1. 从定点降落到动态协同这个课题到底在解决什么问题第一次看到“无人机自主降落移动平台”这个课题很多人脑子里浮现的画面可能是一架无人机稳稳当当地落在一块静止的H形标记板上。这确实是入门级的玩法业内叫“定点着陆”。但加上“移动平台”和“动态协同”这两个限定词之后难度直接上了一个数量级——降落目标本身在动可能是地面车辆、水面舰艇也可能是另一架更大的飞行器无人机需要在目标运动的过程中完成相对定位、轨迹跟踪、速度匹配最后在接触瞬间把相对速度压到接近零。这个课题之所以被反复推荐为挑战赛题目核心原因在于它把无人机领域几乎所有的关键技术点都串起来了视觉感知、IMU与视觉的融合、状态估计、制导律设计、飞控底层接口、实时通信、仿真验证。你很难找到第二个题目能在一个场景里同时考察这么多能力而且每个环节的短板都会在最终降落成功率上被无情放大。我做过几个类似的课题也带过学生打比赛最大的感受是定点着陆考的是“能不能看见”移动平台降落考的是“能不能跟上”。前者是静态目标检测问题后者是动态系统跟踪问题两者的技术栈有本质区别。很多队伍在定点着陆阶段表现很好一换到移动平台就频繁炸机问题往往出在对“动态”二字的理解不够深——不是把目标检测频率提高就行而是整个感知-决策-控制链路都要重新设计时序和延迟补偿。这篇文章适合几类人看正在选挑战赛课题的研究生、做无人机视觉导航方向的高年级本科生、以及想从定点降落进阶到动态降落的飞控开发者。我会从方案选型、核心原理、实操步骤、问题排查几个维度把这个课题拆透尽量给出可以直接参考复现的配置和参数。2. 整体方案设计与技术路线选型2.1 为什么不能直接把定点着陆的方案搬过来定点着陆的典型方案是机载相机识别地面AprilTag或ArUco码解算相对位姿把位置偏差送给飞控的位置环飞控控制无人机飞到目标正上方然后下降。这套逻辑在目标静止时工作得很好因为“目标位置”是一个常量位置环的设定值不变无人机收敛到设定值就完事了。但移动平台场景下目标位置是时间的函数。如果还用同样的架构你会遇到两个致命问题第一视觉解算有延迟等你算出目标位置时目标已经移动了第二位置环的带宽有限它跟踪一个匀速移动的目标会产生稳态误差跟踪加速目标误差更大。结果就是无人机永远追不上平台或者追上了但相对速度不为零接触瞬间弹跳甚至侧翻。所以动态协同降落的核心思路要从“位置控制”转向“位置速度联合控制”甚至在接近阶段要用到“轨迹跟踪”而非“点跟踪”。这就引出了方案选型的第一个关键决策制导律放在哪里实现。2.2 制导律放在机载电脑还是飞控里这是整个方案设计中最容易纠结的地方。两种做法我都试过各有优劣。把制导律放在机载电脑比如树莓派、Jetson Nano里好处是开发灵活可以用Python或C写复杂的控制逻辑调试方便改参数不用重新刷固件。坏处是通信延迟不可控机载电脑通过MAVLink给飞控发位置设定值这个链路的延迟通常在20到50毫秒之间而且抖动很大。对于移动平台降落这种对时序敏感的任务50毫秒的延迟意味着目标已经移动了好几厘米。把制导律放在飞控里比如PX4的Offboard模式配合自定义模块好处是延迟低且确定控制频率可以做到和飞控主循环一致通常400Hz以上。坏处是开发门槛高需要熟悉PX4的模块架构和uORB消息机制调试周期长。我的建议是如果队伍里有熟悉PX4固件开发的成员优先把制导律下沉到飞控如果没有先用机载电脑方案快速验证算法等算法稳定后再考虑移植。对于挑战赛这种有时间压力的场景快速出原型比追求极致性能更重要。2.3 视觉方案选型为什么我最终选了AprilTag加光流融合视觉感知方案有很多选择纯AprilTag、纯光流、YOLO检测特定标志、甚至激光雷达。我最终推荐“AprilTag为主、光流为辅”的方案理由如下。AprilTag的优势是位姿解算精度高、计算量小、开源库成熟。一个36h11的Tag在2米距离上位置精度可以做到厘米级角度精度1度以内。但它的致命弱点是依赖光照和视野一旦Tag被遮挡或者光照突变检测就断了。光流的优势是不依赖特定标志通过分析图像像素运动估计相对速度。它可以在AprilTag短暂丢失时提供速度信息维持跟踪。但光流单独用无法给出绝对位置只能给速度增量。