第一章 课程导入：无人机低功耗推理的背景、学习目标、课程整体框架与适用场景
无人机在巡检、测绘、农业植保和应急救援等场景中的智能化程度正在快速提升，但一个核心矛盾日益突出：机载算力需求与电池能量供给之间的鸿沟。以典型四旋翼无人机为例，一块6S 5000mAh锂电池的总能量约为110Wh，其中悬停功耗约150W，这意味着即使不搭载任何计算负载，满电续航也只有40分钟左右。而一颗中端AI加速芯片（如NVIDIA Jetson Orin NX）在满负荷推理时的功耗可达25W，相当于直接缩短了约15%的续航时间。更严峻的是，无人机在飞行过程中需要持续执行目标检测、语义分割、路径重规划等推理任务，这些任务如果以固定频率、固定模型规模运行，往往会导致电量在任务完成前耗尽，或者为了省电而牺牲了必要的感知精度。
本课程正是围绕这一工程难题展开，聚焦于“如何在有限电量预算下，通过动态调度推理频率、模型精度和计算资源，最大化任务完成质量”。我们将从电池放电模型、推理能耗建模、任务调度算法三个层面，构建一套可落地、可量化的低功耗推理方案。
上图展示了本课程的核心逻辑框架：能量约束层提供电池与功耗的物理边界，推理决策层在边界内选择最优的推理参数，任务调度层则负责将有限的计算资源分配给不同价值的任务，三者形成闭环。下面我们详细展开课程背景、学习目标与整体框架。
1.1 课程背景：为什么低功耗推理是无人机智能化的必答题
无人机智能化程度越高，对机载AI推理的依赖越强。以电力巡检为例，无人机需要实时识别绝缘子缺陷、检测导线异物，推理频率通常要求不低于10Hz，否则无法在高速飞行中捕捉到关键缺陷。但高频率推理带来的功耗增长是显著的：在Jetson Orin NX上运行YOLOv5s模型，FP16精度下功耗约12W，若将频率从10Hz提升到20Hz，功耗会增加到18W以上。对于续航仅30分钟的无人机而言，这意味着任务窗口缩短了8-10分钟。
更复杂的是，无人机飞行过程中的功耗并非恒定。悬停时功耗约150W，以8m/s巡航时功耗约180W，而遇到逆风或急加速时瞬时功耗可超过250W。这种动态变化的飞行功耗与推理功耗叠加，使得电量管理成为一个实时随机优化问题。如果采用保守策略（始终以最低推理频率运行），虽然能保证安全返航，但会漏检大量目标；如果采用激进策略（始终以最高频率推理），则可能因电量耗尽而坠机。
因此，低功耗推理不是简单的“降低功耗”，而是在任务质量与飞行安全之间寻找动态最优平衡。这需要我们从系统层面理解电池放电特性、推理芯片能耗模型、任务价值函数，并设计出能够实时响应环境变化的调度算法。
1.2 学习目标：学完本课程你将具备的能力
本课程面向无人机系统工程师、算法部署工程师和嵌入式AI开发者，学完课程后，你将能够：
- 建立电量预算模型：根据电池容量、飞行剖面和推理负载，估算不同任务场景下的可用推理能量预算，误差控制在±10%以内。
- 量化推理能耗：掌握推理芯片（GPU/NPU）在不同精度、不同频率下的功耗测量方法，建立能耗查找表或回归模型。
- 设计自适应调度策略：实现基于剩余电量、任务价值和环境复杂度的动态推理频率调整算法，在保证安全返航的前提下，将任务完成率提升20%以上。
- 应用模型轻量化技术：根据电量紧张程度，动态切换FP32/FP16/INT8模型，或裁剪检测框数量，实现精度与功耗的平滑权衡。
- 构建故障应急机制：当电量低于安全阈值或推理芯片过热时，自动降级到低功耗模式，确保无人机能安全降落。
1.3 课程整体框架：从物理基础到系统实战
本课程共30章，分为五个模块，每个模块解决一个层面的问题：
| 模块 | 章节范围 | 核心内容 | 关键输出 |
|---|---|---|---|
| 模块一：能量与功耗基础 | 第1-6章 | 电池放电模型、飞行功耗估算、推理芯片能耗建模、电量传感器融合 | 电量预算计算器、功耗测量规范 |
| 模块二：推理优化技术 | 第7-14章 | 模型量化、剪枝、知识蒸馏、动态分辨率调整、推理引擎优化 | 模型压缩工具链、精度-功耗权衡曲线 |
| 模块三：任务调度算法 | 第15-22章 | 固定优先级调度、动态电压频率调节、模型自适应选择、任务价值函数设计 | 自适应调度器原型、仿真验证平台 |
