📚 课程目录第3章开发环境搭建

3、开发环境搭建：安装PX4固件、QGroundControl地面站、模拟器（Gazebo/ jMAVSim）及配置

PX4无人机AI开发与传统嵌入式开发最大的区别在于：它需要同时管理飞控固件、地面站软件和仿真环境三个层面的工具链。任何一个环节的版本不匹配或配置错误，都会导致后续AI视觉识别、MAVLink通信调试无法进行。本章将系统讲解从零搭建PX4开发环境的完整流程，包括固件编译、地面站安装、模拟器选型与配置，并给出常见问题的排查方法。

3.1 核心原理：PX4开发环境的层次结构与数据流

PX4开发环境的核心设计思想是分层解耦。飞控固件（PX4 Firmware）运行在实时操作系统（NuttX）之上，负责姿态控制、状态估计、导航等核心功能；地面站（QGroundControl）运行在PC或移动设备上，通过MAVLink协议与飞控通信，提供人机交互界面；模拟器（Gazebo/jMAVSim）则模拟无人机物理模型和传感器数据，让飞控代码在PC上以软件在环（SITL）方式运行，无需真实硬件即可完成开发调试。

理解三者之间的数据流是搭建环境的前提：

模拟器 → 飞控：模拟器通过UDP端口（默认14540）发送传感器数据（IMU、GPS、气压计等）和物理状态信息给PX4固件。
飞控 → 模拟器：PX4固件计算出的电机控制指令（PWM值）通过同一UDP通道回传给模拟器，驱动仿真模型运动。
飞控 ↔ 地面站：PX4固件通过另一个UDP端口（默认14550）与QGroundControl通信，传输MAVLink消息（姿态、GPS、电池状态、任务指令等）。

这种架构使得开发者可以在不接触真实无人机的情况下，完成AI视觉识别算法的验证、MAVLink消息的调试以及飞行逻辑的测试。当需要部署到真实硬件时，只需将PX4固件编译烧录到Pixhawk等飞控板，并将通信方式从UDP改为串口/数传即可，上层AI代码几乎无需改动。

  关键概念：SITL vs HITL

  SITL（Software In The Loop）指飞控代码在PC上运行，模拟器提供虚拟传感器数据；HITL（Hardware In The Loop）指飞控代码运行在真实飞控硬件上，模拟器通过硬件接口连接。对于AI视觉开发，SITL是首选，因为它无需硬件、启动快、易于调试。

3.2 操作流程：PX4固件编译与安装

PX4固件的安装分为依赖安装、源码克隆、固件编译三个步骤。推荐使用Ubuntu 20.04或22.04 LTS系统，并确保有稳定的网络环境。

步骤一：安装基础依赖

# 更新系统包
sudo apt update && sudo apt upgrade -y

# 安装PX4工具链脚本（官方推荐）
git clone https://github.com/PX4/PX4-Autopilot.git --recursive
cd PX4-Autopilot
bash ./Tools/setup/ubuntu.sh

# 验证工具链安装
arm-none-eabi-gcc --version  # 应显示arm-none-eabi-gcc版本
cmake --version              # 应显示cmake 3.10以上版本

ubuntu.sh脚本会自动安装编译PX4所需的全部依赖，包括交叉编译器、CMake、Python包、ROS相关组件等。安装过程可能需要20-30分钟，取决于网络速度。

步骤二：编译PX4固件

# 进入PX4源码目录
cd PX4-Autopilot

# 编译SITL仿真固件（用于Gazebo）
make px4_sitl gazebo

# 编译SITL仿真固件（用于jMAVSim）
make px4_sitl jmavsim

# 编译真实硬件固件（以Pixhawk 4为例）
make px4_fmu-v5_default

编译过程中，系统会下载大量依赖包和仿真模型文件。编译完成后，终端会显示类似[100%] Built target px4的提示，并自动启动仿真环境。

步骤三：验证固件安装

编译成功后，在终端输入commander takeoff命令，如果模拟器中的无人机能够正常起飞，说明PX4固件与模拟器通信正常。此时可以打开QGroundControl，观察地面站是否显示无人机状态。