两者融合的逻辑是AprilTag提供低频但绝对的位置观测光流提供高频但相对的速度观测用卡尔曼滤波做融合输出高频的位置和速度估计。这样即使AprilTag偶尔丢失几帧滤波器还能靠光流维持状态估计不发散。实测下来这种融合方案在目标短暂遮挡情况下的鲁棒性比纯AprilTag好很多。2.4 仿真先行为什么必须在Gazebo里跑通再上真机这个课题的炸机成本很高移动平台本身可能就不便宜无人机撞上去两败俱伤。所以我的强烈建议是所有算法先在仿真里验证仿真里降落成功率不到90%不要上真机。仿真环境用Gazebo加PX4 SITL是标准组合。你需要搭建一个带移动平台的场景平台可以按预设轨迹运动匀速、正弦、随机无人机从远处起飞执行搜索、跟踪、降落全流程。仿真里可以随便炸而且可以加速跑一晚上能跑几百次降落快速迭代参数。仿真里还有一个真机不具备的优势你可以直接读取真值ground truth来评估状态估计的误差。真机上你永远不知道估计得准不准只能看最终降落结果。仿真里可以把估计值和真值画在一起一眼看出滤波器有没有问题。3. 核心细节解析与实操要点3.1 坐标系定义与转换一步错步步错这个课题涉及至少四个坐标系世界坐标系惯性系、无人机机体坐标系、相机坐标系、目标平台坐标系。每个坐标系之间的转换关系必须定义清楚否则后面所有计算都是错的。我的习惯是统一用ENU东-北-天作为世界坐标系无人机机体坐标系用前-右-下FRD相机坐标系用右-下-前RDF符合OpenCV惯例目标平台坐标系根据Tag的安装方向定义。从Tag检测到相对位姿后需要经过相机到机体的外参标定、机体到世界的外参由飞控姿态提供最终得到目标在世界系中的位置。这里最容易出错的是旋转顺序和正负号。我踩过的坑是相机安装时有一个小角度的俯仰偏差标定的时候没注意结果无人机总是偏向目标的一侧。后来用棋盘格重新标定外参把俯仰偏差补偿掉降落精度立刻提升了一个档次。注意外参标定不要偷懒用理论值一定要实际标定。相机安装的微小角度偏差在近距离降落时会被放大成明显的横向误差。3.2 IMU采样率对状态估计的影响热搜词里有人问“无人机IMU采样率达不到200Hz会造成什么影响”这个问题在移动平台降落场景下特别关键。状态估计的本质是用IMU的高频数据做预测用视觉的低频数据做修正。如果IMU采样率只有100Hz意味着预测步长是10毫秒。在这10毫秒内如果无人机以2m/s的速度移动位置变化是2厘米。对于定点降落2厘米的预测误差可以接受但对于移动平台降落目标本身也在动相对位置的变化可能是4厘米甚至更多。预测误差大了视觉修正时就会产生较大的修正量表现为估计值抖动进而导致控制输出抖动。更严重的是低采样率IMU的积分漂移更快。陀螺仪零偏积分产生的角度误差与时间成正比采样率越低每个采样周期内的零偏积分误差越大。在降落最后阶段几度的姿态估计误差就可能导致桨叶打到平台。我的经验是IMU采样率至少200Hz最好400Hz以上。如果手头的飞控IMU采样率不够可以考虑外接一个高频IMU模块通过I2C或SPI读取在机载电脑上做融合。虽然增加了硬件复杂度但对于降落精度要求高的场景是值得的。3.3 制导律设计从比例导引到速度匹配制导律是动态协同降落的核心。我试过三种方案按复杂度递增排列。第一种是比例导引Proportional Navigation borrowed from导弹制导。核心思想是让无人机的速度方向变化率与视线角变化率成正比。优点是实现简单只需要视线角和视线角速率。缺点是它控制的是速度方向不直接控制速度大小在需要速度匹配的降落场景下不够用。第二种是位置-速度双环控制。外环根据相对位置误差生成期望速度内环根据速度误差生成加速度指令。期望速度等于目标速度加上位置误差乘以一个增益。这样当位置误差为零时无人机速度等于目标速度实现速度匹配。这个方案我用了很久效果稳定参数也好调。第三种是模型预测控制MPC。把相对运动方程离散化在每个控制周期求解一个有限时域的优化问题同时考虑控制量约束和状态约束。优点是理论上最优可以显式处理约束。缺点是计算量大对机载电脑性能有要求而且模型不准时效果会下降。对于挑战赛我推荐第二种方案。它在性能和复杂度之间取得了很好的平衡参数物理意义明确调试时有方向感。