飞控中的多传感器融合：粒子滤波基础从一次炸机说起去年夏天，我在调试一架四轴飞行器的室内定位系统。GPS信号被楼体遮挡，光流传感器在低光照下频繁丢帧，IMU的积分漂移已经让位置估计偏离了半米。我尝试用扩展卡尔曼滤波（EKF）融合这些数据，结果在无人机经过一面白墙时——姿态突然剧烈震荡，然后炸机了。事后分析日志，发现EKF的线性化假设在传感器数据出现“野点”时彻底失效。光流传感器在墙面纹理缺失时输出了一串异常值，EKF的雅可比矩阵计算直接发散。那一刻我意识到：对于飞控这种强非线性、多模态噪声的系统，我们需要一种更“暴力”但更鲁棒的融合方法——粒子滤波。粒子滤波的核心思想：用一堆点去猜粒子滤波不假设系统是线性的，也不假设噪声是高斯分布。它的思路很朴素：用N个带权重的“粒子”来近似状态的后验概率分布。每个粒子代表系统状态的一个可能假设，权重表示这个假设的可信度。在飞控场景下，每个粒子就是一个“虚拟无人机”的状态向量——位置、速度、姿态角、角速度。初始时，这些粒子均匀撒在状态空间里，就像在搜索区域里随机扔下一把豆子。飞控中的粒子滤波四步走第一步：预测——让粒子跟着模型跑假设当前时刻有N个粒子，每个粒子代表一个可能的状态。我们根据飞控的运动模型（比如IMU的加速度和角速度数据）来更新每个粒子的位置。#