4、本地判断原理：基于规则（阈值、逻辑）与基于模型（机器学习、深度学习）的本地告警判断方法

无人机边缘告警的核心在于“本地判断”——即在机载计算单元（如STM32、NXP i.MX8、NVIDIA Jetson或FPGA）上，利用传感器数据（IMU、GPS、气压计、视觉、毫米波雷达等）实时判断是否触发告警。这一判断过程并非单一算法，而是由两类方法构成：基于规则（阈值比较、逻辑组合、状态机）和基于模型（机器学习分类、深度学习回归/异常检测）。两类方法在计算开销、可解释性、泛化能力和部署难度上差异显著，实际工程中往往采用“规则兜底+模型增强”的混合架构。本章将深入剖析两种方法的原理、实现路径、适用场景及常见误区，并给出一个完整的边缘告警判断案例。

基于规则（Rule-based） 基于模型（Model-based） 阈值比较 高度/速度/电压/温度 逻辑组合 AND/OR/NOT/状态机 典型：GPS失锁 + 高度变化率 > 阈值 → 触发“定位异常”告警 优点 可解释性强、计算开销极小、调试直观 缺点 阈值难设定、泛化差、无法捕捉复杂模式 适用：固定场景、安全兜底、快速响应 如电池低压、电机堵转、GPS失锁 机器学习 SVM/随机森林/XGBoost 深度学习 CNN/LSTM/自编码器 典型：IMU时序特征 → 异常检测模型 → 输出异常概率 > 0.85 → 告警 优点 能捕捉非线性、时序、多传感器耦合模式 缺点 需训练数据、算力要求高、可解释性弱 适用：复杂环境、视觉避障、振动异常 需边缘AI芯片或GPU/NPU加速 混合架构：规则兜底（安全关键）+ 模型增强（复杂场景）

上图展示了两种本地判断方法的核心分支与典型特征。基于规则的方法直接、透明，适合处理已知的、边界明确的异常；基于模型的方法则擅长从历史数据中学习隐含模式，适合处理难以用固定阈值描述的复杂异常。实际部署时，两者并非互斥，而是互补——规则负责“保底”，模型负责“提升”。下面分别展开。

4.1 基于规则的本地告警判断

4.1.1 核心原理：阈值与逻辑的确定性映射

基于规则的判断本质上是将传感器读数映射到告警状态的一种确定性函数。其数学表达为：若 f(sensor_value) ∈ [lower_bound, upper_bound] 或满足特定逻辑组合，则输出告警。规则设计遵循三个原则：单变量阈值（如电压低于3.5V）、多变量逻辑组合（如GPS失锁且高度变化率大于2m/s）、状态机迁移（如从“正常”状态到“警告”状态需连续3帧满足条件）。

在工程实现上，规则通常以查表或if-else链形式固化在固件中。例如，对于电池电压监测，规则可定义为：

if (battery_voltage < 3.5f && battery_voltage > 3.3f) {
    alarm_level = WARNING;   // 低压警告
} else if (battery_voltage <= 3.3f) {
    alarm_level = CRITICAL;  // 低压严重告警
    trigger_landing();       // 触发强制降落
}

这种方法的优势在于零学习成本、微秒级响应、完全可解释。但缺陷同样明显：阈值需要人工标定，且对传感器噪声敏感。例如，气压计在强风环境下可能产生±1.5m的抖动，若高度阈值设为2m，则可能误报。

4.1.2 判断方法：从单阈值到状态机

实际工程中，规则判断并非简单的if-else，而是采用分层状态机（Hierarchical State Machine）来管理告警逻辑。以无人机降落为例，状态机包含：飞行中 → 低电量检测 → 确认阶段（连续3帧） → 触发降落 → 降落中 → 落地确认。每个状态迁移都对应一组规则条件，且引入滞回比较器（Hysteresis）避免临界抖动。滞回比较器的原理是：当电压低于3.5V时触发告警，但需电压回升至3.7V才解除告警，防止在阈值附近反复切换。

此外，规则判断还需考虑时间窗口。例如，GPS失锁持续超过2秒才告警，而非瞬时失锁即告警，因为GPS信号短暂遮挡（如飞过树梢）是正常现象。时间窗口可通过滑动窗口计数器实现：

if (gps_lost) {
    lost_counter++;
    if (lost_counter > 20) {  // 假设每100ms一帧，20帧=2秒
        alarm_gps_lost = true;
    }
} else {
    lost_counter = 0;
}

4.1.3 案例拆解：基于规则的“低电量+高度异常”联合告警

背景与约束：某四旋翼无人机执行巡检任务，机载电池为6S锂聚合物电池（满电25.2V，截止电压22.2V）。任务要求：电量低于23.5V时必须触发“返航”告警，低于22.8V时触发“强制降落”告警。同时，若在低电量状态下高度超过50m，需提前触发“高度异常”警告，因为下降需要额外能量。