MPC可以作为进阶方案等双环控制跑通后再尝试。3.4 通信链路设计延迟和丢包的处理机载电脑和飞控之间的通信链路是另一个容易出问题的地方。MAVLink over UART是最常用的方案但它的延迟和丢包特性需要仔细处理。延迟方面我实测下来115200波特率的UART一帧MAVLink消息的传输时间大约1毫秒加上飞控内部处理端到端延迟在5到10毫秒。这个延迟在位置控制模式下可以接受但在速度控制模式下会引起振荡。解决办法是在制导律里加入延迟补偿用估计的延迟时间对目标状态做外推。丢包方面UART本身比较可靠但机载电脑如果同时跑视觉处理和通信CPU负载高的时候可能出现消息发送不及时。我的做法是给通信线程设置较高的优先级并且用心跳机制监测链路状态一旦发现连续丢包超过阈值立即切换到悬停模式避免失控。4. 实操过程与核心环节实现4.1 仿真环境搭建Gazebo场景配置第一步是搭建仿真环境。我用的配置是Ubuntu 20.04 ROS Noetic Gazebo 11 PX4 SITL。移动平台用一个简单的方形平板模型下面加一个滑动关节可以沿指定方向运动。Gazebo场景文件的关键配置包括无人机的初始位置建议放在目标平台前方5米、上方3米处、目标平台的运动轨迹我用的是正弦运动振幅1米频率0.2Hz模拟中等动态、以及一个虚拟相机传感器分辨率640x480帧率30Hz视场角60度。PX4 SITL启动后通过MAVROS与ROS通信。机载电脑上的视觉节点订阅相机图像运行AprilTag检测发布相对位姿。制导节点订阅相对位姿和无人机状态计算速度指令通过MAVROS发送给飞控。这里有一个细节PX4 SITL默认的IMU采样率是250Hz和真机接近可以用来验证状态估计算法。但如果想测试更低采样率的影响可以在Gazebo的IMU插件里改参数。4.2 AprilTag检测与位姿解算AprilTag检测用开源库apriltag_ros配置很简单指定Tag的尺寸和ID就行。我用的Tag尺寸是0.16米6.3英寸ID是0家族是36h11。位姿解算的输出是Tag在相机坐标系下的位置和姿态。这里要注意apriltag_ros输出的是Tag到相机的变换而我们需要的是相机到Tag的变换两者是逆关系。我第一次用的时候搞反了无人机往反方向飞差点炸机。解算频率方面640x480图像上检测一个Tag在Jetson Nano上大约能跑到25到30Hz。如果图像分辨率提高到1280x720频率会降到10Hz左右。我的建议是保持640x480用检测频率换精度。4.3 卡尔曼滤波器设计与参数整定状态向量我定义为12维目标在世界系中的位置3维、速度3维、加速度3维以及加速度的导数3维用来建模加速度变化。观测向量是6维AprilTag给出的位置3维和光流给出的速度3维。过程噪声矩阵Q的整定是关键。Q太大滤波器信任观测估计值抖动Q太小滤波器信任预测跟踪不上目标的机动。我的经验值是位置过程噪声1e-4速度过程噪声1e-3加速度过程噪声1e-2。这个配置在目标做正弦运动时跟踪效果不错。观测噪声矩阵R根据实际测量噪声设定。AprilTag的位置噪声在2米距离上大约是0.01米光流的速度噪声大约是0.05米/秒。R的对角线元素就是这些噪声的平方。提示滤波器刚启动时状态估计不准建议前1秒只用AprilTag观测等位置收敛后再引入光流。否则光流的累积误差会把初始估计带偏。4.4 制导律实现与参数调试制导律的核心公式是v_desired v_target Kp * (p_target - p_drone)。其中v_target是估计的目标速度p_target是估计的目标位置p_drone是无人机位置Kp是位置增益。Kp的选取要权衡响应速度和稳定性。Kp太大无人机快速逼近目标但容易超调振荡Kp太小跟踪滞后追不上目标。我的经验是Kp在0.5到1.5之间具体值取决于无人机的最大速度和加速度能力。如果无人机最大速度是3m/s目标最大速度是1m/sKp取1.0左右比较合适。下降阶段的处理需要特别小心。当相对高度低于0.5米时我切换到“速度匹配缓慢下降”模式水平速度继续跟踪目标垂直速度固定为-0.2m/s直到检测到接触通过电流突变或高度突变判断然后关闭电机。