px 4

灵智实验室7 天前
算法·无人机·px 4
PX4状态估计技术EKF2详解（六）：EKF2 磁力计融合——从航向修正到 3D 姿态约束磁力计是 EKF2 中最容易被误解的传感器。很多人以为它只是个"电子罗盘"，用来告诉无人机北在哪。实际上，EKF2 的磁力计融合远比这复杂——它同时涉及航向、tilt、磁偏置、磁偏角、地磁模型，以及起飞后远离地面干扰的磁对齐机制。本文从四种 EKF2_MAG_TYPE 模式出发，讲清楚磁力计在 EKF2 中到底做了什么、没做什么，以及什么时候可以干脆不用它。
灵智实验室7 天前
算法·无人机·px 4
PX4状态估计技术EKF2详解（五）：EKF2 故障检测、重置与鲁棒性——从单实例到多实例仲裁EKF2 的精度来自多传感器融合，但它的可靠性来自故障检测与恢复机制。当 GPS 信号被高楼遮挡、磁力计受电机干扰、IMU 出现数据跳变时，EKF2 如何识别故障、拒绝坏数据、必要时重置状态？更进一步，PX4 v1.11 引入的多实例仲裁（Multi-EKF）让多个 EKF2 实例并行运行、相互备份——但这在低端处理器上是性能与安全的 trade-off。本文深入这些鲁棒性机制的实现细节。
灵智实验室14 天前
算法·无人机·px 4
PX4状态估计技术EKF2详解（四）：EKF2 Output Predictor——从延迟估计到实时输出前一篇讲了 EKF2 如何在延迟时间戳上做融合，生成"过去"的最优估计。但飞控控制器需要的是"现在"的姿态、速度和位置。Output Predictor 就是这座桥梁——它用高频 IMU 做纯惯导积分，定期用 EKF2 的延迟结果修正历史轨迹，让控制器拿到既实时又跟踪 EKF2 精度的状态。
灵智实验室18 天前
算法·无人机·px 4
PX4状态估计技术EKF2详解（三）：EKF2 外部视觉融合——延迟后验状态与触发机制本文是《PX4 EKF2 技术详解》系列的第三篇。建议先阅读第一篇：架构与状态空间和第二篇：误差状态动力学，了解 EKF2 的延迟 buffer 架构和协方差传播原理。
灵智实验室20 天前
算法·无人机·px 4
PX4状态估计技术EKF2详解（二）：EKF2 误差状态动力学与协方差传播EKF2 的核心数学问题是误差状态的传播。标称状态做 IMU 积分，误差状态做协方差传播。本文从 ESKF 框架出发，逐步推导姿态、速度、位置、偏置的误差传播方程，构建完整的状态转移矩阵 F \mathbf{F} F 和噪声协方差矩阵 Q \mathbf{Q} Q，最后简要说明实现方式。
灵智实验室24 天前
算法·无人机·px 4
PX4状态估计技术EKF2详解（一）：EKF2 开篇——从分离到统一EKF2 是 PX4 当前默认且推荐的状态估计器。attitude_estimator_q 和 local_position_estimator 虽仍存在于源码库中（可作为非默认选项编译），但已不再活跃维护。PX4 的演进方向清晰：从 attitude_estimator_q + local_position_estimator 的分离架构，转向 EKF2 的统一架构。本文解释这个范式转移的动机，以及 EKF2 的核心设计如何在精度、延迟和计算资源之间取得平衡。
灵智实验室1 个月前
算法·无人机·px 4
PX4位置速度估计技术详解（四）：LPE 激光雷达高度融合的实现错误核心结论：LPE 的 lidarCorrect() 和 sonarCorrect() 不是标准 EKF，也不是合格的近似 EKF。它在 lidarMeasure() 中把原始斜距测量通过三角函数转换成垂直高度，然后在 lidarCorrect() 中用线性矩阵做卡尔曼更新。这不是"工程简化"，是实现错误——它把非线性观测强行变成线性观测，却未正确处理噪声方差的坐标系转换，导致卡尔曼增益计算错误。本文逐行分析错误机理，给出正确的标准 EKF 实现。
灵智实验室1 个月前
无人机·px 4
PX4位置速度估计技术详解（四）：延迟卡尔曼滤波——从理论到 PX4 LPE 的工程实践本文是《PX4 位置速度估计技术详解》系列的第四篇。建议先阅读第三篇：传感器融合与测量更新，了解标准卡尔曼更新的完整流程。
灵智实验室1 个月前
无人机·px 4
PX4位置速度估计技术详解（二）：LPE 滤波器的设计——输入噪声 R 与过程噪声 Q构造本文是《PX4 位置速度估计技术详解》系列的第二篇。建议先阅读第一篇：引言与问题建模，了解比力方程、状态空间定义和 RK4 积分的基础内容。
灵智实验室1 个月前
无人机·px 4
PX4位置速度估计技术详解（一）：引言与问题建模在现代无人机系统中，组合导航（Integrated Navigation）是指将多种导航传感器的信息进行融合，以获得比单一传感器更精确、更可靠的导航结果。组合导航系统可分为两大类：
灵智实验室1 个月前
无人机·px 4
PX4姿态解算技术详解（五）：姿态校正——重力矢量观测与互补滤波在前面的章节中，我们已经建立了姿态的数学描述体系，完成了初始对准，并掌握了基于陀螺仪的姿态递推方法。然而，单纯的陀螺积分存在一个根本性的问题：漂移。无论陀螺仪的精度多高，其测量误差（包括零偏、噪声和温漂）经过积分后都会随时间累积，导致横滚角和俯仰角逐渐偏离真实值。
灵智实验室1 个月前
无人机·px 4
PX4姿态解算技术详解（三）：姿态初始化——双矢量粗对准在姿态估计算法启动之初，系统必须首先获得一个合理的初始姿态。没有有效的初始值，任何基于积分的递推滤波器都将迅速发散。与精确的卡尔曼滤波更新不同，初始姿态估计通常采用一种更直接、更稳健的方法——粗对准（Coarse Alignment）。
灵智实验室1 个月前
算法·无人机·px 4
PX4姿态解算技术详解（四）：姿态更新/递推与共锥补偿在完成姿态初始化之后，姿态估计器需要根据陀螺仪提供的角运动信息，持续地推算姿态随时间的变化。这一过程称为姿态更新（Attitude Update）或姿态递推（Attitude Propagation），是姿态估计算法中最核心、执行频率最高的环节。
灵智实验室1 个月前
无人机·px 4
PX4姿态解算技术详解（二）：姿态的表示方法在深入分析 PX4 的姿态估计算法之前，有必要先建立姿态的数学描述体系。正如《PX4姿态解算技术详解（一）》中所述，姿态的本质是坐标系之间的旋转变换。为了精确描述这种变换，数学上发展出了多种等价的表示方法。
灵智实验室2 个月前
无人机·ros 2·px 4
PX4核心算法解读系列（一）：概述——无人机的“大脑”如何工作？当你看到一架无人机在空中平稳悬停、灵活飞行时，你是否想过，它究竟是如何“知道”自己身在何处、姿态如何，又是如何“思考”并做出飞行决策的？驱动这一切的，并非仅仅是硬件，更关键的是其内部运行的软件算法。PX4，作为一款开源飞控软件，它的核心算法就是无人机真正的“大脑”与“灵魂”。
我是有底线的