1. 课程导入与HIL仿真全景

在无人机、自动驾驶与机器人系统中，飞控是决定飞行安全与任务成败的核心。当系统引入视觉相机与激光雷达后，感知、定位、规划与控制之间形成了复杂的闭环：相机提供纹理与语义信息，激光雷达提供高精度三维几何信息，飞控则依据融合结果输出姿态与位置控制指令。若直接把这些传感器装到真机上反复试飞，不仅成本高、风险大，而且很多极端场景（如传感器失效、目标丢失、强光干扰、点云稀疏）几乎无法稳定复现。硬件在环（Hardware-in-the-Loop，HIL）仿真正是为解决这一矛盾而生的工程方法。

HIL仿真的本质，是让真实的飞控硬件运行在虚拟的传感器与虚拟的飞机之间。飞控仍然执行它原本的固件与算法，但它接收到的IMU、磁力计、气压计、视觉图像、激光点云等数据，不再来自真实传感器，而是由仿真计算机实时生成并通过接口注入；飞控计算出的电机、舵机输出，也不驱动真实电机，而是被仿真模型采集，用于推进虚拟飞机的运动学与动力学积分。这样，飞控硬件、通信链路、时序约束都被真实保留，而环境、传感器与飞机本体则完全可编程、可重复、可注入故障。

从系统视角看，飞控视觉与激光雷达HIL仿真涉及四类角色：飞控硬件（真实）、传感器仿真（虚拟）、飞机动力学模型（虚拟）、以及场景与评估系统。它们之间的数据流与信号链关系，是理解整套工具链的关键。下图给出典型HIL仿真的信号链与数据流全景。

理解这张图后，就能看清HIL仿真与纯软件仿真（SITL）的区别。SITL中飞控本身也是被仿真的，算法运行在PC上，时序和硬件接口被简化；而HIL中飞控是真实硬件，必须处理真实的串口、PWM、时钟抖动与中断延迟。这意味着HIL能暴露SITL无法发现的接口电平不匹配、通信丢包、任务调度超时等问题，更接近真实飞行。

典型应用场景包括：视觉定位验证——在虚拟纹理丰富或纹理缺失的环境中测试光流与视觉里程计；激光雷达建图与避障——注入不同密度、不同噪声水平的点云，观察飞控避障决策；多传感器融合——人为让相机或激光雷达失效，检验融合算法的降级策略；回归测试——每次固件更新后自动重放标准场景集，防止引入新缺陷。

工具链概览可以按数据流分层理解。最上层是场景与评估层，常用Gazebo、Unreal Engine、AirSim或自研引擎，负责生成地形、建筑、动态目标以及记录轨迹误差、碰撞次数等指标。中间层是传感器仿真层，相机需要建模内参、畸变、曝光与噪声，激光雷达需要建模线束、扫描频率、测距噪声与反射强度。下层是飞控与动力学层，飞控运行真实固件，动力学模型则通过执行机构接口接收控制量并积分位姿。各层之间通过UDP、串口或共享内存交换数据，时间同步是工程难点之一。

学习路径建议按“先通链路、再调参数、后做评估”推进。第一步，搭建最小闭环：让飞控在HIL模式下解锁，虚拟飞机能稳定悬停，说明信号链已通。第二步，接入视觉与激光雷达仿真，观察飞控状态估计是否收敛，重点检查时间戳对齐与坐标系定义。第三步，注入故障与边界工况，例如将激光雷达点云丢帧率设为20%，或将相机曝光时间拉长导致运动模糊，记录飞控的响应与恢复时间。第四步，建立评估指标与回归场景集，把每次修改都放到同一批场景中对比。

下面给出一个最小HIL配置检查表示例，用于确认链路是否具备进入仿真的条件。表中参数为教学示例，实际值需根据飞控型号与仿真器版本调整。