1. 课程导入
在移动机器人、自动驾驶车辆、无人机与工程机械等系统中，定位与姿态估计是最基础也最关键的能力之一。单一传感器往往难以在所有工况下稳定工作：轮速计在打滑、悬空、急加速时误差显著；IMU（惯性测量单元）虽然短时精度高、输出频率快，却存在零偏漂移与积分累积误差。将两者组合，形成轮速与IMU组合导航，正是工程中兼顾成本、可靠性与精度的主流方案。
本节核心问题：轮速与IMU各自能提供什么信息？为什么组合后能互补？组合导航系统由哪些模块构成？它在真实工程中如何落地？本课程后续 29 章将围绕这些问题逐层展开。
一、定义：什么是轮速与IMU组合导航
轮速与IMU组合导航，是指以轮速传感器提供的线速度/位移观测与IMU提供的角速度、比力（加速度）观测为基础，通过航位推算、姿态解算与滤波估计，输出车辆或机器人的位置、速度、姿态（位姿）的导航方法。其典型输出包括：
- 三轴姿态角：横滚、俯仰、航向；
- 载体速度：车体前向速度、侧向速度；
- 位置增量：相对起始点的位移轨迹；
- 状态协方差：用于评估估计可信度。
从信息流角度看，轮速计解决“走了多远”，IMU解决“转了多少、姿态如何变化”，二者通过运动学约束与滤波融合，形成比单传感器更稳健的位姿估计。
二、发展历程：从航位推算到多源融合
组合导航并非新概念，其演进大致可分为四个阶段：
- 纯航位推算阶段：早期车辆与移动机器人仅依靠轮速计积分推算位置，结构简单，但航向误差随时间累积，转弯后轨迹迅速发散。
- 惯性导航独立阶段：IMU 被引入后，通过陀螺积分获得姿态，加速度二次积分获得位置。短时精度高，但零偏导致误差随时间平方增长。
- 松组合阶段：将轮速与IMU分别解算，再用卡尔曼滤波对位置、速度进行加权修正。实现简单，但未充分利用原始观测之间的耦合关系。
- 紧组合与因子图阶段：将轮速脉冲、IMU预积分、运动学约束统一建模，支持异步观测与在线标定，在打滑、颠簸、低速等复杂工况下鲁棒性显著提升。
工程提示：组合导航的精度不仅取决于滤波器，更取决于时间同步、外参标定与轮速标定。很多“滤波效果差”的问题，根源其实在传感器标定与时间戳对齐。
三、典型应用场景
轮速与IMU组合导航广泛存在于需要连续、可靠位姿输出的系统中。下表列出典型场景及其关注重点：
| 应用场景 | 典型载体 | 核心需求 | 主要挑战 |
|---|---|---|---|
| 自动驾驶与ADAS | 乘用车、物流车 | 车道级定位、航向稳定 | 隧道、城市峡谷、打滑 |
| 移动机器人 | AGV、AMR、巡检机器人 | 室内外连续导航、低成本 | 轮子打滑、地面不平 |
| 农业机械 | 拖拉机、收割机 | 直线作业、自动对行 | 泥泞、坡地、侧滑 |
| 工程车辆 | 挖掘机、矿卡 | 姿态监测、防倾覆 | 振动、冲击、温度变化 |
| 无人机地面段 | 无人车、机场牵引车 | 低速高精度位姿 | GNSS遮挡、磁干扰 |
四、整体课程框架与学习路径
本课程共 30 章，围绕“原理—标定—融合—实现—评测”的主线展开。整体结构可概括为五个模块：
- 基础篇：坐标系、旋转表示、运动学模型、传感器原理；
- 标定篇：轮径与轮距标定、IMU零偏与温补、外参标定、时间同步；
- 融合篇：航位推算、EKF/ESKF、预积分、因子图、观测模型；
- 实现篇：数据采集、实时系统、代码结构、参数调试；
- 评测篇：轨迹评估、误差分析、故障排查、场景复盘。
典型组合导航数据处理流程：
1. 采集轮速脉冲与IMU原始数据
2. 时间戳对齐与坐标系统一
3. 轮速标定：轮径、轮距、滑移补偿
4. IMU标定：零偏、尺度因子、温度补偿
5. 姿态解算与预积分
6. 构建运动学观测模型
7. 滤波融合与状态更新
8. 输出位姿并评估协方差
9. 记录日志，离线复盘与调参五、常见误区与复盘
误区一：认为“组合导航就是加一个卡尔曼滤波”。实际上，若轮速标定不准、时间戳不同步，滤波器只会把错误观测融合得更“自信”。
误区二：忽略坐标系定义。车体坐标系、IMU坐标系、轮速安装位置不一致，会直接导致航向与速度观测符号错误。
误区三：只关注算法，不关注数据质量。轮速脉冲丢失、IMU饱和、振动耦合，都会让融合结果在特定场景下突然发散。
误区二：忽略坐标系定义。车体坐标系、IMU坐标系、轮速安装位置不一致，会直接导致航向与速度观测符号错误。
误区三：只关注算法，不关注数据质量。轮速脉冲丢失、IMU饱和、振动耦合，都会让融合结果在特定场景下突然发散。
因此，学习本课程时建议遵循“先标定、再建模、后调参”的顺序。每章都会给出可操作的参数、代码片段与排障清单，帮助你把理论落到工程实践中。组合导航的价值，不在于某个单一算法，而在于对传感器特性、运动学约束与误差传播的系统性理解。