4.5 真机测试的分阶段验证策略真机测试绝对不能一上来就跑全流程。我的分阶段策略是第一阶段目标静止无人机从3米外起飞执行定点降落。验证视觉检测、状态估计、制导律的基本正确性。这个阶段降落成功率应该达到95%以上。第二阶段目标匀速直线运动速度从0.2m/s逐步提高到1m/s。验证速度匹配逻辑。这个阶段重点关注相对速度是否收敛到零。第三阶段目标做正弦运动验证加速度跟踪能力。这个阶段最容易出问题因为加速度估计不准会导致制导指令滞后。第四阶段加入通信延迟和丢包模拟验证鲁棒性。每个阶段至少跑20次降落成功率达标后再进入下一阶段。我见过太多队伍跳过阶段直接跑全流程结果炸了十几次还没找到问题在哪。5. 常见问题与排查技巧实录5.1 无人机追不上目标总是差一截这是最常见的问题原因通常有三个。第一是制导律的Kp太小位置误差收敛太慢。解决办法是逐步增大Kp直到出现轻微超调再回调一点。第二是速度估计滞后滤波器把目标速度估小了。检查方法是把估计速度和真值画在一起看是否有明显滞后。如果有减小速度过程噪声或者增大速度观测噪声的权重。第三是无人机最大速度限制如果目标速度接近无人机最大速度追不上是物理限制只能降低目标速度或者换更大推力的无人机。5.2 降落瞬间弹跳或侧翻这个问题通常出在接触判断和电机关闭时机上。如果接触判断太晚无人机已经撞上平台才关电机冲击力会导致弹跳。如果接触判断太早无人机还没落稳就关电机会从空中掉下来。我的做法是用多重判断高度低于0.1米、垂直速度小于-0.1m/s、电机电流突增三个条件同时满足才判定接触。接触后立即关闭电机同时记录接触时的相对速度和姿态角用于事后分析。侧翻通常是因为接触时水平相对速度不为零。检查速度匹配环节确保接触前水平速度已经收敛到0.1m/s以内。5.3 AprilTag频繁丢失导致降落中断Tag丢失的原因可能是光照突变、遮挡、或者距离太远Tag太小。解决办法包括增加Tag尺寸但要注意平台面积限制、使用多个Tag冗余不同角度安装、以及前面提到的光流融合。如果Tag丢失时间小于0.5秒滤波器靠光流还能维持跟踪。如果超过0.5秒建议切换到悬停模式等Tag重新出现后再继续。不要盲目继续下降否则可能撞到平台边缘。5.4 仿真里好好的真机上就振荡仿真和真机的差异主要来自三个方面传感器噪声特性不同、执行器延迟不同、以及气动干扰。仿真里的IMU是理想化的真机IMU有零偏和噪声。仿真里的电机响应是瞬时的真机电机有响应延迟。解决办法是在仿真里加入噪声模型和延迟模型。PX4 SITL支持配置IMU噪声参数和电机延迟参数把这些参数调到和真机接近仿真结果才有参考价值。另外真机调试时先把控制增益降低到仿真值的70%确认稳定后再逐步提高。5.5 常见问题速查表现象可能原因排查方法解决措施无人机追不上目标Kp太小或速度估计滞后画估计速度与真值对比增大Kp调整滤波器参数降落瞬间弹跳接触判断太晚记录接触时的高度和速度提前接触判断阈值降落瞬间侧翻水平相对速度不为零记录接触时的水平速度加强速度匹配降低下降速度Tag频繁丢失光照或遮挡查看图像日志增加Tag冗余引入光流融合真机振荡增益过高或延迟补偿不足降低增益测试增益降到仿真值的70%再调状态估计发散滤波器参数不当画估计值与真值对比调整Q和R矩阵6. 进阶方向与扩展思路这个课题跑通基本流程后还有很多可以深挖的方向。比如多无人机协同降落两架无人机同时降落到一个移动平台上需要解决任务分配和避碰问题。再比如降落过程中的风扰补偿用IMU和视觉融合估计风速在制导律里加入前馈补偿。还有基于学习的制导律用强化学习训练一个端到端的降落策略输入是图像和IMU数据输出是速度指令。我个人最感兴趣的是“降落失败恢复”方向。现在的方案一旦降落失败比如Tag丢失、速度匹配不上基本就是悬停等待或者返航。如果能设计一个恢复策略在失败后重新规划轨迹再次尝试降落实用性会大大提升。这个方向在文献里讨论得不多但工程价值很高。最后分享一个小技巧在真机测试时给无人机系一根安全绳绳长比降落高度略短。这样即使降落失败无人机也不会摔到地上可以反复测试接触瞬间的行为。这个办法帮我省了不少维修费。 