常见编译错误：如果编译过程中出现gcc: error: unrecognized command line option '-mfloat-abi=hard'，说明交叉编译器未正确安装。请重新运行bash ./Tools/setup/ubuntu.sh，并确保网络连接稳定。

3.3 操作流程：QGroundControl地面站安装与配置

QGroundControl（简称QGC）是PX4官方推荐的地面站软件，支持Windows、macOS、Linux和移动端。它提供飞行监控、任务规划、参数调优、日志分析等功能。

安装方式

# 方法一：从官网下载AppImage（推荐Linux用户）
wget https://d176tv9ibo4jno.cloudfront.net/latest/QGroundControl.AppImage
chmod +x QGroundControl.AppImage
./QGroundControl.AppImage

# 方法二：通过Ubuntu软件中心安装（仅限Ubuntu）
sudo snap install qgroundcontrol --devmode

首次启动QGC时，它会自动检测本机的PX4 SITL仿真环境。如果检测不到，可以手动配置通信连接：点击左上角"Q"图标 → 选择"应用设置" → "通信连接" → 添加UDP连接，端口设置为14550。

关键配置项

配置项	推荐值	说明
通信协议	UDP	SITL仿真默认使用UDP，真实飞行使用串口
监听端口	14550	QGC监听此端口接收MAVLink消息
目标IP	127.0.0.1	本地SITL仿真时使用回环地址
飞行模式	Stabilized/Offboard	AI开发常用Offboard模式进行外部控制

经验提醒：在QGC中，点击右上角的"齿轮"图标可以进入参数调整界面。对于AI视觉开发，建议预先设置MAV_1_CONFIG和MAV_1_MODE参数，将MAVLink通道配置为与AI计算设备通信。

3.4 模拟器选型与配置：Gazebo vs jMAVSim

PX4支持多种模拟器，其中最常用的是Gazebo和jMAVSim。两者各有优劣，选择取决于开发需求。

对比维度	Gazebo	jMAVSim
物理引擎	ODE/Bullet，支持多机器人	内置简单物理模型
传感器仿真	支持相机、激光雷达、IMU等	仅支持IMU、GPS、气压计
视觉AI支持	支持RGB相机、深度相机	不支持相机仿真
场景复杂度	支持复杂3D场景、室内外环境	仅提供简单室外场景
性能开销	较高，需要GPU加速	较低，适合低配电脑
适用场景	AI视觉识别、SLAM、多机协同	飞控逻辑验证、基础飞行测试

Gazebo配置要点

# 启动Gazebo SITL仿真
cd PX4-Autopilot
make px4_sitl gazebo

# 加载特定无人机模型（如Iris + 相机）
make px4_sitl gazebo_iris_vision

# 设置仿真参数（在QGC中）
# 将PX4_SIM_SPEED_FACTOR设置为1.0（实时仿真）
# 将SYS_AUTOSTART设置为4001（Iris无人机）

Gazebo启动后，会打开一个3D仿真窗口。可以通过鼠标拖拽旋转视角，通过键盘控制无人机（Shift+方向键）。对于AI视觉开发，Gazebo的相机仿真功能至关重要——它可以通过ROS话题发布图像数据，供YOLO等视觉模型实时处理。

jMAVSim配置要点

# 启动jMAVSim SITL仿真
cd PX4-Autopilot
make px4_sitl jmavsim

# jMAVSim启动后，会打开一个简易3D窗口
# 使用键盘控制：W/S油门，A/D转向，↑↓俯仰

jMAVSim的优势在于轻量级，启动速度快，适合快速验证飞控逻辑。但它的传感器模型过于简单，无法模拟相机、激光雷达等视觉传感器，因此不适合AI视觉开发。

重要提示：如果使用Gazebo进行AI视觉开发，务必确保电脑有独立显卡（NVIDIA GTX 1060以上），否则仿真帧率会很低，影响视觉算法测试效果。同时，建议安装ros-noetic-desktop-full，因为Gazebo的相机数据通常通过ROS话题发布。

3.5 案例拆解：从零搭建AI视觉开发环境（含排障）

下面通过一个完整案例，演示如何搭建一个用于无人机目标检测的AI开发环境。该案例将结合PX4、Gazebo、QGC和YOLOv5，实现无人机视角下的实时目标识别。

背景与目标

某AI团队需要开发一套无人机巡检系统，能够识别地面上的特定目标（如红色锥桶）。团队选择PX4 + Gazebo + YOLOv5作为技术方案，在仿真环境中完成算法验证。

