2. 无人机边缘计算基础

在无人机智能应用中，边缘计算并不是一个抽象口号，而是决定任务能否实时完成、模型能否真正落地的关键前提。理解边缘计算的定义、无人机平台的特殊性、机载资源的硬约束以及典型任务类型，是后续进行模型压缩、算子优化和部署调度的基础。

一、边缘计算的定义与在无人机中的位置

边缘计算是指将计算、存储和智能决策能力从远端云中心下沉到靠近数据产生源或使用者的位置执行。对于无人机而言，这个“边缘”通常就是机载计算平台本身，也可能包括地面站、车载边缘节点或附近的通信基站。其核心价值在于缩短数据传输路径、降低端到端时延、减少对稳定高带宽链路的依赖，并提升数据隐私与任务自主性。

从数据流角度看，无人机边缘计算通常形成“感知—计算—决策—执行”的闭环：摄像头、红外、激光雷达等传感器产生原始数据；机载AI芯片运行检测、跟踪、分割或导航模型；飞控根据推理结果调整姿态、航向或任务动作；必要时再把关键结果回传地面站。与“全部上云”相比，边缘计算把最紧急的推理放在机上完成，云端只负责模型训练、全局调度和长期数据分析。

二、无人机平台特点

无人机作为边缘计算载体，与固定服务器、手机或车载平台有明显差异。第一，平台处于持续运动状态，姿态变化、振动和气流扰动会影响传感器成像质量与计算稳定性。第二，通信链路具有间歇性和带宽波动，远距离图传可能只有几Mbps，甚至短时中断。第三，能源高度受限，电池容量直接决定续航，而计算负载越大，功耗越高，续航越短。第四，任务具有强实时性，避障、目标跟踪和自主降落等场景对延迟极其敏感。第五，载荷重量和体积严格受限，不能随意堆叠高性能GPU或大型散热系统。

这些特点决定了无人机边缘AI不能简单照搬数据中心模型，而必须在精度、时延、功耗、重量和可靠性之间做系统权衡。

三、机载计算资源约束

机载计算资源约束主要体现在算力、内存、存储、功耗、散热和实时性六个方面。算力通常以TOPS或GOPS衡量，但实际可用算力受算子支持、内存带宽和调度效率影响。内存容量和带宽往往比峰值算力更容易成为瓶颈，尤其在大分辨率图像和多帧缓存场景下。存储空间有限，模型权重、日志和地图数据需要精细管理。功耗直接关联电池续航，散热则影响芯片能否持续跑在高频状态。

下面给出典型机载边缘平台的资源约束清单，便于后续部署时逐项核对：

四、典型任务类型与计算特征

无人机边缘AI任务大致可分为感知类、导航类、决策类和通信类。感知类包括目标检测、语义分割、红外小目标识别和视频跟踪，通常计算密集、对帧率要求高。导航类包括视觉里程计、SLAM、障碍物测距和自主降落，强调低延迟与几何一致性。决策类包括路径规划、任务分配和异常行为判断，计算量相对小但逻辑复杂。通信类包括图传压缩、链路自适应和边缘协同推理，关注带宽与能耗。

不同任务对资源的需求差异很大，部署时不能只用“模型大小”一个指标判断。例如，目标检测可能更吃算力和内存带宽，SLAM更吃CPU单核性能和传感器同步，图传压缩则更关注编码器功耗与延迟。

五、案例：巡检场景中的边缘计算分工

以电力线路巡检为例，无人机搭载可见光与红外相机沿线路飞行。机载边缘平台实时运行绝缘子缺陷检测模型和红外热点检测模型，发现疑似异常时立即标记位置并降低飞行速度；同时把关键帧和检测框通过图传回传地面站。地面站进行二次复核，并把确认样本上传云端用于模型迭代。这个过程中，机上负责“第一时间发现”，地面站负责“确认与调度”，云端负责“持续变强”。

任务链路示例：
传感器采集 → 图像预处理 → NPU推理 → 结果后处理 → 飞控决策
                ↓
          关键帧缓存 → 图传回传 → 地面站复核 → 云端训练

六、常见误区与复盘

综上，无人机边缘计算的核心不是把算力堆到机上，而是在严格约束下实现任务闭环。理解边缘计算的分层定位、无人机平台特点、机载资源约束和典型任务类型，才能为后续模型优化与部署策略提供正确的问题边界。