1. 课程导入
无人机正在从“会飞的相机”演变为“会思考的空中机器人”。当巡检、测绘、农业植保、应急救援等任务对实时性、隐私性和带宽提出更高要求时，把原始视频全部传回云端再等结果，往往已经来不及。边缘AI的核心思路，是让无人机在机载计算平台上就近完成推理与决策，只把关键结果、告警或结构化数据回传。本课程围绕“模型优化—平台部署—任务闭环”三条主线，帮助你把一个在服务器上跑得动的深度学习模型，真正落到无人机边缘设备上稳定运行。
一、典型应用场景：边缘AI在无人机上解决什么问题
无人机边缘AI的价值，不是简单地把GPU搬到飞机上，而是针对具体任务约束做系统级权衡。以下四类场景最能体现其必要性：
- 电力/管道巡检：对绝缘子破损、异物悬挂、管道泄漏进行实时识别。边缘端需在飞行中完成目标检测，仅上传带坐标的告警帧，避免4K视频占满图传带宽。
- 农业植保与遥感：对作物病害、虫害区域做在线分割，结合喷洒机构实现“边识别边作业”，对延迟敏感且要求模型轻量。
- 应急救援与安防：在无网络或弱网环境下搜索人员、识别烟火。边缘AI保证断网仍可自主告警，回传链路只承载关键事件。
- 物流与巡检编队：多机协同需要低延迟的本地感知与避障决策，边缘推理结果直接进入飞控或任务规划模块。
这些场景的共同约束可以归纳为：算力有限、功耗受限、内存紧张、实时性硬要求、模型精度不能明显下降。理解这五个约束，是后续所有优化与部署决策的出发点。
二、核心原理：从云端推理到边缘推理的迁移
边缘AI部署的本质，是在“精度—延迟—功耗—内存”四维空间中寻找可行解。一个训练好的模型要上机，通常要经历以下链路：
训练框架模型 (PyTorch/ONNX)
↓ 模型压缩：剪枝 / 量化 / 知识蒸馏
↓ 格式转换：ONNX → TensorRT / RKNN / TFLite
↓ 推理引擎：TensorRT / RKNN / OpenVINO / NCNN
↓ 硬件平台：Jetson / RK3588 / 昇腾 / 高通
↓ 任务集成：ROS2 / MAVLink / 飞控 / 图传
↓ 闭环评估：精度、延迟、功耗、稳定性其中，量化把FP32权重和激活转为INT8，可显著降低内存带宽与计算量；剪枝去掉冗余通道；知识蒸馏用大模型指导小模型。三者常组合使用。需要强调的是，优化不是越激进越好：过度量化会导致小目标漏检，过度剪枝会破坏特征提取能力，必须用验证集和真实飞行数据回归测试。
关键认知：边缘AI部署的瓶颈往往不在模型本身，而在数据预处理、内存拷贝、后处理和任务调度。一个推理只需8ms的模型，若前后处理占用40ms，整体帧率依然上不去。
三、课程整体框架：三阶段递进
本课程共30章，按“认知—优化—部署—实战”递进组织，整体框架如下表所示：
| 阶段 | 章节范围 | 核心内容 | 产出目标 |
|---|---|---|---|
| 基础认知 | 第1–6章 | 应用场景、边缘计算架构、硬件平台选型、模型评估指标 | 能判断任务是否适合边缘部署 |
| 模型优化 | 第7–16章 | 剪枝、量化、蒸馏、算子融合、ONNX转换、精度回归 | 产出可上机的轻量模型 |
| 平台部署 | 第17–24章 | TensorRT/RKNN推理、ROS2集成、多线程流水线、功耗与散热 | 在真实板卡上稳定跑通 |
| 实战闭环 | 第25–30章 | 巡检项目实战、性能调优、故障排查、复盘与迭代 | 完成端到端可演示系统 |
下图展示本课程的知识结构与实战项目的连接关系，帮助你建立全局视角：
四、实战项目介绍：输电线路无人机智能巡检系统
课程贯穿一个完整实战项目：以输电线路巡检为背景，构建“机载边缘推理 + 告警回传 + 地面分析”的端到端系统。项目分为四个里程碑：
- 数据与模型：整理绝缘子、防震锤、异物等类别数据集，训练基线检测模型，记录mAP与推理延迟。
- 模型优化：对基线模型做剪枝与INT8量化，使用ONNX导出并在目标板卡上验证精度损失。
- 边缘部署：在Jetson或RK3588上集成TensorRT/RKNN推理，接入ROS2节点，实现视频流—推理—告警的流水线。
- 飞行验证与复盘：记录实际飞行中的帧率、功耗、温度与漏检情况，定位瓶颈并迭代优化。
学习建议：每章都动手复现关键步骤。边缘AI部署是工程性极强的方向，只看不练很难建立对延迟、内存和精度的直觉。建议准备一块目标板卡和一段真实巡检视频，边学边测。
五、常见误区与学习复盘
初学者在边缘AI部署中容易踩以下坑，提前了解可以少走弯路：
- 只看模型大小，不看实际延迟：参数量小不等于推理快，算子是否被硬件支持、内存访问是否连续同样关键。
- 忽略预处理和后处理：图像缩放、颜色转换、NMS往往占用大量时间，必须纳入整体性能预算。
- 量化后不做精度回归：INT8量化可能让小目标或低对比度目标漏检，必须用真实场景数据验证。
- 忽视功耗与散热：无人机平台散热条件差，持续高负载会导致降频，进而使延迟抖动。
- 把仿真结果当最终结论：实验室跑通不等于飞行稳定，振动、温度、供电波动都会影响表现。
复盘要点：每次优化后都要记录“精度—延迟—功耗—内存”四项指标的变化。任何一项明显恶化，都要回到数据或模型层面找原因，而不是盲目继续压缩。
通过本章，你应该已经建立起对无人机边缘AI的整体认知：它解决的是实时性、带宽和隐私约束下的智能决策问题；它的核心是在精度与资源之间做系统权衡；它的落地依赖模型优化、推理引擎和任务集成的协同。接下来的章节将沿着这条主线，逐步深入每一个技术环节。