状态估计对飞行器的控制和决策有非常重要的作用，飞机的传感器如人的感官，能够提供必要的信息。为了降低成本，厂家大多选择比较廉价的传感器，虽然他们仍然可以测量出角速度、加速度和绝对位置等，但是含有大量的噪声。一方面，一些信息无法通过传感器直接测得，如速度、姿态角、障碍物位置等等，需要通过ARM或CPU间接的进行估算，其次，传感器提供的信息又有一定程度的冗余。所以，现在几乎都是采用多传感器信息的融合来提高转态估计的准确性和鲁棒性（应对噪声的能力），这就涉及到飞行器的速度估计、位置估计、姿态估计和障碍物估计等等 下面逐一简单谈一谈 姿态估计 主要目的是估计姿态角、并以旋转矩阵或四元数形式来表达，主要利用三轴加速度计、三轴陀螺仪及三轴磁力计的信息，通过卡尔曼滤波或互补滤波获得。三轴陀螺仪的动态响应快，测量精度高，但解姿态角时会用到对角速度的积分，会有累计误差。三轴加速度计和三轴磁力计可以得到稳定的姿态角，无累积误差，但动态响应慢得要死，噪声特别大，只有想办法融合这些信息，才能为飞机提供正确的位置估计，一般采用如下方法，卡尔曼滤波、非线性互补滤波器、互补滤波器。（至于技术细节暂时放一放吧） 位置估计 位置信息包括二维位置和高度信息，也就是经度、纬度和高度，GPS接收机、摄像机、气压计、激光测距仪都能提供位置信息，单一的传感器只能提供部分信息、且噪声很大，所以需要采用一些办法来融合相关信息，常见的有如下两种方法：基于SLAM的位置估计和基于GPS的位置估计 1、基于SLAM的位置估计 SLAM（同步定位与建图）技术，可以描述飞机自身的位置，同时可以构建未知环境的增量式地图（大疆就采用这个技术），实现飞机的自主定位与导航，这种技术可以基于不同的传感器，距离传感器（超声波测距仪和激光扫描测距仪），基于方位的传感器（摄像机等）也可以对两者进行融合，如融合距离传感器和三维摄像机、双目等方位传感器 1）基于单目视角的SLAM（简单介绍，不涉及细节） 两个步骤：跟踪和建图，在跟踪的过程中，根据场景的结构信息得到摄像机的位置和姿态；在建图的过程中，又根据摄像机的位置与姿态重建场景的三维结构（大疆失控原路返航的技术），跟踪和建图两个任务交替进行，跟踪依赖于建图得到的场景结构信息，建图反过来依赖跟踪求取的位置信息，这是连续帧的SLAM，类似于剪辑，也有关键帧SLAM（不详细说了）（也有采用并行算法的，跟踪和构图用不同的核心进行计算） 速度估计 对于飞机，飞行安全至关重要，这就要求能够在任何情况下都能实现精确鲁棒的速度估计，速度反馈能够增加阻尼，操控性和稳定性需要保证。在不同情况下，常用的估计方法有SLAM、GPS、光流和气动阻力（技术特强，不啰嗦） 障碍物估计 目前对飞机来说主要有光流避障，红外避障（太简单，略过），主要说说光流避障及特点 两个步骤 1）延伸焦点计算：当前视相机平动时，图像上的光流从延伸焦点开始向外发散，在延伸焦点处的光流为0，而周围点光都是向外扩散的，并且距离焦点越远，光流越大；而且以延伸焦点所在的列为界，左侧光流的水平分量向左，右侧的向右（细节仍不谈） 2）碰撞时间计算 从单目图像序列无法恢复场景的绝对深度，但可以估计碰撞时间，碰撞时间是用时间来表示的相对深度，场景中的某一点的碰撞时间是指当飞行器保持此刻的速度不变到达该点所需要的时间。碰撞时间越长，说明可以不进行刹车等操作，反之，必须刹车、急停等等（怎么计算，用什么方法计算就略过了）