4.1 课程导入：无人机TinyML特征工程的定义、重要性、应用场景及学习路径
无人机系统在飞行过程中持续产生高维度的时序传感器数据——加速度计、陀螺仪、磁力计、气压计、GPS、电流计等，采样频率通常在100Hz到1000Hz之间。以一架典型四旋翼为例，仅IMU（惯性测量单元）每秒就会产生600到6000个数据点。若将这些原始数据直接送入TinyML模型，不仅会耗尽微控制器（MCU）有限的RAM和Flash资源，还会因噪声、冗余和维度灾难导致模型泛化能力急剧下降。特征工程正是解决这一矛盾的核心技术：它通过窗口化切分、频域变换、统计量提取和姿态标签构建，将原始传感器流转化为紧凑、稳定、判别力强的特征向量，使得在Cortex-M4级别（如STM32F4系列，192KB RAM）的MCU上也能运行高效的神经网络或决策树模型。本章作为课程的开篇，将系统阐述特征工程在无人机TinyML中的定义边界、战略价值、典型应用场景，并给出完整的学习路径图。
4.1.1 特征工程的定义与核心原理
在无人机TinyML语境下，特征工程是指从原始多通道传感器数据中，通过数学变换、统计聚合和领域知识编码，生成能够高效表征飞行状态的低维特征集合的过程。其核心原理基于三个观察：第一，无人机运动信号具有明显的周期性结构（旋翼旋转频率、机体共振频率），这些结构在频域中表现为集中的能量峰；第二，不同飞行模式（悬停、前飞、翻滚）在时域统计量（均值、方差、过零率）上呈现可区分的分布模式；第三，MCU的算力（通常为100-400MHz）和内存（通常为64-256KB）无法直接处理原始高采样率数据流，必须通过特征压缩实现信息浓缩。
特征工程在TinyML中的特殊地位体现在：它不仅是模型性能的保障，更是实时性和功耗的平衡杠杆。以STM32F411（Cortex-M4F，100MHz）为例，一次128点FFT运算约耗时0.5ms，而直接运行一个输入维度为128×6的1D-CNN单次推理可能需要15-20ms。通过特征工程将输入维度压缩至16-32维，推理时间可降至2-3ms，同时RAM占用从数十KB降至4-8KB。这种压缩不是简单的信息丢弃，而是基于无人机动力学模型的结构化降维——保留与飞行状态强相关的频段能量、姿态角变化率、振动特征等物理量。
4.1.2 特征工程的重要性：从数据到决策的桥梁
无人机飞行数据具有高噪声、非平稳、多模态耦合三大特性。高噪声来源于旋翼振动（通常在100-500Hz频段）、风扰和电磁干扰；非平稳体现在飞行状态快速切换时信号统计特性发生突变；多模态耦合则表现为加速度计、陀螺仪、磁力计信号相互影响（如机体振动耦合到加速度计输出）。若跳过特征工程直接将原始数据送入模型，会出现以下问题：
- 维度灾难：以100Hz采样、2秒窗口为例，6轴IMU数据产生1200维输入，在仅有数百个训练样本的嵌入式场景下极易过拟合。
- 计算冗余：原始数据中大量信息与飞行状态无关（如高频振动噪声），模型被迫学习噪声模式，浪费MCU算力。
- 实时性不足：高维输入导致模型参数量膨胀，推理延迟超过控制周期（通常为5-10ms），无法用于实时控制或告警。
特征工程通过以下机制解决上述问题：窗口化将连续数据流切分为有意义的分析单元，频域变换（FFT、功率谱密度）将时域信号分解为频率分量，使旋翼基频（如四旋翼典型转速4000-8000RPM对应66-133Hz）及其谐波成为显式特征；统计量提取（均值、标准差、峰峰值、均方根）捕获信号的宏观趋势和波动强度；姿态标签构建则将连续物理量离散化为类别标签（如悬停、前飞、左滚转），为监督学习提供训练目标。
| 对比维度 | 原始数据直接建模 | 特征工程后建模 |
|---|---|---|