长河君 · 2026/11/3 4:32:08 · 阅读 1.2k 无人机自主降落移动平台：动态协同制导与视觉融合实战
1. 从定点降落到动态协同这个课题到底在解决什么问题第一次看到“无人机自主降落移动平台”这个课题很多人脑子里浮现的画面可能是一架无人机稳稳当当地落在一块静止的H形标记板上。这确实是入门级的玩法业内叫“定点着陆”。但加上“移动平台”和“动态协同”这两个限定词之后难度直接上了一个数量级——降落目标本身在动可能是地面车辆、水面舰艇也可能是另一架更大的飞行器无人机需要在目标运动的过程中完成相对定位、轨迹跟踪、速度匹配最后在接触瞬间把相对速度压到接近零。这个课题之所以被反复推荐为挑战赛题目核心原因在于它把无人机领域几乎所有的关键技术点都串起来了视觉感知、IMU与视觉的融合、状态估计、制导律设计、飞控底层接口、实时通信、仿真验证。你很难找到第二个题目能在一个场景里同时考察这么多能力而且每个环节的短板都会在最终降落成功率上被无情放大。我做过几个类似的课题也带过学生打比赛最大的感受是定点着陆考的是“能不能看见”移动平台降落考的是“能不能跟上”。前者是静态目标检测问题后者是动态系统跟踪问题两者的技术栈有本质区别。很多队伍在定点着陆阶段表现很好一换到移动平台就频繁炸机问题往往出在对“动态”二字的理解不够深——不是把目标检测频率提高就行而是整个感知-决策-控制链路都要重新设计时序和延迟补偿。这篇文章适合几类人看正在选挑战赛课题的研究生、做无人机视觉导航方向的高年级本科生、以及想从定点降落进阶到动态降落的飞控开发者。我会从方案选型、核心原理、实操步骤、问题排查几个维度把这个课题拆透尽量给出可以直接参考复现的配置和参数。2. 整体方案设计与技术路线选型2.1 为什么不能直接把定点着陆的方案搬过来定点着陆的典型方案是机载相机识别地面AprilTag或ArUco码解算相对位姿把位置偏差送给飞控的位置环飞控控制无人机飞到目标正上方然后下降。这套逻辑在目标静止时工作得很好因为“目标位置”是一个常量位置环的设定值不变无人机收敛到设定值就完事了。但移动平台场景下目标位置是时间的函数。如果还用同样的架构你会遇到两个致命问题第一视觉解算有延迟等你算出目标位置时目标已经移动了第二位置环的带宽有限它跟踪一个匀速移动的目标会产生稳态误差跟踪加速目标误差更大。结果就是无人机永远追不上平台或者追上了但相对速度不为零接触瞬间弹跳甚至侧翻。所以动态协同降落的核心思路要从“位置控制”转向“位置速度联合控制”甚至在接近阶段要用到“轨迹跟踪”而非“点跟踪”。这就引出了方案选型的第一个关键决策制导律放在哪里实现。2.2 制导律放在机载电脑还是飞控里这是整个方案设计中最容易纠结的地方。两种做法我都试过各有优劣。把制导律放在机载电脑比如树莓派、Jetson Nano里好处是开发灵活可以用Python或C写复杂的控制逻辑调试方便改参数不用重新刷固件。坏处是通信延迟不可控机载电脑通过MAVLink给飞控发位置设定值这个链路的延迟通常在20到50毫秒之间而且抖动很大。对于移动平台降落这种对时序敏感的任务50毫秒的延迟意味着目标已经移动了好几厘米。把制导律放在飞控里比如PX4的Offboard模式配合自定义模块好处是延迟低且确定控制频率可以做到和飞控主循环一致通常400Hz以上。坏处是开发门槛高需要熟悉PX4的模块架构和uORB消息机制调试周期长。我的建议是如果队伍里有熟悉PX4固件开发的成员优先把制导律下沉到飞控如果没有先用机载电脑方案快速验证算法等算法稳定后再考虑移植。对于挑战赛这种有时间压力的场景快速出原型比追求极致性能更重要。2.3 视觉方案选型为什么我最终选了AprilTag加光流融合视觉感知方案有很多选择纯AprilTag、纯光流、YOLO检测特定标志、甚至激光雷达。我最终推荐“AprilTag为主、光流为辅”的方案理由如下。AprilTag的优势是位姿解算精度高、计算量小、开源库成熟。一个36h11的Tag在2米距离上位置精度可以做到厘米级角度精度1度以内。但它的致命弱点是依赖光照和视野一旦Tag被遮挡或者光照突变检测就断了。光流的优势是不依赖特定标志通过分析图像像素运动估计相对速度。它可以在AprilTag短暂丢失时提供速度信息维持跟踪。