机器人传感器融合将不同速率、帧、噪声和失效模式的测量数据结合起来，估计位置、速度、方向、偏置或其他状态。目标不是对每个输入均值。而是使用过程模型和不确定性，使互补证据纠正漂移，同时避免错误或重复的测量占主导地位。
时间对齐、坐标变换和协方差通常比扩展卡尔曼滤波器和无香味卡尔曼滤波器的选择更为重要。一个带有陈旧时间戳或错误外部标的精确传感器可能会降低估计值。只有当它们的关系和相关性被真实建模时，更多的传感器才会有所帮助。
请结合 机器人传感器指南 和 校准流程阅读此内容。将估计器输出视为带有不确定性的模型相关估计，而非独立的真实数据。
融合结合了状态预测与测量校正
状态估计器将前一状态传递到运动或过程模型中，并根据过程噪声增加不确定性。当测量数据到达时，它预测该传感器应观察到的内容，比较创新，并施加按不确定性加权的修正。
该结构支持异步到达的传感器。快速的IMU可以传播方向和速度，而较慢的车轮、激光雷达、相机或卫星观测则限制漂移。即使绝对测量间歇性，输出率仍可较高，但在未观测运动时不确定性必然增加。
时间戳表示测量时间，而非到达时间
传感器消息可以在不同时间被捕获、处理、排队、传输和接收。使用主机到达时间作为捕获时间，将延迟中的运动转化为空间误差。尽可能保留硬件时间，测量设备时钟与估计时钟之间的映射。
表征固定偏移、抖动和漂移。使用专门设计的估计器修正已知延迟或过程不按序测量。日志捕获、发布和接收时间分别进行。静止时测量的准确校准在移动机器人上仍可能失效，如果数据流错位。
| 数据字段 | 含义 | 错误则为失败 | 验证 |
|---|---|---|---|
| 捕获时间 | 物理测量瞬时 | 运动依赖偏置 | 触发运动测试 |
| 帧识别 | 坐标基 | 旋转或偏移估计 | 已知方向输入 |
| 协变性 | 预期中的不确定性 | 加重或低估 | 创新统计 |
| 序列或源头 | 测量标识 | 重复证据 | 消息追踪 |
| 健康状态 | 有效性与模式 | 无声的坏消息 | 故障注入 |
坐标系需要校准变换
ROS REP-105定义了常见的移动机器人框架角色，如地图、 odom 和 base_link。地图框架在全局校正后可以跳跃，而 odom 则预期保持局部连续性。混合它们的语义会导致控制器的不连续性。
每个传感器外在元件必须将其测量量映射到估计约定中，并配合正确的旋转、平移和手性。 IMU的方向、角速度和加速度需要有文档化的参考系与重力约定。传感器移动、碰撞或结构维护后应重新校准。
协方差告诉估计量应该信任多少
测量协方差表示不确定性，包括建模时的横轴关系。过程噪声表示假设运动与真实系统之间的不匹配。人为过小的数值使传感器占主导地位；过大值则阻碍有用的校正。
在静止、移动和环境条件下估算噪声和偏置。然后检查创新，而不仅仅是为了视觉上的平滑路径而调整。平滑但有偏见的估计可能比稍微有噪声的诚实估计更不利于控制。当轮胎、载荷、照明或路面发生变化时，更新参数。
| 症状 | 可能原因 | 证据 | 调整 |
|---|---|---|---|
| 估计值严格遵循一个传感器 | 协方差太小 | 创新与收益 | 重新估算噪声 |
| 更正几乎不会改变状态 | 协方差太大 | 残余持续存在 | 检查单位与协方差 |
| 慢漂移 | 偏置或未观察到的状态 | 长期参考 | 模型偏置或增加观察 |
| 更新后的振荡 | 延迟或帧错误 | 速度相关残差 | 固定时间并进行变换 |
| 虚假的自信 | 相关重复输入 | 协方差收缩得太快 | 去除或建模相关性 |
EKF和UKF产生不同的非线性近似
ROS robot_localization文档 为多个传感器源提供了 EKF 和 UKF 状态估计节点。 EKF 用雅可比矩阵线性化模型，而 UKF 通过非线性函数传播选定的西格玛点。
UKF并非普遍更准确， EKF也并非普遍充分。模型质量、噪声、时序、可观测性和实现主导了许多部署。在相同状态、帧和协方差的相同记录数据上进行比较，然后评估一致性、延迟和计算能力。
