1. 课程导入

当你打开手机地图、启动车载导航，或看到无人机在楼宇间稳定悬停时，背后往往同时运行着两套定位系统：一套是来自太空的GNSS卫星定位，另一套是装在设备内部的IMU惯性测量单元。它们各自都有明显短板——GNSS在开阔天空下精度可达米级甚至厘米级，但进入隧道、地下车库或城市峡谷时信号衰减、多径严重，输出会跳变甚至中断；IMU短时间内的角速度和加速度积分能提供高频、连续的姿态与位移估计，却会随时间累积漂移。融合定位的核心任务，就是让两者互补：用GNSS的长期绝对基准去约束IMU的漂移，用IMU的高频连续性去填补GNSS的失锁与低更新率。

本课程面向工程落地，不满足于“知道卡尔曼滤波公式”，而是希望你能独立完成从传感器选型、时间同步、误差建模、滤波器实现到实测调参的完整链路。下面这张全景图先给出本课程的知识骨架：左侧是两类传感器及其原始输出，中间是融合算法与状态估计，右侧是典型工程应用，底部则是贯穿始终的工程约束。

一、核心概念：三组必须分清的对象

学习融合定位，首先要建立清晰的“对象观”。第一组是传感器输出：GNSS给出的是位置、速度和时间，IMU给出的是角速度和比力。第二组是参考坐标系：ECEF地心地固系、ENU东北天系、机体坐标系，以及IMU与GNSS天线之间的杆臂。第三组是误差状态：位置误差、速度误差、姿态误差、陀螺零偏、加速度计零偏。融合滤波器真正估计的往往不是“绝对状态”，而是这些误差量，再把误差反馈回名义状态。

二、方法流程：从原始数据到稳定位姿

工程实现通常遵循一条固定流水线，任何一步缺失都会导致结果不可用：

1. 数据采集与时间戳对齐：IMU频率常为100~1000Hz，GNSS为1~20Hz，必须统一到同一时间基准，并补偿传输延迟。
2. 传感器标定与杆臂补偿：陀螺零偏、加速度计零偏、尺度因子、安装角，以及GNSS天线到IMU的杆臂向量。
3. 初始对准：利用静止段加速度计确定俯仰与横滚，利用GNSS速度或磁力计确定航向。
4. 状态预测：用IMU角速度和比力递推姿态、速度、位置，同时传播协方差。
5. 观测更新：当GNSS有效时，用位置/速度观测更新误差状态，抑制漂移。
6. 反馈与输出：将误差状态反馈回名义状态，输出高频、平滑的位姿结果。

典型松组合ESKF伪代码：
predict(dt, gyro, accel):
    attitude = attitude * Exp((gyro - bg) * dt)
    velocity += (Rot(attitude) * (accel - ba) + gravity) * dt
    position += velocity * dt
    P = F * P * F.T + Q

update_gnss(pos_meas, vel_meas):
    K = P * H.T * inv(H * P * H.T + R)
    dx = K * (z - h(x))
    x = x + dx
    P = (I - K * H) * P

三、案例场景：隧道中的连续定位

车辆以80km/h进入长约1.2km的隧道，GNSS在入口后约3秒完全失锁。若只依赖GNSS，定位会立即中断；若只依赖IMU，低成本MEMS陀螺零偏约10°/h，30秒后航向误差可达数度，位置漂移可能超过十米。融合方案的做法是：进入隧道前GNSS仍有效，滤波器已完成收敛，零偏估计稳定；失锁期间仅靠IMU预测，协方差逐渐增大；出隧道后GNSS恢复，滤波器用新的绝对观测快速修正累积误差。整个过程输出不中断，误差被限制在可接受范围内。

四、误区与复盘：新手最容易踩的坑

复盘这些问题的共同点：融合定位的精度上限，往往不由算法决定，而由标定、同步、建模这些“脏活”决定。本课程后续章节会逐一拆解这些环节，并给出可运行的工程实现与调参方法。