初始现象：在一次飞行中，无人机在30m高度巡航，电池电压从23.8V快速下降至23.2V（负载增大导致压降）。若仅按电压阈值判断，会立即触发返航，但实际电池仍有足够电量。

分析判断过程：引入电压恢复率规则——当电压低于23.5V时，不立即告警，而是观察2秒内的电压变化率。若电压回升至23.6V以上，则判定为瞬时压降，不触发告警；若持续低于23.5V，则触发返航。同时，结合高度规则：若高度>50m且电压<23.5V，则直接触发“高度异常+返航”组合告警。

实际操作步骤：

  1. 在飞控代码中定义电压阈值 VOLT_LOW = 23.5f，VOLT_CRITICAL = 22.8f；
  2. 设置滑动窗口，每100ms采样一次电压，计算2秒内的平均变化率 dv/dt；
  3. 若 voltage < VOLT_LOW 且 dv/dt > -0.1V/s（即电压下降缓慢），则判定为真实低电量，触发返航；
  4. 若 voltage < VOLT_LOW 且 altitude > 50m，则立即触发“高度异常”告警，并提前开始下降。

结果对比：加入电压恢复率规则后，误报率从每10次飞行2次降至0次，且未出现因瞬时压降导致的紧急降落。代价是增加了约200字节的代码和2秒的延迟，但安全性显著提升。

复盘经验：规则设计必须结合物理意义（如电压压降与负载的关系），不能机械地设定单一阈值。同时，滞回比较器和时间窗口是抑制噪声的两大利器。

4.1.4 常见误区与总结

误区1：阈值设置“一刀切”。不同飞行阶段（起飞、巡航、降落）的传感器特性不同，应使用分段阈值。例如，起飞时电机电流大，电压下降快，此时低电压阈值应适当放宽。
误区2：忽略传感器噪声。直接使用原始ADC值进行阈值比较，会导致频繁误报。应先用低通滤波（如一阶IIR滤波器）平滑数据。
误区3：规则之间相互冲突。例如，“低电量返航”和“GPS失锁悬停”同时触发时，应定义优先级（返航优先于悬停）。

基于规则的方法适合处理已知的、边界清晰的异常，是无人机安全兜底的最后一道防线。但面对复杂环境（如视觉识别障碍物、振动模式异常），规则往往力不从心，此时需要引入基于模型的方法。

4.2 基于模型的本地告警判断

4.2.1 核心原理：从数据中学习异常模式

基于模型的方法不再依赖人工设定阈值，而是通过监督学习（分类）或无监督学习（异常检测）从历史数据中自动提取特征和决策边界。其核心思想是：将传感器时序数据（如IMU六轴数据、电机电流、GPS轨迹）转换为特征向量，输入到模型中，输出告警类别或异常概率。

在边缘部署中，模型需满足三个约束：低延迟（单次推理<10ms）、小内存（模型文件<10MB）、低功耗（推理功耗<1W）。因此，常用的模型包括：

  • 传统机器学习：随机森林（Random Forest）、梯度提升树（XGBoost）、支持向量机（SVM）。适合特征工程明确、数据量较小的场景（如振动异常分类）。
  • 轻量级深度学习：MobileNetV3（视觉）、TinyLSTM（时序）、1D-CNN（传感器信号）。适合需要自动特征提取的场景。
  • 自编码器（Autoencoder）：无监督异常检测，通过重构误差判断异常。适合无标签数据场景（如电机健康监测）。

4.2.2 判断方法：从训练到推理的完整流程

基于模型的告警判断分为离线训练和在线推理两个阶段。离线训练流程如下：

  1. 数据采集：在无人机上部署数据记录仪，采集正常飞行和各类故障场景下的传感器数据（采样率通常为100Hz-1kHz）。
  2. 数据标注：由专家对数据进行标注，如“正常”、“电机堵转”、“螺旋桨损伤”、“GPS欺骗”等。
  3. 特征工程（传统ML）：提取时域特征（均值、方差、峰值）、频域特征（FFT频谱能量）、时频特征（小波变换）。
  4. 模型训练与量化：训练模型后，使用TensorRT或ONNX Runtime进行INT8量化，将模型大小压缩至原来的1/4，推理速度提升2-3倍。

在线推理时，边缘设备加载量化后的模型，对实时数据流进行滑动窗口处理（如每2秒一个窗口，窗口重叠50%），输出告警结果。例如，使用1D-CNN对IMU信号进行异常检测的伪代码如下：

