场景：小到几乎看不见的自主机器人
Worcester Polytechnic Institute 机器人工程系的 Nitin Sanket 希望有一天，一架无人机从你身边飞过，你几乎不会注意到。
他的设想是微型无人机群：授粉、灾后搜救、送包裹、做娱乐，甚至当宠物。灵感来自昆虫和蜂鸟——能在杂乱环境里穿行、动态躲开移动障碍、穿过狭小空隙。
一个硬约束
这些能力必须只用机载感知与计算完成：不用 GPS、不用云端算力，最终也不依赖动捕。
原因很实际：一旦进入野外或灾害现场，外部支持就没有了。森林里空间狭窄、气流扰动强，机体必须自己判断。
所以实验室阶段的动捕，作用不是"帮它飞"，而是当裁判——提供与机载估计无关的位置真值。
能测到什么数据
| 类别 | 指标 | 单位 | 说明 |
|---|---|---|---|
| 定位精度 | 机载估计 vs 真值偏差 | mm | 视觉/IMU 融合的实际精度 |
| 轨迹跟踪 | 位置误差（RMS / 峰值） | mm | 控制器性能 |
| 轨迹跟踪 | 速度误差 | m/s | 高速段是否跟得上 |
| 避障 | 最小通过间距 | mm | 安全边界 |
| 避障 | 障碍响应时间 | ms | 从检测到机动 |
| 姿态 | 滚转 / 俯仰角波动 | ° | 稳定性、抗扰 |
| 姿态 | 偏航漂移 | °/min | 无磁力计场景的累积误差 |
| 环境 | 风扰下的位置偏移 | mm | 抗扰能力 |
这些数字怎么用
和工业界的连接
这套方法不只服务无人机。任何"移动平台 + 自主定位"的场景都能套用：AGV 导航、机械臂末端定位、水下机器人、甚至人形机器人的行走控制。
共同指标都是那几个：位置误差、姿态误差、响应时间、抗扰能力。