但光流单独用无法给出绝对位置只能给速度增量。两者融合的逻辑是AprilTag提供低频但绝对的位置观测光流提供高频但相对的速度观测用卡尔曼滤波做融合输出高频的位置和速度估计。这样即使AprilTag偶尔丢失几帧滤波器还能靠光流维持状态估计不发散。实测下来这种融合方案在目标短暂遮挡情况下的鲁棒性比纯AprilTag好很多。2.4 仿真先行为什么必须在Gazebo里跑通再上真机这个课题的炸机成本很高移动平台本身可能就不便宜无人机撞上去两败俱伤。所以我的强烈建议是所有算法先在仿真里验证仿真里降落成功率不到90%不要上真机。仿真环境用Gazebo加PX4 SITL是标准组合。你需要搭建一个带移动平台的场景平台可以按预设轨迹运动匀速、正弦、随机无人机从远处起飞执行搜索、跟踪、降落全流程。仿真里可以随便炸而且可以加速跑一晚上能跑几百次降落快速迭代参数。仿真里还有一个真机不具备的优势你可以直接读取真值ground truth来评估状态估计的误差。真机上你永远不知道估计得准不准只能看最终降落结果。仿真里可以把估计值和真值画在一起一眼看出滤波器有没有问题。3. 核心细节解析与实操要点3.1 坐标系定义与转换一步错步步错这个课题涉及至少四个坐标系世界坐标系惯性系、无人机机体坐标系、相机坐标系、目标平台坐标系。每个坐标系之间的转换关系必须定义清楚否则后面所有计算都是错的。我的习惯是统一用ENU东-北-天作为世界坐标系无人机机体坐标系用前-右-下FRD相机坐标系用右-下-前RDF符合OpenCV惯例目标平台坐标系根据Tag的安装方向定义。从Tag检测到相对位姿后需要经过相机到机体的外参标定、机体到世界的外参由飞控姿态提供最终得到目标在世界系中的位置。这里最容易出错的是旋转顺序和正负号。我踩过的坑是相机安装时有一个小角度的俯仰偏差标定的时候没注意结果无人机总是偏向目标的一侧。后来用棋盘格重新标定外参把俯仰偏差补偿掉降落精度立刻提升了一个档次。注意外参标定不要偷懒用理论值一定要实际标定。相机安装的微小角度偏差在近距离降落时会被放大成明显的横向误差。3.2 IMU采样率对状态估计的影响热搜词里有人问“无人机IMU采样率达不到200Hz会造成什么影响”这个问题在移动平台降落场景下特别关键。状态估计的本质是用IMU的高频数据做预测用视觉的低频数据做修正。如果IMU采样率只有100Hz意味着预测步长是10毫秒。在这10毫秒内如果无人机以2m/s的速度移动位置变化是2厘米。对于定点降落2厘米的预测误差可以接受但对于移动平台降落目标本身也在动相对位置的变化可能是4厘米甚至更多。预测误差大了视觉修正时就会产生较大的修正量表现为估计值抖动进而导致控制输出抖动。更严重的是低采样率IMU的积分漂移更快。陀螺仪零偏积分产生的角度误差与时间成正比采样率越低每个采样周期内的零偏积分误差越大。在降落最后阶段几度的姿态估计误差就可能导致桨叶打到平台。我的经验是IMU采样率至少200Hz最好400Hz以上。如果手头的飞控IMU采样率不够可以考虑外接一个高频IMU模块通过I2C或SPI读取在机载电脑上做融合。虽然增加了硬件复杂度但对于降落精度要求高的场景是值得的。3.3 制导律设计从比例导引到速度匹配制导律是动态协同降落的核心。我试过三种方案按复杂度递增排列。第一种是比例导引Proportional Navigation borrowed from导弹制导。核心思想是让无人机的速度方向变化率与视线角变化率成正比。优点是实现简单只需要视线角和视线角速率。缺点是它控制的是速度方向不直接控制速度大小在需要速度匹配的降落场景下不够用。第二种是位置-速度双环控制。外环根据相对位置误差生成期望速度内环根据速度误差生成加速度指令。期望速度等于目标速度加上位置误差乘以一个增益。这样当位置误差为零时无人机速度等于目标速度实现速度匹配。这个方案我用了很久效果稳定参数也好调。第三种是模型预测控制MPC。把相对运动方程离散化在每个控制周期求解一个有限时域的优化问题同时考虑控制量约束和状态约束。优点是理论上最优可以显式处理约束。缺点是计算量大对机载电脑性能有要求而且模型不准时效果会下降。对于挑战赛我推荐第二种方案。