🚁 第6课：传感器融合（互补滤波）

# 二阶互补滤波(Mahony简化版)
error = accel_angle - angle
angle += gyro * dt + Kp * error * dt
bias += Ki * error * dt  # 在线估计零偏
gyro_corrected = gyro - bias
angle += gyro_corrected * dt

def comp_filter_3axis(q, gyro, accel, mag, dt, alpha=0.98):
    # 1. 陀螺仪积分(预测)
    q_pred = integrate_quat(q, gyro, dt)
    # 2. 加速度计修正(roll/pitch)
    accel_err = cross(accel, gravity_ref)
    # 3. 磁力计修正(yaw)
    mag_err = cross(mag_body, mag_ref)
    # 4. 互补融合
    correction = (1-alpha) * (accel_err + mag_err)
    return integrate_quat(q, gyro+correction, dt)

✅ 互补滤波利用传感器互补频率特性

✅ α=0.98常用平衡值

✅ 二阶版本可在线估计零偏

✅ 三轴需加速度计(roll/pitch)+磁力计(yaw)

class MahonyFilter:
    def __init__(self, kp=2.0, ki=0.005):
        self.kp, self.ki = kp, ki
        self.bias = [0, 0, 0]
    
    def update(self, q, gyro, accel, dt):
        accel_n = normalize(accel)
        gravity = quat_rotate(q, [0, 0, -1])
        error = cross(accel_n, gravity)
        self.bias = [b + self.ki*e*dt for b,e in zip(self.bias, error)]
        gyro_corr = [g + self.kp*e + b for g,e,b in zip(gyro, error, self.bias)]
        return normalize(integrate_quat(q, gyro_corr, dt))

关键公式回顾

本课涉及的核心公式和算法需要反复练习才能真正掌握。建议通过修改仿真参数、添加扰动等方式深入理解每个参数对系统行为的影响。在实际飞行中，这些参数的选择往往需要在理论分析的基础上结合实验微调。

推荐实验

• 修改关键参数，观察系统响应变化
• 添加不同类型的噪声和扰动
• 对比不同算法的精度和计算效率
• 将仿真结果与理论分析对比验证
• 尝试将多个模块组合成完整系统

🔧 工程实践要点

• 实际部署时注意数值稳定性(归一化/限幅/防除零)
• 实时性要求: 控制环1kHz+，导航环50-100Hz
• 传感器数据时间戳对齐至关重要
• 异常处理: 传感器失效需安全降级策略
• 日志记录: 飞行数据全程记录便于事后分析
• 固件升级: 始终使用稳定版本，升级前备份参数

📊 性能指标参考

多传感器时间同步

不同传感器采样率不同，需要精确的时间同步：

EKF测量更新策略

# 传感器到达时立即更新(异步EKF)
# 而不是等待所有传感器一起更新

def ekf_update_loop():
    while True:
        msg = next_sensor_message()
        if msg.type == 'IMU':
            ekf.predict(msg.gyro, msg.accel, msg.dt)
        elif msg.type == 'GPS':
            ekf.update_position(msg.lat, msg.lon, msg.alt)
        elif msg.type == 'BARO':
            ekf.update_altitude(msg.pressure)
        elif msg.type == 'MAG':
            ekf.update_heading(msg.mag)
        elif msg.type == 'FLOW':
            ekf.update_flow(msg.vx, msg.vy)

算法复杂度分析

在实际飞控系统中，算法必须在有限的计算资源下实时运行。以下为本课核心算法的复杂度分析：

实时系统设计原则

无人机飞控是典型的实时嵌入式系统，必须满足严格的时序约束：

• 硬实时：姿态控制环必须在1ms内完成(1kHz)，否则可能失控
• 软实时：EKF更新应在5ms内完成(200Hz)，偶尔超时可接受
• 非实时：路径规划可在后台线程运行，100ms-1s响应均可

# 典型飞控任务优先级(高→低)
# 1. IMU采样+姿态估计 (1kHz, 优先级最高)
# 2. 角速度PID控制     (1kHz)
# 3. 姿态PID控制       (500Hz)
# 4. EKF状态更新       (200Hz)
# 5. 位置/速度控制      (100Hz)
# 6. 路径规划/避障      (10-50Hz)
# 7. 通信/日志          (1-10Hz)

# RTOS调度: 优先级抢占 + 时间片轮转

代码质量与测试

飞控软件是安全关键系统，代码质量要求极高：

• 编码规范：MISRA C/C++，禁止动态内存分配
• 静态分析：Coverity/Cppcheck扫描所有警告
• 单元测试：每个算法模块100%覆盖率
• SIL测试：软件在环仿真验证功能
• HIL测试：硬件在环仿真验证时序
• 飞行测试：从悬停开始逐步扩大飞行包线

# 单元测试示例
def test_pid_output():
    pid = PID(kp=1.0, ki=0, kd=0)
    assert pid.update(1.0, 0.01) == 1.0  # P=1*1.0

def test_pid_integral_limit():
    pid = PID(kp=0, ki=1.0, kd=0, i_limit=5.0)
    for _ in range(1000):
        pid.update(1.0, 0.01)  # 大量积分
    assert abs(pid.integral) <= 5.0  # 不超过限幅

def test_kalman_convergence():
    kf = KalmanFilter(...)
    for _ in range(100):
        kf.predict()
        kf.update(measurement)
    assert kf.P[0,0] < initial_P  # 协方差下降

开源飞控架构对比

安全关键系统设计

无人机系统属于安全关键(Safety-Critical)系统，设计时必须遵循以下原则：

• Fail-safe设计：任何单点故障不应导致灾难性后果
• 冗余设计：关键传感器(IMU/GPS)至少双冗余
• 看门狗：硬件看门狗检测软件挂起，超时复位
• 状态机：明确的飞行状态转换，禁止非法状态
• 地理围栏：硬编码的飞行区域限制
• 最大倾斜角限制：防止翻机失控
• 电池保护：低压自动返航/降落
• 信号丢失保护：遥控信号丢失5s自动RTH

典型应用场景

本课所学技术在以下场景中直接应用：

• 电力巡检：自主飞行沿输电线路巡检，自动识别绝缘子缺陷、连接点过热、树障距离不足等问题。每天可完成30-50基铁塔的巡检任务，效率是人工的10倍以上。
• 应急救援：灾区快速测绘，10分钟内生成1km2正射影像，为救援决策提供实时地图。红外热成像搜索受困人员，夜间也能有效搜救。
• 精准农业：多光谱相机获取作物NDVI指数，识别病虫害区域，指导变量施药。相比全田喷洒节约30-50%农药。
• 建筑监测：定期无人机巡检生成三维模型，对比分析建筑变形、沉降、裂缝发展。精度可达毫米级。
• 物流配送：山区/海岛等交通不便区域的医疗物资、快递配送。无人机30分钟内可覆盖20km半径范围。

系统集成经验

将本课模块集成到完整系统时的注意事项：

• 传感器数据流：IMU 1kHz -> 姿态估计 500Hz -> 控制 400Hz -> 电机PWM 400Hz
• 时间戳同步：所有传感器数据必须使用同一时间基准(通常为飞控启动后的微秒计数)
• 数据延迟补偿：GPS延迟约100ms，需在EKF中用IMU前向传播补偿
• 传感器切换：GPS可用时用GPS，室内切换到光流/VIO，需平滑过渡
• 故障检测：EKF创新序列(innovation)监测传感器异常，过大则降低该传感器权重
• 参数存储：所有PID/滤波器参数持久化到Flash，上电自动恢复