课程项目整体目标 (Integrated Project Objective)

开发并验证一个基于 ROS2 的高可靠性惯性导航系统（INS），实现从底层传感器噪声表征、多源数据校准（Magnetometer/IMU/GPS）到复杂动态环境（步行及车载）下航位推算（Dead Reckoning）与轨迹重建的完整工程闭环。

---

核心任务模块提炼 (Core Task Decomposition)

为了体现任务的复杂性和整合性，我们将具体目标归纳为以下四个维度：

1. 传感器物理特性表征与随机误差分析 (Stochastic Error Characterization)

• 任务描述：超越基础的驱动编写，重点在于利用 Allan Variance (艾伦方差) 分析对 VectorNav IMU 的噪声参数（如 Angle Random Walk, Bias Stability）进行建模。

• 工程意义：理解传感器在频域和时域的物理极限，为后续导航算法提供误差边界。

2. 多轴传感器非理想因素校准 (Calibration of Non-idealities)

• 任务描述：利用最小二乘法 (Least Squares) 针对地磁计（Magnetometer）进行硬铁（Hard-iron）与软铁（Soft-iron）校准，补偿动态环境中的电磁干扰。

• 工程意义：解决惯性导航中航向角（Heading）随时间漂移的核心问题。

3. 惯性里程计与轨迹重建算法 (Inertial Odometry & Path Reconstruction)

• 任务描述：通过对陀螺仪角速度和加速度计数据的时域积分，实现多自由度航位推算，重建步行及高速行驶车辆的运动轨迹。

• 工程意义：通过对比步行（低速/高频振动）与车载（高速/长距离）场景，验证运动模型在不同动力学约束下的鲁棒性。

4. 传感器融合验证与系统性能评估 (Performance Evaluation & Sensor Fusion)

• 任务描述：将 IMU 重建轨迹与 GPS 地面真值 (Ground Truth) 进行时空对齐与偏差分析，量化评估纯惯性导航系统的累计误差（Drift）。

• 工程意义：深入理解由于重力补偿不足、积分漂移及外部干扰导致的导航失效模式。

---

---

---

这三个实验（Lab 3-5）构成了一个非常经典的机器人定位与导航工程链条。它们的逻辑关系是从“理解传感器物理特性”开始，逐步过渡到“算法实现”，最后在“复杂真实场景”中验证。

我们可以把这个逻辑梳理为：噪声建模 -> 误差补偿 -> 运动解算 -> 系统集成。

---

知识点逻辑图谱

1. 底层基础：传感器表征 (Lab 3)

• 逻辑起点：在写代码之前，你必须知道你的传感器有多“准”。

• 核心关系：通过 Allan Variance（艾伦方差） 建立传感器的物理模型。

  • 你要区分什么是随机噪声（White Noise/Angle Random Walk）以及什么是随时间变化的偏差（Bias Instability）。

• 目的：为后续实验提供“信任度”。如果 Allan 方差显示偏差很大，那么你在 Lab 4/5 积分得到的轨迹就会迅速漂移。

2. 中层算法：误差补偿与校准 (Lab 4)

• 逻辑递进：传感器拿到了原始数据，但由于环境干扰（如周围金属对磁场的影响），数据是“歪”的。

• 核心关系：Magnetometer Calibration（地磁计校准）。

  • 地磁计数据决定了你的航向（Heading）。如果这里不校准，你的车子在算法里会“斜着开”。

• 目的：将传感器从“原始测量值”转化为“物理世界一致的坐标向量”。

3. 核心解算：惯性里程计 (Lab 4 & 5)

• 逻辑递进：有了校准后的数据，通过物理公式推算位移。

• 核心关系：Time Integration（时间积分）。

  • $\text{Gyroscope} \xrightarrow{\text{积分}} \text{Orientation (角度)}$

  • $\text{Accelerometer} \xrightarrow{\text{二次积分}} \text{Position (位置)}$

• 难点（Lab 4 核心）：你会发现积分会产生累计误差（Drift）。这是 Lab 4 让你们“走路”的原因——通过低速运动让你亲眼看到位移是如何随时间“飞掉”的。

4. 高层集成：多源融合与场景验证 (Lab 5)

• 逻辑终点：引入“外部真值”来修正惯性导航。

• 核心关系：GPS vs. VN (IMU)。

  • GPS：绝对定位，准但频率低（1-5Hz），且易受遮挡。

  • IMU：相对定位，频率高（100Hz+），短时间内极准，但长时间必飘。

  • 融合逻辑：在车辆高速、长距离行驶中，利用 GPS 修正 IMU 的累积漂移（Dead Reckoning 修正）。

• 目的：实现一个鲁棒的导航系统，能在车辆动态行驶中给出连续、准确的路径图。

---

总结：它们是如何互相支撑的？

阶段	实验	解决的问题	向上提供的价值
物理层	Lab 3	传感器吵不吵？(Noise)	确定算法的误差上限。
校准层	Lab 4/5	传感器准不准？(Calibration)	提供正确的方向向量（Heading）。
解算层	Lab 4	怎么算位移？(Integration)	实现自主推算轨迹的能力。
系统层	Lab 5	漂移了怎么办？(GPS Fusion)	在高速长距离场景下保持稳定。

---

你可以用一句话把这三个 Lab 的关系概括：

"Developed a complete inertial navigation stack in ROS2, ranging from stochastic noise characterization using Allan Variance (Lab 3) to least-squares magnetometer calibration and GPS-IMU sensor fusion for long-range vehicle trajectory reconstruction (Lab 5)."