一、课程导论：为什么需要定位失效下的跟踪策略？

做SLAM这么多年，我遇到过最让人头疼的场景，不是传感器噪声大，也不是计算资源不够——而是定位突然就崩了。

你想想看，机器人正跑得好好的，突然进了个长走廊，或者拐进一个玻璃幕墙环绕的大厅。激光雷达扫过去全是反射，视觉特征点一下子丢了大半。这时候，定位模块给出的位姿估计，说白了就是在瞎猜。

嗯，这就是我们今天要聊的核心问题——定位失效。

1.1 定位失效，到底是个什么事？

先给个定义。我个人习惯把定位失效分成两类：

• 部分失效：定位精度下降，但还能给出一个大致范围。比如在纹理稀疏的仓库里，视觉里程计漂移严重，但IMU还能撑着。
• 完全失效：定位结果直接跳变到离谱的位置，或者干脆输出NaN。我在项目中遇到过，机器人过一道防火门，磁力计被门框干扰，航向角瞬间偏了90度。

为什么会这样？说白了，SLAM系统本质上是个状态估计器。它依赖传感器数据来修正预测。一旦传感器数据质量下降，或者环境结构不满足算法假设，估计就会出问题。

1.2 为什么常规跟踪策略扛不住？

大多数目标跟踪算法，比如经典的卡尔曼滤波、粒子滤波，都假设定位是准确的。它们把机器人位姿当作已知量，然后在这个基础上估计目标状态。

但你想过没有——如果机器人自己都不知道自己在哪，那它观测到的目标位置，到底是在哪个坐标系下？

我举个例子。假设机器人用激光雷达检测到一个行人，距离5米，角度30度。如果机器人定位偏差了1米，那这个行人的全局坐标就会跟着偏1米。跟踪器如果还按原来的模型去预测，结果就是目标位置越跟越偏。

我曾经在一个AGV项目上吃过这个亏。AGV在货架间穿行，定位偶尔会跳变。跟踪器没做任何保护，结果目标轨迹出现了明显的「锯齿状」抖动。后来排查才发现，不是目标在动，是机器人在「动」。

1.3 定位失效下的跟踪，到底难在哪？

这个问题，我拆成三个层面来讲：

层面	具体难点	我的经验
数据关联	定位不准导致观测与目标匹配错误	在动态环境中，误匹配率能到30%以上
状态估计	观测噪声模型不准确，滤波器发散	我试过自适应协方差，效果时好时坏
决策规划	跟踪结果不可靠，下游任务无法执行	导航模块直接拒绝使用跟踪输出

你看，这不是一个单纯的算法问题。它牵扯到整个系统链路。

1.4 我们这门课，打算怎么解决？

这门课的核心思路，其实就一句话：不要把定位当作已知量，而是把它当作一个带噪声的观测。

具体来说，我们会从三个方向入手：

1. 检测与预警：怎么判断定位失效了？不能等定位崩了才反应，要在它开始漂移的时候就发现。
2. 鲁棒跟踪：在定位不准的情况下，怎么设计跟踪器？我会讲几种我实际用过的方案，比如多假设跟踪、滑动窗口优化。
3. 恢复与融合：定位恢复后，怎么把跟踪结果平滑地接回来？这个细节很多人忽略，但做不好会出大问题。

1.5 本章知识体系

下面这张图，是我梳理的本章核心逻辑。你可以把它当作整个课程的「地图」：

这张图把整个问题串起来了。从左到右，从「问题来源」到「核心挑战」，再到「解决思路」。你会发现，每个环节都有对应的课程内容去覆盖。

好了，第一章就到这里。下一章我们会深入讲——怎么判断定位失效了？我会分享几种我实际用过的检测方法，包括一些你可能会忽略的细节。