它在性能和复杂度之间取得了很好的平衡参数物理意义明确调试时有方向感。MPC可以作为进阶方案等双环控制跑通后再尝试。3.4 通信链路设计延迟和丢包的处理机载电脑和飞控之间的通信链路是另一个容易出问题的地方。MAVLink over UART是最常用的方案但它的延迟和丢包特性需要仔细处理。延迟方面我实测下来115200波特率的UART一帧MAVLink消息的传输时间大约1毫秒加上飞控内部处理端到端延迟在5到10毫秒。这个延迟在位置控制模式下可以接受但在速度控制模式下会引起振荡。解决办法是在制导律里加入延迟补偿用估计的延迟时间对目标状态做外推。丢包方面UART本身比较可靠但机载电脑如果同时跑视觉处理和通信CPU负载高的时候可能出现消息发送不及时。我的做法是给通信线程设置较高的优先级并且用心跳机制监测链路状态一旦发现连续丢包超过阈值立即切换到悬停模式避免失控。4. 实操过程与核心环节实现4.1 仿真环境搭建Gazebo场景配置第一步是搭建仿真环境。我用的配置是Ubuntu 20.04 ROS Noetic Gazebo 11 PX4 SITL。移动平台用一个简单的方形平板模型下面加一个滑动关节可以沿指定方向运动。Gazebo场景文件的关键配置包括无人机的初始位置建议放在目标平台前方5米、上方3米处、目标平台的运动轨迹我用的是正弦运动振幅1米频率0.2Hz模拟中等动态、以及一个虚拟相机传感器分辨率640x480帧率30Hz视场角60度。PX4 SITL启动后通过MAVROS与ROS通信。机载电脑上的视觉节点订阅相机图像运行AprilTag检测发布相对位姿。制导节点订阅相对位姿和无人机状态计算速度指令通过MAVROS发送给飞控。这里有一个细节PX4 SITL默认的IMU采样率是250Hz和真机接近可以用来验证状态估计算法。但如果想测试更低采样率的影响可以在Gazebo的IMU插件里改参数。4.2 AprilTag检测与位姿解算AprilTag检测用开源库apriltag_ros配置很简单指定Tag的尺寸和ID就行。我用的Tag尺寸是0.16米6.3英寸ID是0家族是36h11。位姿解算的输出是Tag在相机坐标系下的位置和姿态。这里要注意apriltag_ros输出的是Tag到相机的变换而我们需要的是相机到Tag的变换两者是逆关系。我第一次用的时候搞反了无人机往反方向飞差点炸机。解算频率方面640x480图像上检测一个Tag在Jetson Nano上大约能跑到25到30Hz。如果图像分辨率提高到1280x720频率会降到10Hz左右。我的建议是保持640x480用检测频率换精度。4.3 卡尔曼滤波器设计与参数整定状态向量我定义为12维目标在世界系中的位置3维、速度3维、加速度3维以及加速度的导数3维用来建模加速度变化。观测向量是6维AprilTag给出的位置3维和光流给出的速度3维。过程噪声矩阵Q的整定是关键。Q太大滤波器信任观测估计值抖动Q太小滤波器信任预测跟踪不上目标的机动。我的经验值是位置过程噪声1e-4速度过程噪声1e-3加速度过程噪声1e-2。这个配置在目标做正弦运动时跟踪效果不错。观测噪声矩阵R根据实际测量噪声设定。AprilTag的位置噪声在2米距离上大约是0.01米光流的速度噪声大约是0.05米/秒。R的对角线元素就是这些噪声的平方。提示滤波器刚启动时状态估计不准建议前1秒只用AprilTag观测等位置收敛后再引入光流。否则光流的累积误差会把初始估计带偏。4.4 制导律实现与参数调试制导律的核心公式是v_desired v_target Kp * (p_target - p_drone)。其中v_target是估计的目标速度p_target是估计的目标位置p_drone是无人机位置Kp是位置增益。Kp的选取要权衡响应速度和稳定性。Kp太大无人机快速逼近目标但容易超调振荡Kp太小跟踪滞后追不上目标。我的经验是Kp在0.5到1.5之间具体值取决于无人机的最大速度和加速度能力。如果无人机最大速度是3m/s目标最大速度是1m/sKp取1.0左右比较合适。下降阶段的处理需要特别小心。当相对高度低于0.5米时我切换到“速度匹配缓慢下降”模式水平速度继续跟踪目标垂直速度固定为-0.2m/s直到检测到接触通过电流突变或高度突变判断然后关闭电机。