| 输入维度（2s窗口） | 6轴 × 200样本 = 1200维 | 32-64维（统计量+频域特征） |
| RAM占用（模型+特征） | 80-120KB | 8-16KB |
| 单次推理延迟（Cortex-M4） | 15-25ms | 1-3ms |
| 训练所需样本数 | 5000+ | 500-1000 |
| 对噪声鲁棒性 | 低（模型易过拟合噪声） | 高（频域滤波天然抑噪） |
4.1.3 典型应用场景深度解析
场景一：飞行模式识别。在农业植保无人机中，需要区分“匀速巡航喷洒”和“地头转弯”两种模式以调整喷洒流量。通过提取IMU的频域特征——特别是偏航角速度的功率谱密度在0.5-2Hz频段的能量占比——可以准确识别转弯动作。实际部署中，在STM32G474上使用128点FFT提取8个频段能量特征，配合决策树模型（深度≤5），实现了99.2%的分类准确率，推理时间仅0.8ms。
场景二：异常检测。物流无人机在飞行中需要实时监测电机健康状态。当电机轴承磨损时，振动信号在1000-2000Hz频段会出现特征性边带。通过计算加速度计信号的功率谱密度在特定频段的能量比值（如高频能量/总能量），并设置自适应阈值，可以在故障发生前5-10秒发出预警。某物流无人机团队在实机测试中，利用该特征成功提前8秒检测到电机轴承故障，避免了坠机事故。
场景三：姿态估计辅助。在GPS拒止环境下（如隧道、室内），无人机依赖IMU进行姿态解算。传统互补滤波在剧烈机动时会产生较大漂移。通过提取加速度计和陀螺仪的时域特征（如加速度幅值方差、角速度变化率），输入小型LSTM网络（隐藏单元16个），可以修正滤波器的增益参数，将姿态角误差从±5°降低至±1.5°。该方案在Cortex-M7上运行，额外RAM开销仅3.2KB。
4.1.4 常见误区与课程学习路径
误区一：特征越多越好。在TinyML场景中，每个额外特征都意味着更多的RAM存储（特征缓冲区）、更长的计算时间（特征提取）和更大的模型输入维度。实践中，20-40个精心设计的特征通常优于100个粗糙特征。建议使用前向特征选择或L1正则化进行特征筛选。
误区二：忽视窗口长度的物理意义。窗口长度应与被分析信号的周期匹配。例如，识别悬停/巡航模式需要至少1-2秒窗口以捕获完整的姿态调整周期；而检测电机故障则需要更短窗口（0.2-0.5秒）以捕捉瞬态冲击。固定窗口长度会导致某些模式无法被有效表征。
误区三：标签构建过于粗糙。在姿态估计中，若仅使用“水平/倾斜”二分类标签，模型无法区分小幅倾斜和大幅倾斜，导致控制精度不足。应采用连续值回归标签（如欧拉角）或细粒度离散标签（每10°一个类别）。
误区四：忽略特征提取的计算开销。FFT虽然强大，但在低端MCU上计算128点FFT需要约0.5ms，若每个控制周期（5ms）都要执行，将占用10%的CPU时间。需要评估特征提取的总耗时是否满足实时性预算。
本课程的学习路径遵循“数据→特征→模型→部署”的工程主线，共分为五个阶段：
- 基础阶段（第1-5章）：掌握无人机传感器数据特性、窗口化设计原则、时域/频域特征提取方法，以及姿态标签的构建规范。
- 进阶阶段（第6-12章）：深入频域特征工程（FFT、功率谱密度、小波变换）、特征降维（PCA、自动编码器）和特征选择方法，并结合具体飞行模式识别案例进行实战。
- 应用阶段（第13-20章）：聚焦异常检测、姿态估计、剩余寿命预测等高级应用，学习如何针对不同任务设计专用特征集。
- 优化阶段（第21-26章）：探讨特征工程与模型架构的联合优化、量化感知特征设计、以及特征提取的硬件加速（CMSIS-DSP）。
- 综合实战（第27-30章）：完成一个完整的无人机TinyML项目——从传感器数据采集、特征工程流水线搭建、模型训练到MCU部署与调优。