初始现象与问题

按照官方文档搭建环境后，团队遇到以下问题：

Gazebo启动后，无人机模型无法正常加载，报错Model not found: iris
QGC无法连接SITL仿真，显示"等待连接"
YOLOv5无法获取Gazebo相机图像

排查与解决过程

问题1：模型加载失败

# 错误日志
[ERROR] [Gazebo] Model database path not set. Trying to load from default.
[ERROR] [Gazebo] Unable to find model[iris]

排查发现，PX4的Gazebo模型文件未正确下载。解决方法是手动下载模型库：

# 下载PX4 Gazebo模型
cd ~/.gazebo/models
git clone https://github.com/PX4/PX4-SITL_gazebo.git
# 将模型软链接到Gazebo模型目录
ln -s ~/.gazebo/models/PX4-SITL_gazebo/models/* ~/.gazebo/models/

问题2：QGC无法连接

检查发现，QGC默认监听14550端口，但PX4 SITL默认发送到14540端口。需要在QGC中添加UDP连接，监听端口设为14550，目标端口设为14540。同时，在PX4终端中确认MAVLink通道已启动：

# 在PX4 SITL终端中
mavlink start -u 14550  # 启动MAVLink UDP通道

问题3：YOLOv5无法获取图像

Gazebo的相机数据需要通过ROS话题发布。团队安装了ROS Noetic，并启动相机桥接节点：

# 启动ROS核心
roscore &
# 启动Gazebo相机桥接
rosrun gazebo_ros camera_simulator.py

然后通过rostopic list确认话题/camera/rgb/image_raw存在，即可在YOLOv5中订阅该话题进行实时检测。

结果与复盘

经过上述排查，团队成功搭建了完整的AI视觉开发环境。在Gazebo中，无人机能够稳定飞行，YOLOv5能够实时识别地面目标，检测帧率达到15FPS（GTX 1660显卡）。

复盘经验：

PX4环境搭建的80%问题源于版本不匹配，务必使用官方推荐的Ubuntu版本和PX4版本组合。
Gazebo模型加载失败时，优先检查~/.gazebo/models目录是否完整。
QGC连接SITL时，需要同时确认PX4端的MAVLink通道和QGC端的监听端口配置。
AI视觉开发中，Gazebo的相机仿真依赖ROS，建议提前安装ROS Noetic并熟悉基本话题通信。

3.6 常见误区与总结复盘

在PX4开发环境搭建过程中，初学者常犯以下错误：

误区	后果	正确做法
使用Windows子系统（WSL）运行PX4	Gazebo图形界面无法显示，USB设备无法访问	使用原生Ubuntu或双系统
直接使用`sudo make`编译	文件权限混乱，后续更新困难	使用普通用户编译，必要时用`sudo`安装依赖
忽略PX4版本与Gazebo版本的兼容性	模型加载失败、传感器数据异常	参考PX4官方文档的版本兼容表
在QGC中修改参数后不重启仿真	参数不生效，飞行行为异常	修改参数后重启SITL仿真
将AI视觉节点直接运行在PX4进程内	影响飞控实时性，可能导致飞行事故	AI视觉节点应运行在独立进程，通过MAVLink/ROS与飞控通信

  总结：搭建PX4开发环境的核心是理解"模拟器-飞控-地面站"三者的数据流关系。建议按照以下顺序操作：①安装Ubuntu系统及依赖 → ②编译PX4固件（先SITL后硬件） → ③安装QGC并配置UDP连接 → ④启动Gazebo仿真验证飞行 → ⑤集成AI视觉模块。每一步完成后都要验证，避免问题累积。

完成本章环境搭建后，开发者应具备以下能力：能够独立编译PX4固件、启动SITL仿真、通过QGC监控飞行状态、在Gazebo中加载带相机的无人机模型。这些是后续进行MAVLink通信调试和AI视觉识别开发的基础。在实际开发中，建议将环境搭建过程写成自动化脚本，便于团队协作和快速部署。