相关测量值不得重复计数
轮式里程计可能已经结合了左右编码器；视觉里程计可以重复使用IMU；可以从融合的同一局部估计计算出全局姿态。不要把衍生输出及其源测量当作彼此独立的数据，否则协方差会在没有新增信息时被错误压缩。
追踪测量谱系。融合一次最合适的原始或推导水平，或与合适的估计量进行交叉相关建模。避免将估计量的输出作为新的测量反馈回来。记录每个来源贡献的状态成分。
创新门控包含异常值
创新是指输入测量值与其预测值之间的差值。通过预期创新协方差进行归一化，并在验证阈值之外拒绝或降权值。这可能包含多径、特征不匹配、车轮打滑或瞬时传感器故障。
门无法修复持续偏置或错误帧。按传感器和环境监控拒绝率。过度拒绝可能表明模型存在缺陷；没有拒绝可能意味着阈值无效。定义长时间中断或大规模全局重新定位后的恢复。
偏置和可观测性决定了长期漂移
IMU偏差与速度和位置误差积分。车轮半径或比例误差会累积距离偏差。这些量是否能被估计取决于运动和外部观测。状态可以在数学上包含，但在可用轨迹中仍不可观测。
设计校准运动以激发相关轴并与独立参考进行比较。监测协方差和参数相关性。不要仅仅为了让估计值看起来稳定，就将观测不佳的偏差锁定在一个有信度值上。
Fusion和 SLAM 范围有所重叠，但作用不同
SLAM 利用环境观测估计地图和机器人轨迹，而通用状态估计器则可融合里程计、 IMU、全局姿态及其他测量数据，无需构建地图。 OpenCV 校准工具 处理两系统可能依赖的相机几何。
SLAM姿势可以作为局部滤波器的一个测量源，但回环检测跳跃必须以正确的帧语义处理。控制者通常偏好局部连续的方向估计，而全局规划则使用地图对齐。定义边界以避免反馈环和重复证据。
用参考数据和注入的失败验证
使用静止、直线、转向、停启、不平整路面和重复环路测试。尽可能与独立参考比较位置、方向、速度、偏置、协方差和创新。评估启动、热身和长时间漂移，而非单一短路径。
注入传感器延迟、丢弃、偏差、异常值、重复消息、转换错误和轮滑。验证不确定性增长、拒绝、恢复和控制器行为。存储原始数据和配置，以便重放故障。过滤器在预期故障下保持有界且诚实时即为准备就绪，而不仅仅是路径平滑。
评估“机器人传感器融合：时间、帧、协方差与状态估计”时，还应保存模型版本、机器人配置、标定文件、测试日期和全部试验记录。把成功、失败、恢复与人工介入放在同一份数据中，才能区分模型能力、系统接口和现场流程造成的差异。
成本评估除了设备与算力，还要记录数据采集、工程调试、安全措施、维护、停机和人员培训。只有把这些持续投入与单位成功任务的价值比较，才能判断方案是否适合扩大。
上线后仍要持续检查分布变化、传感器漂移、机械磨损和人工接管原因。监测结果应能触发降级、停止与重新验证流程，并为下一轮数据采集和模型更新留下可追溯记录。
- 保持捕获时间并测量运输延迟。
- 校准每个传感器框架和重力约定。
- 从数据中调和不确定性，审视创新。
- 追踪相关性，避免重复计数。
- 测试掉落、偏差、异常值和控制连接后的恢复。
常见问题
增加传感器总能提升准确度吗？
不。额外的传感器只有在时间、参考系、协方差、偏差和相关性被建模并测量时才有用，这些测量数据会独立地添加信息。
UKF总是比EKF更好吗？
不。更好的选择取决于模型的非线性、计算和实现；时序、校准和不确定性误差通常更为重要。
协方差应如何选择？
从相关条件下测量的噪声和偏差开始，包含过程与模型的不匹配，然后检查创新一致性和独立参考误差。
摄像机到IMU的定时错误有多严重？
它会根据运动产生姿态和速度偏差，尤其是在快速旋转或振动时。测量端到端的时间戳偏移和抖动。
过滤器在一个传感器消失时应该停止吗？
并非总是如此。它可以用剩余输入进行预测，但不确定性必须增加，当可观测性丧失时，系统需要有界的减速、停止或降级策略。
状态估计边界注释
估计器的输出和协方差依赖于模型和传感器的假设，并非独立的真值数据。用外部参考和连接的控制器验证时间、帧、相关性、偏差、延迟和故障。