1. 课程导入与协同定位问题定义

当多架无人机在同一空域执行任务时，单机定位已经不再是难点，真正的挑战在于：每架无人机不仅要“知道自己在哪里”，还要“知道队友在哪里、队友看到了什么、队友的状态是否可信”。这就是多无人机协同定位与状态共享要解决的核心问题。它把定位从单机自估问题，升级为“相对观测 + 通信交换 + 分布式估计”的系统问题。

先明确总体目标。给定 N 架无人机，每架无人机 i 在时刻 k 拥有自身状态 x_i(k)（位置、速度、姿态）和机载传感器观测 z_i(k)（GNSS、IMU、视觉、UWB、气压高度等）。协同定位的目标是：在部分无人机 GNSS 受限、通信带宽有限、观测存在噪声与异常的条件下，让每架无人机都能得到一致且可用的全局状态估计 X̂(k) = {x̂_1, x̂_2, …, x̂_N}，并共享关键状态量（位置、速度、健康度、任务状态）。

核心挑战可以归纳为四类。第一是可观测性挑战：当某架无人机 GNSS 失效，仅靠自身 IMU 会快速漂移；只有引入与至少一架有绝对定位的邻居之间的相对观测，系统才重新可观测。第二是通信约束：机间链路带宽通常只有几十 kbps 到几 Mbps，且存在丢包、时延和拓扑切换，不能假设全连通、无延迟地交换完整状态。第三是一致性挑战：分布式估计中每架无人机只掌握局部信息，若融合规则不当，会出现估计不一致甚至发散。第四是异常与安全挑战：单机传感器故障、GNSS 欺骗、恶意节点注入错误状态，都会通过共享链路污染全网。

典型任务场景决定了这些挑战的优先级。在城市峡谷巡检中，GNSS 多路径严重，无人机编队需要靠 UWB 测距和视觉共视维持相对定位；在室内或地下搜救中，GNSS 完全不可用，只能依赖机间测距与已知锚点；在大范围农业或测绘中，GNSS 可用但精度不足，需要多机协同提升绝对精度；在对抗环境中，还要考虑欺骗与拒止。不同场景对“精度、实时性、通信量、鲁棒性”的权重完全不同，因此课程不会给出唯一算法，而是建立一套可配置的方法体系。

课程路线图按“问题定义 → 单机基础 → 相对观测 → 分布式估计 → 状态共享 → 鲁棒与安全 → 系统集成”推进。前几章先建立坐标系、状态量与误差模型，明确“位置、速度、姿态、协方差”在协同语境下的定义；随后进入机间测距、视觉共视、UWB 与 GNSS 差分等相对观测的建模与标定；再展开分布式卡尔曼滤波、一致性算法、因子图优化等估计方法；之后讨论状态消息的压缩、调度与一致性共享；最后覆盖异常检测、欺骗防御与整机集成验证。

为了让后续章节有统一的参照，这里先约定坐标系与符号。采用 ENU（东-北-天）为全局坐标系，原点由任务区域指定；机体坐标系为前-右-下。位置 p_i = [x_i, y_i, z_i]^T 单位为米，速度 v_i 单位为米每秒，姿态用四元数 q_i 表示。机间相对观测统一写成 z_ij = h(x_i, x_j) + n_ij，其中 n_ij 为零均值噪声，协方差 R_ij 由传感器标定给出。全文与图示均保持该约定，切换参照系时会明确说明。

一个具体的教学示例可以帮助建立直觉。假设 3 架无人机在 200 m × 200 m 区域内飞行，采样周期 T = 0.1 s。无人机 A 的 GNSS 正常，位置标准差约 0.5 m；无人机 B 和 C 的 GNSS 被遮挡，仅靠 IMU 推算，10 s 后位置漂移可达 5～10 m。若 B 与 A 之间 UWB 测距标准差为 0.1 m，B 与 C 之间同样可测距，则通过协同估计，B 和 C 的位置误差可被约束回 1 m 量级。这个数量级变化正是协同定位的价值所在，也是后续章节要反复验证的目标。

最后说明本课程的实践导向。每章都会给出可复现的示例参数、数据流或判断依据，但示例中的数值均为教学假设，不代表任何实际飞行测试结果。读者应把它们当作理解方法的脚手架，在真实系统中结合自身传感器标定与链路实测进行替换。完成本课程后，你应当能够独立设计一套多无人机协同定位与状态共享方案，并清楚它在精度、通信、鲁棒性三方面的边界。