许多有缺陷的传感器，一个好答案
机器人上没有任何单一传感器能讲出全部真相。轮式编码器在每一瞬间都很精确，但在湿滑地面上会打滑。IMU 能在毫秒内对运动做出反应，却会慢慢漂移。摄像头能看到丰富的细节，但在昏暗的走廊里会失明。传感器融合的思路，就是把许多有缺陷的传感器组合起来，让每个传感器的长处弥补另一个的短处，从而得出一个比任何单一传感器都更好的估计。
贯穿整篇指南的例子，是一台融合三种来源的轮式机器人：轮式里程计（计算车轮转数）、IMU（测量加速度与旋转）以及视觉（追踪摄像头图像中的地标）。编码器和 IMU 更新很快但会漂移；摄像头更新较慢，却能把机器人重新拴回世界中可识别的特征上。一个好的估计器会每秒多次把它们编织在一起。
把这一切粘合起来的数学，是一个不断维护机器人位置信念的滤波器。每一次传感器读数都会推动这个信念，而关键在于，滤波器会按照对每个读数的信任程度来加权。一个可信的传感器会强力拉动估计；一个嘈杂的传感器则几乎推不动它。融合不是求平均，而是加权信任。
航位推算为何会无止境地漂移
航位推算的意思，是从你上一个已知位置出发，把一连串细小的运动累加起来，从而估计新位置——车轮转数、航向变化、对加速度的积分。它极其自给自足：不需要 GPS，不需要地图，只用内部测量。轮式里程计就是经典例子。问题在于，每一步都带着一点点误差，而航位推算会把这些误差永远地一层层叠加上去。
由于误差不断累积、永远得不到纠正，估计便会无界漂移：机器人开得越久，它猜测的位置就离现实越远。一个打滑半个百分点的车轮、一个带着微弱偏置的陀螺仪、一个略微偏大的车轮半径——这些单独看都不吓人，但在数千步上累积起来，就会把机器人推离航线好几米。这是任何纯相对传感器的根本弱点。
解药是一个绝对参考——一种系于固定外部世界、而非系于机器人自身过去的测量。GNSS/GPS 给出全局位置。一个被识别出的地标，或一处机器人此前见过的地方，会把它钉在地图上。每一次绝对定位都会重置累积误差，所以一旦这样的测量到来，漂移就停止增长。这正是我们要把快却会漂移的里程计，与慢却接地的视觉融合起来的原因。
陷阱门诊：滤波器是怎么出错的
一个卡尔曼滤波器的好坏，完全取决于你喂给它的噪声数值，而调好这些数值，正是大多数真实系统翻车的地方。最常见的错误，是把两种噪声搞混。过程噪声描述的是你对自己运动模型的不信任程度——机器人可能在多大程度上偏离你的预测所期望的样子。测量噪声描述的，则是你对每个传感器读数的不信任程度。它们处在数学中不同的位置，必须各自独立地设定。
把这个平衡搞错，滤波器会以相反的方式失常。把过程噪声设得太低，滤波器会变得固执——它太相信自己的预测，以至于无视传感器，在突然转弯时落在后面。把测量噪声设得太低，滤波器会变得抖动——它追逐每一个嘈杂读数而颤抖。这两个旋钮彼此权衡：真正重要的是它们的比值，是这个比值决定了卡尔曼增益如何在预测与测量之间分配信任。
第二个经典陷阱，是过度信任一个有偏置的传感器。如果一个陀螺仪带着稳定的偏置，你却把它标为低噪声，滤波器就会乐呵呵地相信一个始终出错的传感器，把整个估计往偏置的方向拉。滤波器假定噪声是随机的、以零为中心的；一个恒定的偏移违背了这个假定，悄悄地毒化了答案。偏置必须被标定掉，或被建模为状态的一部分——绝不能仅仅靠「信任」把它抹平。
第三个、也是最阴险的失败，是过度自信的协方差。协方差矩阵是滤波器对「自己有多不确定」的自我汇报。如果它收缩得太厉害——因为过程噪声设得太小，或者因为一个没建好的非线性骗过了数学——滤波器就会宣布自己几乎确定，从此彻底不再听传感器的话。好的读数被当作离群点拒之门外，估计锁死在一个错误的值上，于是滤波器一边发散，一边大声坚称自己是对的。
估计技术的下一步走向
实用估计技术的前沿，是传感器之间更紧的耦合。视觉惯性里程计在很深的层次上融合摄像头与 IMU：IMU 填补摄像头各帧之间的快速运动，摄像头则纠正 IMU 的漂移，于是这一对组合远比任一单独使用都更稳健。在紧耦合中，两个传感器的原始测量进入同一个共享的优化，而不是各自先产生一个独立的猜测、事后再合并。
下一次飞跃，是把估计折叠进 SLAM——机器人一边构建地图，一边在地图中定位自己。认出一处以前到过的地方，会把累积的漂移一下子拉回正轨——这是一种强有力的绝对纠正，它来自机器人自己的记忆，而非 GPS 这类外部基础设施。估计与建图不再是两个分开的问题，而成了同一个问题的两半。
无论架构如何，底下的纪律始终不变。一个健康的滤波器，会尊重每个传感器能测与不能测的东西，对自己的不确定度保持诚实的记账，并且绝不让「图省事」压过这份诚实。每当你搭建或调试一个滤波器时，手边都备一张简短的检查清单。
- 把噪声分开：独立地设定过程噪声（对运动模型的信任）与测量噪声（对每个传感器的信任），并检查它们的比值。
- 融合之前先标定掉偏置：一个始终出错的传感器必须被纠正或建模，绝不能只是去信任它。
- 警惕过度自信：如果协方差收缩得比现实所能支撑的更快，滤波器就会拒绝好数据——盯住新息。
- 加入一个绝对参考：给快速的相对传感器配上至少一个能重置累积漂移的来源（GPS、地标、已知地点）。