企业官网建设流程全解析

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/s，Kp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

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。