| 模块四：系统集成与验证 | 第23-27章 | 软硬件协同设计、实时操作系统集成、半实物仿真、飞行测试方法 | 完整低功耗推理系统、测试报告模板 |
| 模块五：行业案例与前沿 | 第28-30章 | 电力巡检、农业植保、应急救援案例复盘，边缘端大模型推理趋势 | 行业解决方案白皮书 |
每个章节都包含核心原理、操作流程、案例拆解、常见误区四个模块，确保理论与实践紧密结合。课程中的代码示例基于Python和C++，硬件平台以NVIDIA Jetson系列和瑞芯微RK3588为主，但方法论可迁移到任何嵌入式AI平台。
1.4 适用场景：哪些项目最需要这门课程
本课程特别适合以下三类项目场景：
- 长航时巡检任务：如输电线路巡检，单次任务需飞行25分钟以上，覆盖5公里线路，要求至少90%的缺陷检出率。这类场景对电量预算极其敏感，推理频率每降低1Hz，可能多飞1.5公里。
- 动态目标跟踪：如安防监控无人机，需要以20Hz以上频率锁定移动目标，同时保持足够的留空时间。这类场景需要根据目标运动速度动态调整推理频率，目标速度快时提高频率，目标丢失时降低频率以节省电量。
- 应急搜救：在灾害现场，无人机需要在未知环境中搜索幸存者，任务价值随时间衰减（越早找到越好），但电量有限。这类场景需要设计任务价值函数，将电量优先分配给高价值时段。
1.5 案例拆解：一个电力巡检任务的电量预算初算
为了让大家对“电量预算”有直观认识，我们以一个典型的电力巡检任务为例进行初步计算。假设无人机为四旋翼，搭载Jetson Orin NX（功耗可调范围5W-25W），电池为6S 8000mAh（能量约177Wh），任务要求如下：
- 飞行剖面：起飞爬升（2分钟，功耗220W）→ 巡航巡检（20分钟，功耗180W）→ 返航降落（3分钟，功耗160W）
- 推理需求：实时检测绝缘子缺陷，目标频率15Hz，模型为YOLOv5s（FP16，单帧推理功耗约0.8J）
- 安全要求：降落时剩余电量不低于15%
初步计算：
总可用能量 = 177Wh × 0.85（安全系数）= 150.45Wh
飞行总能耗 = (220W×2min + 180W×20min + 160W×3min) / 60 = (440 + 3600 + 480) / 60 = 75.33Wh
剩余可用于推理的能量 = 150.45 - 75.33 = 75.12Wh
推理总能耗 = 15Hz × 0.8J × 25min × 60s = 18000J = 5Wh
推理能耗占比 = 5 / 150.45 ≈ 3.3%从初算看，推理能耗占比不高，但实际中问题更复杂：如果环境风速增大，巡航功耗从180W升至220W，飞行能耗将增加13.3Wh，推理可用能量降至61.8Wh。此时如果仍保持15Hz推理，虽然能耗不变，但安全返航余量被压缩。更关键的是，如果推理芯片长时间高负载运行导致温度升高，芯片会主动降频，单帧推理能耗可能从0.8J升至1.2J，推理总能耗变为7.5Wh，进一步挤压安全余量。
这个案例揭示了低功耗推理的核心挑战：飞行功耗的动态变化与推理芯片的热效应相互耦合，使得静态的电量预算方案失效。因此，我们需要实时监测飞行功耗、芯片温度和剩余电量，动态调整推理频率。例如，当检测到巡航功耗超过200W时，将推理频率从15Hz降至10Hz，虽然可能漏检少量目标，但能确保安全返航。
1.6 总结与复盘：课程学习路径建议
本章作为课程导入，我们建立了三个关键认知：
- 问题本质：无人机低功耗推理是一个“能量-精度-安全”三方博弈问题，不能孤立地优化推理功耗。
- 解决框架：需要从能量约束层、推理决策层、任务调度层三个层面协同设计，形成闭环反馈。
- 工程实践：电量预算不是一次性的静态计算，而是需要根据飞行状态、芯片温度、任务价值实时调整的动态过程。
在后续章节中，我们将逐一深入这些主题。第2-6章将建立能量与功耗的精确模型，第7-14章介绍推理优化技术，第15-22章讲解调度算法，第23-27章进行系统集成与验证，最后通过行业案例巩固所学。建议学习者按照顺序学习，每章完成后动手完成课后实验，尤其是电量预算计算器的实现和推理功耗测量实验，这些基础技能将贯穿整个课程。