PX4与AI基础：掌握PX4自动驾驶仪架构、MAVLink通信协议、机载计算机与飞控的协作方式，以及AI模块在PX4系统中的典型接入位置

在无人机AI验收体系中，PX4自动驾驶仪是承载AI能力的基础平台。无论是目标识别、避障决策还是自主路径规划，AI模块都必须与PX4飞控系统进行高效、可靠的交互。本章将深入剖析PX4的软件架构、MAVLink通信协议、机载计算机与飞控的协作模式，并明确AI模块在PX4系统中的典型接入位置，为后续章节中识别率测试、控制延迟分析和安全性验证奠定坚实的架构基础。

2.1 PX4自动驾驶仪架构核心原理

PX4是一个开源的、面向无人机和无人系统的飞行控制软件栈，其架构设计遵循模块化与实时性两大原则。理解PX4架构是掌握AI接入的前提，因为AI模块无论以何种方式接入，都必须与PX4的既有模块进行数据交换和指令交互。

PX4的软件架构从底层到上层可分为四个关键层次：实时操作系统（RTOS）层、驱动与中间件层、飞行控制核心层以及外部接口层。在NuttX RTOS之上，PX4使用uORB（Micro Object Request Broker）作为内部异步消息传递机制，所有传感器数据、状态估计结果和控制指令都以uORB话题（Topic）的形式在模块间流转。例如，传感器原始数据通过驱动发布到sensor_imu、sensor_baro等话题，姿态估计器订阅这些话题并发布vehicle_attitude，而控制器则订阅姿态和位置话题，输出执行器指令到actuator_outputs。

对于AI模块而言，PX4架构提供了两种天然的交互通道：一是通过MAVLink外部协议与机载计算机通信，二是通过修改或扩展PX4内部模块直接接入uORB总线。前者适用于算力需求大、需要灵活部署的AI应用（如视觉避障），后者适用于对实时性要求极高、需要与飞控核心循环紧密耦合的算法（如故障检测）。

2.2 MAVLink通信协议：AI与飞控的“通用语言”

MAVLink（Micro Air Vehicle Link）是一种专为无人机设计的轻量级通信协议，广泛应用于PX4、ArduPilot等飞控系统。它定义了消息的封装格式、校验机制和标准消息集，支持点对点、广播和组播等多种通信模式。在AI系统中，MAVLink是机载计算机与飞控之间最常用的通信桥梁。

MAVLink协议的核心优势在于其消息定义的高度结构化。每条消息包含消息ID、目标系统ID、组件ID以及载荷数据。对于AI应用，最常用的消息包括：

• HEARTBEAT：用于检测链路状态和系统健康度，AI模块通过周期性心跳判断飞控是否在线。
• SET_POSITION_TARGET_LOCAL_NED：Offboard模式下，AI模块通过该消息向飞控发送期望的位置、速度或加速度设定点。
• ATTITUDE 和 LOCAL_POSITION_NED：AI模块订阅这些消息获取无人机当前姿态和位置信息，作为感知和决策的输入。
• DISTANCE_SENSOR：当AI模块处理激光雷达或视觉深度数据时，可通过该消息将障碍物距离信息发送给飞控，用于避障。

在实际工程中，MAVLink的通信链路通常采用UART串口（如115200或921600波特率）或UDP/IP（通过WiFi或4G）。对于AI验收测试，通信延迟是一个关键指标。例如，从AI模块发出设定点消息到飞控响应执行，端到端延迟应控制在10-20ms以内，否则会影响控制品质。

2.3 机载计算机与飞控的协作方式

在典型的PX4+AI系统中，机载计算机（如NVIDIA Jetson Orin、Raspberry Pi或Intel NUC）负责运行深度学习模型、复杂路径规划算法等计算密集型任务，而飞控（FMU）则负责低延迟的姿态控制、传感器融合和安全保护。两者通过MAVLink协议进行协作，形成“感知-决策-执行”的闭环。