// 假设模型输入为 6通道×200个时间步（2秒窗口）
float input[6][200];
memcpy(input, imu_buffer, sizeof(input));
// 执行推理
float output[3];  // 正常/警告/严重
model_predict(input, output);
if (output[2] > 0.8f) {  // 严重概率大于80%
    trigger_alarm(CRITICAL);
}

4.2.3 案例拆解：基于LSTM的无人机振动异常检测

背景与约束：某工业无人机在长时间飞行后，电机轴承出现磨损，导致振动加剧。传统阈值方法（如振动幅度>5g）无法区分“正常磨损”和“突发故障”，且不同电机的基线振动不同。目标：在边缘端（STM32H7 + 外部NPU）实现振动异常早期预警。

初始现象：无人机在飞行第200小时后，振动信号出现间歇性尖峰，但幅度未超过安全阈值。第250小时，电机温度升高5℃，但仍在正常范围。

关键输入数据：三轴加速度计（采样率1kHz），每2秒提取一个窗口，计算FFT频谱，选取0-500Hz频段的能量分布作为特征。共采集正常数据5000个窗口，故障数据200个窗口（通过人为注入不平衡负载模拟）。

分析判断过程：采用LSTM网络（2层，每层32个隐藏单元）对时序特征建模。输入为6通道×200时间步的原始IMU数据，输出为“正常/异常”二分类概率。训练时使用交叉熵损失，Adam优化器，学习率0.001。由于故障样本较少，采用数据增强（添加高斯噪声、时间扭曲）扩充至800个窗口。

实际操作步骤：

  1. 在PC上训练LSTM模型，验证准确率达96.5%，召回率92%；
  2. 使用TensorFlow Lite将模型转换为INT8量化版本，模型大小从2.3MB压缩至0.6MB；
  3. 部署到边缘NPU（如Coral Edge TPU），实测推理延迟为8ms，满足10ms要求；
  4. 在飞控中集成告警逻辑：若异常概率连续3个窗口（6秒）超过0.7，则触发“振动异常”告警，并建议降低飞行速度。

结果对比：在后续200小时的飞行测试中，模型在第210小时检测到早期异常（概率0.75），比传统阈值方法提前了约40小时。代价是误报率约1.2%（每100小时约1次），可通过调整概率阈值至0.8将误报率降至0.5%。

复盘经验：模型方法需要高质量标注数据，且对数据分布漂移敏感（如不同季节温度影响振动基线）。建议定期用新数据微调模型，或采用在线自适应学习（如增量学习）。

4.2.4 常见误区与总结

经验1：模型不是越复杂越好。在边缘端，2层LSTM往往优于10层Transformer，因为数据量有限且算力受限。
经验2：必须做模型量化与剪枝。FP32模型在边缘端推理速度慢且耗电，INT8量化是标配。
经验3：模型输出需要后处理。直接使用原始概率触发告警会导致抖动，应使用滑动平均或滞回比较。

基于模型的方法擅长处理非线性、时序、多传感器耦合的复杂异常，但需要充足的数据和算力支持。在无人机边缘告警中，建议采用“规则兜底+模型增强”的混合架构：规则处理已知的、安全关键的异常（如电池低压、GPS失锁），模型处理未知的、复杂的异常（如振动、视觉障碍）。

4.3 混合判断架构与工程实践

实际部署中，两种方法并非二选一，而是协同工作。下表对比了两种方法的关键特性，帮助工程师根据场景选择：

维度基于规则基于模型
计算开销极低（<1ms）中等（5-20ms）
可解释性完全可解释黑盒/灰盒
数据需求无需训练数据需大量标注数据
泛化能力差（仅限已知场景）较好（可泛化到相似场景）
误报率高（阈值附近易抖动）低（但存在分布外误报）
典型应用电池低压、GPS失锁、电机堵转振动异常、视觉避障、飞行动作识别

混合架构的设计原则是：安全关键告警必须用规则（如电池电压、IMU饱和），非安全关键但影响任务完成的告警用模型（如视觉识别到前方树枝）。同时，规则可以作为模型的“安”——当模型输出异常概率超过0.9时，即使规则未触发，也强制进入保守模式（如降低飞行速度）。

工程建议：在飞控代码中，将规则判断放在高优先级中断服务函数（ISR）中，确保微秒级响应；将模型推理放在低优先级任务中，通过消息队列传递告警结果。同时，为模型设置“看门狗”——若模型推理连续失败（如NPU挂起），则自动切换为纯规则模式，保证系统不失控。

综上所述，本地判断原理的核心在于理解两种方法的适用边界。基于规则的方法提供了确定性和安全性，基于模型的方法提供了智能性和适应性。优秀的边缘告警系统，必然是两者深度融合的产物——用规则守住底线，用模型拓展上限，最终实现无人机在复杂环境下的可靠自主飞行。

← 上一章 📖 返回目录 下一章 →