从传感器融合到 EKF 发散：聊聊飞控底层状态估计与自主飞行的本质逻辑

最近复盘了一次室内外无缝穿梭的实飞数据，想聊聊状态估计里 EKF 深度融合与顶层硬切的选择问题。

当时测试平台跑的是 PX4 架构，挂 VIO 与 RTK。在穿出厂房门洞的瞬间，RTK 卫星数从 4 颗突增到 18 颗但整周模糊度尚未固定，同时门洞光照剧变导致视觉特征点骤降。EKF2 的速度创新项（Innovation）瞬间超限，触发了协方差重置（Reset），速度估计直接跳了 1.2 m/s。位置环为了响应这个虚假阶跃，姿态前馈瞬间拉大，飞机在门洞里横滚猛甩了接近 25 度，险些刮梁。

从滤波原理上看，高斯假设在传感器退化的边界场景下基本是失效的。当两个测量源的噪声特性都在非线性突变时，底层的单个扩展卡尔曼滤波很难通过固定的卡方检验完全兜住这种发散。

现在做复杂场景的自主飞行，大家在工程上更倾向于哪种路线？

1. 依然在底层死磕单一 EKF 的多源融合，靠动态调节观测噪声协方差矩阵 R 和创新项门限来硬抗。
2. 底层退化为局部里程计（只融 IMU + 相对位姿源，保证控制环内绝对平滑），把全局坐标系对齐、漂移校正和多传感器仲裁全部扔给机载电脑，在上层通过位姿图优化（Pose Graph）或平滑转换矩阵来做。

实机落地走通这套逻辑的朋友，大家炸出来的经验更偏向哪边？