的——组合导航。说实话，我入行头三年，一直觉得单靠GPS就能搞定一切。直到有一次在隧道群做路测，定位直接漂到隔壁省去了……嗯，从那以后，我再也不敢小瞧组合导航了。
组合导航的核心思想很简单：用多个传感器的长处，补彼此的短处。GPS有长时稳定性但短时容易丢，惯导（IMU）短时精度高但长时漂移严重。把它们捏在一起，就是1+1>2的效果。
4.1 松耦合 vs 紧耦合：两种“捏合”方式
这两种架构，说白了就是“怎么把GPS和IMU的数据凑到一块”。我刚开始做的时候也傻傻分不清，后来被老工程师一句话点醒：松耦合是“先各自算，再融合”；紧耦合是“先融合，再一起算”。
松耦合（Loosely Coupled）
这是最常用的入门方案。GPS先自己解算出位置和速度，IMU也自己算出姿态和位置，然后卡尔曼滤波器把这两套结果“平均”一下。
缺点：如果GPS信号差（比如城市峡谷），它输出的位置本身就带误差，融合后效果大打折扣。
我在做车载导航项目时，一开始就用的松耦合。调试起来确实快，但一到高架桥下面，定位就开始“抖”。后来我意识到：松耦合把GPS当成了“黑盒子”，它不知道GPS内部有多挣扎。
紧耦合（Tightly Coupled）
紧耦合就不一样了。它直接拿GPS的原始观测值——伪距、载波相位——和IMU的数据一起塞进滤波器。IMU帮GPS估计信号延迟，GPS帮IMU修正漂移。
缺点：算法复杂，计算量大，调试起来让人头秃。
我曾经在无人机项目里试过紧耦合。第一次跑通的时候，看着那根定位轨迹线，简直像艺术品——平滑、稳定，哪怕在树荫下飞都没跳变。但代价是，光调滤波器参数就花了两周。
| 对比项 | 松耦合 | 紧耦合 |
|---|---|---|
| 输入数据 | GPS位置/速度 | GPS原始观测值 |
| 计算复杂度 | 低 | 高 |
| 抗干扰能力 | 一般 | 强 |
| 适用场景 | 开阔环境 | 城市峡谷、弱信号 |
4.2 卡尔曼滤波入门：别怕，它就是个“加权平均器”
很多新手一听“卡尔曼滤波”就头大。我当年也是，看着那五个公式，感觉像天书。后来我师父说：你把它想象成一个会自我修正的“加权平均器”就行了。
卡尔曼滤波干的事很简单：
1. 根据上一时刻的状态，猜一下当前状态（预测）。
2. 拿到传感器的新数据，看看猜得准不准（更新）。
3. 如果猜得准，就多信预测；如果猜不准，就多信传感器。
这个“信多少”的权重，就是卡尔曼增益K。K越大，越相信传感器；K越小，越相信模型预测。
// 一个简化的卡尔曼滤波伪代码
// 预测步骤
x_pred = A * x_prev + B * u; // 状态预测
P_pred = A * P_prev * A' + Q; // 协方差预测
// 更新步骤
K = P_pred * H' * inv(H * P_pred * H' + R); // 卡尔曼增益
x_est = x_pred + K * (z - H * x_pred); // 状态更新
P_est = (I - K * H) * P_pred; // 协方差更新你想想看，卡尔曼滤波最妙的地方在哪？它不需要存储所有历史数据，只靠上一时刻的状态和当前观测，就能递归地给出最优估计。这就是它能在嵌入式系统上跑的原因。
4.3 传感器融合策略：不是所有数据都值得信
传感器融合，说白了就是“听谁的”。我见过不少新手，拿到IMU和GPS数据就直接往滤波器里塞，结果定位比单GPS还差。为什么？因为没有做数据质量评估。
我个人习惯的融合策略分三步：
- 数据预处理——剔除明显异常值。比如GPS速度突然跳到1000km/h，那肯定是多路径效应，直接扔掉。
- 时间对齐——GPS输出频率一般是10Hz，IMU是100Hz甚至更高。必须用插值或外推把时间戳对齐，否则融合出来的结果会“串位”。
- 自适应权重——根据当前信号质量动态调整各传感器的权重。比如GPS信号弱时，自动降低它的权重，多信IMU。
还有一个容易被忽略的点：传感器失效检测。我建议在融合算法里加一个“健康度”指标。比如连续5个GPS观测值都超出3倍标准差，就判定GPS失效，切换到纯惯导模式。等GPS恢复后，再慢慢把权重加回来。
嗯，这里要注意：切换过程一定要平滑，不能突变。否则定位轨迹会出现“断崖式”跳变，这在自动驾驶里是致命的。
最后总结一下我的个人经验：组合导航没有银弹。松耦合适合快速原型验证，紧耦合适合对可靠性要求高的场景。卡尔曼滤波是核心工具，但参数调优需要耐心。传感器融合策略里，数据质量评估比算法本身更重要。
嗯，今天就先聊到这。记住一句话：定位系统失效时，不是算法不行，是你没给它“好数据”。