协作模式主要分为三种：Offboard模式、辅助控制模式和数据透传模式。

1. Offboard模式（外部控制）：AI模块完全接管无人机的运动控制。它订阅飞控的状态信息，运行AI算法计算期望轨迹，然后通过SET_POSITION_TARGET_LOCAL_NED消息发送设定点。飞控内部的控制器负责将设定点转换为舵机/电机指令。此模式适用于自主巡检、动态避障等场景。
2. 辅助控制模式（AI辅助）：飞控仍负责主要控制，AI模块仅提供辅助信息。例如，AI视觉模块检测到前方障碍物，通过MAVLink发送OBSTACLE_DISTANCE消息，飞控内部的避障模块结合自身传感器数据调整航线。此模式安全性更高，因为飞控始终保留最终控制权。
3. 数据透传模式（感知增强）：AI模块仅作为传感器数据的预处理单元。例如，将摄像头原始图像通过机载计算机处理后，生成障碍物距离或目标位置信息，再通过MAVLink发送给飞控。飞控将这些信息视为额外的传感器输入。

2.4 AI模块在PX4系统中的典型接入位置与实战案例

根据AI功能的不同，其接入PX4系统的位置也有所差异。从系统架构角度看，主要有三个接入点：外部机载计算机（通过MAVLink）、内部PX4模块（通过uORB）以及混合接入。下面通过一个视觉避障系统的案例来具体说明。

案例：基于YOLOv5的视觉避障系统接入PX4

背景与约束：某电力巡检无人机需要在高压线塔附近自主飞行，要求能够识别电线、塔架等障碍物并自动绕飞。机载计算机选用NVIDIA Jetson Orin NX（算力100 TOPS），飞控为Pixhawk 6X（FMUv6X）。通信链路采用UART串口，波特率921600，同时使用UDP备份链路。

初始现象与目标：初始系统仅依赖飞控自带的距离传感器（激光雷达），无法识别细小的电线，导致避障失败率高达30%。目标是将视觉识别结果接入飞控，将避障成功率提升至95%以上，且控制延迟不超过50ms。

关键输入数据与参数：

• 摄像头：1920x1080@30fps，视场角90°
• YOLOv5s模型：输入尺寸640x640，推理时间约15ms（TensorRT加速）
• MAVLink消息频率：设定点发送20Hz，障碍物距离发送10Hz
• PX4参数：COM_OBL_ACT设置为1（保持最后有效设定点），NAV_ACC_RAD设置为0.5m

分析判断过程：首先，我们评估了三种接入方案。方案一（Offboard模式）虽然控制灵活，但一旦视觉算法出现误检或延迟抖动，飞控会直接执行错误指令，风险较高。方案二（辅助控制模式）将视觉避障结果作为OBSTACLE_DISTANCE消息注入，飞控内部的安全算法会结合激光雷达数据综合判断，安全性更好。方案三（数据透传）仅将视觉目标位置发送给飞控，由飞控的路径规划模块处理，但PX4内置规划器对动态障碍物支持有限。最终选择方案二。

实际操作步骤：

1. 在Jetson上部署YOLOv5s模型，使用TensorRT优化，确保推理时间稳定在15ms以内。
2. 编写MAVLink通信程序，使用pymavlink库，订阅LOCAL_POSITION_NED和ATTITUDE消息，同时以20Hz频率发送SET_POSITION_TARGET_LOCAL_NED（用于正常路径跟踪）。
3. 当视觉检测到障碍物时，计算障碍物相对于无人机的距离和方位，封装为OBSTACLE_DISTANCE消息发送给飞控。
4. 在PX4中启用避障模块（设置COM_OBS_AVOID为1），并配置OBSTACLE_DISTANCE消息的坐标系为机体坐标系。
5. 进行地面联调，使用QGroundControl观察MAVLink消息的收发频率和内容，确保数据正确。

结果对比：接入视觉避障后，在模拟线缆场景下进行10次飞行测试，避障成功率从70%提升至96%。控制延迟（从视觉识别到飞控响应）平均为38ms，满足50ms的指标要求。在误检方面，由于飞控融合了激光雷达数据，单视觉误检未导致错误避障动作。

风险与代价：该方案增加了系统复杂度，Jetson的功耗和散热需要额外考虑。同时，MAVLink串口通信在强电磁干扰环境下可能出现丢包，因此增加了UDP备份链路。此外，YOLOv5模型在逆光场景下漏检率较高，需要后续补充训练数据。

2.5 总结复盘与知识结构

本章的核心在于建立PX4系统架构的整体认知，并明确AI模块的接入边界。PX4的模块化设计、uORB消息机制和MAVLink协议共同构成了AI与飞控协作的基础。在实际项目中，应根据AI功能的安全性要求、实时性需求和算力部署位置，选择合适的接入方式。