飞控中的多传感器融合：粒子滤波实现从一次炸机说起去年夏天调试一架四轴，GPS信号在树荫下跳得厉害，IMU的加速度计数据里混着电机振动噪声，气压计被螺旋桨下洗气流吹得忽高忽低。我天真地以为卡尔曼滤波能搞定一切——结果飞机在悬停时突然往东偏了半米，然后像喝醉了一样晃了两下，直接翻倒炸机。事后分析日志，发现卡尔曼滤波器在高非线性、非高斯噪声的环境下，状态估计已经发散到离谱的程度。那次之后我认真研究了粒子滤波。说实话，这东西计算量确实大，但在飞控这种多传感器、强非线性、噪声分布诡异的场景里，它比卡尔曼家族更能扛。今天这篇笔记，就聊聊怎么在飞控里把粒子滤波跑起来，以及那些坑——我踩过的，你别再踩。粒子滤波到底在干什么先别急着看公式。粒子滤波的核心思想其实很朴素：用一堆随机点（粒子）去逼近真实状态的概率分布。每个粒子代表一个可能的系统状态，比如位置、速度、姿态角。粒子越多，逼近越准，但计算量也越大。卡尔曼滤波假设噪声是高斯分布，状态转移和观测模型是线性的（或者通过雅可比近似）。但飞控里呢？加速度计的非线性、磁力计的硬铁软铁干扰、GPS多路径效应——这些都不是高斯噪声能完美描述的。粒子滤波不关心分布形状，你扔一堆粒子进去，它自己就能“长”成真实分布的样子。这里踩过坑：别以为粒子滤波能完全替代卡尔曼。在计算资源有限的飞控MCU上，粒子滤波通常只用于特定环节，比如GPS/IMU融合的初始化阶段，或者视觉SLAM的位姿估计。全程跑粒子滤波？除非你用的是带GPU的树莓派，否则STM32会直接罢工。