4.5 真机测试的分阶段验证策略真机测试绝对不能一上来就跑全流程。我的分阶段策略是第一阶段目标静止无人机从3米外起飞执行定点降落。验证视觉检测、状态估计、制导律的基本正确性。这个阶段降落成功率应该达到95%以上。第二阶段目标匀速直线运动速度从0.2m/s逐步提高到1m/s。验证速度匹配逻辑。这个阶段重点关注相对速度是否收敛到零。第三阶段目标做正弦运动验证加速度跟踪能力。这个阶段最容易出问题因为加速度估计不准会导致制导指令滞后。第四阶段加入通信延迟和丢包模拟验证鲁棒性。每个阶段至少跑20次降落成功率达标后再进入下一阶段。我见过太多队伍跳过阶段直接跑全流程结果炸了十几次还没找到问题在哪。5. 常见问题与排查技巧实录5.1 无人机追不上目标总是差一截这是最常见的问题原因通常有三个。第一是制导律的Kp太小位置误差收敛太慢。解决办法是逐步增大Kp直到出现轻微超调再回调一点。第二是速度估计滞后滤波器把目标速度估小了。检查方法是把估计速度和真值画在一起看是否有明显滞后。如果有减小速度过程噪声或者增大速度观测噪声的权重。第三是无人机最大速度限制如果目标速度接近无人机最大速度追不上是物理限制只能降低目标速度或者换更大推力的无人机。5.2 降落瞬间弹跳或侧翻这个问题通常出在接触判断和电机关闭时机上。如果接触判断太晚无人机已经撞上平台才关电机冲击力会导致弹跳。如果接触判断太早无人机还没落稳就关电机会从空中掉下来。我的做法是用多重判断高度低于0.1米、垂直速度小于-0.1m/s、电机电流突增三个条件同时满足才判定接触。接触后立即关闭电机同时记录接触时的相对速度和姿态角用于事后分析。侧翻通常是因为接触时水平相对速度不为零。检查速度匹配环节确保接触前水平速度已经收敛到0.1m/s以内。5.3 AprilTag频繁丢失导致降落中断Tag丢失的原因可能是光照突变、遮挡、或者距离太远Tag太小。解决办法包括增加Tag尺寸但要注意平台面积限制、使用多个Tag冗余不同角度安装、以及前面提到的光流融合。如果Tag丢失时间小于0.5秒滤波器靠光流还能维持跟踪。如果超过0.5秒建议切换到悬停模式等Tag重新出现后再继续。不要盲目继续下降否则可能撞到平台边缘。5.4 仿真里好好的真机上就振荡仿真和真机的差异主要来自三个方面传感器噪声特性不同、执行器延迟不同、以及气动干扰。仿真里的IMU是理想化的真机IMU有零偏和噪声。仿真里的电机响应是瞬时的真机电机有响应延迟。解决办法是在仿真里加入噪声模型和延迟模型。PX4 SITL支持配置IMU噪声参数和电机延迟参数把这些参数调到和真机接近仿真结果才有参考价值。另外真机调试时先把控制增益降低到仿真值的70%确认稳定后再逐步提高。5.5 常见问题速查表现象可能原因排查方法解决措施无人机追不上目标Kp太小或速度估计滞后画估计速度与真值对比增大Kp调整滤波器参数降落瞬间弹跳接触判断太晚记录接触时的高度和速度提前接触判断阈值降落瞬间侧翻水平相对速度不为零记录接触时的水平速度加强速度匹配降低下降速度Tag频繁丢失光照或遮挡查看图像日志增加Tag冗余引入光流融合真机振荡增益过高或延迟补偿不足降低增益测试增益降到仿真值的70%再调状态估计发散滤波器参数不当画估计值与真值对比调整Q和R矩阵6. 进阶方向与扩展思路这个课题跑通基本流程后还有很多可以深挖的方向。比如多无人机协同降落两架无人机同时降落到一个移动平台上需要解决任务分配和避碰问题。再比如降落过程中的风扰补偿用IMU和视觉融合估计风速在制导律里加入前馈补偿。还有基于学习的制导律用强化学习训练一个端到端的降落策略输入是图像和IMU数据输出是速度指令。我个人最感兴趣的是“降落失败恢复”方向。现在的方案一旦降落失败比如Tag丢失、速度匹配不上基本就是悬停等待或者返航。如果能设计一个恢复策略在失败后重新规划轨迹再次尝试降落实用性会大大提升。这个方向在文献里讨论得不多但工程价值很高。最后分享一个小技巧在真机测试时给无人机系一根安全绳绳长比降落高度略短。这样即使降落失败无人机也不会摔到地上可以反复测试接触瞬间的行为。这个办法帮我省了不少维修费。