1. 课程导入

无人机从起飞到降落，每一秒都在产生数据。飞控以 50～400 Hz 的频率记录姿态、位置、速度、电机转速、电压电流，图传与遥控链路记录信号强度与丢包，任务载荷记录图像、点云与光谱。一架中型多旋翼单次 30 分钟飞行，原始日志往往达到数百 MB。这些数据如果只用于事后"看一眼曲线"，价值极低；如果被系统化地采集、清洗、建模与分析，就能转化为故障预警、能耗优化、任务复盘与适航证据。本课程要讲的，正是把"飞行数据"变成"工程决策"的完整方法体系——无人机飞行数据智能分析工程。

一、学习目标：从数据到决策的四级能力

本课程不追求让每位学员都成为算法研究员，而是建立一条从数据到决策的完整能力链。学完后你应当具备四级能力：

• 看得懂：能读懂 ArduPilot/PX4 的 bin、tlog、ulg 日志，理解字段含义、单位、采样率与坐标系。
• 理得清：能对原始数据进行时间对齐、重采样、去噪、异常剔除与特征提取，形成可分析的数据集。
• 算得准：能针对振动、电池衰减、姿态跟踪、航迹偏差等问题选择合适的统计、信号处理或机器学习方法。
• 用得上：能把分析结果落到健康评估、故障诊断、能耗预测、任务复盘等具体工程场景，并给出可执行结论。

二、核心概念：五个必须建立的心智模型

在动手写代码之前，先建立五个概念模型，它们贯穿全课程。

1. 飞行数据是时间序列，不是表格。同一时刻的姿态、位置、电机、电压是耦合的，分析必须保持时间轴一致，跨传感器对齐是第一步。
2. 采样率决定分析上限。用 10 Hz 的 GPS 数据去分析 100 Hz 的振动，物理上不可能，混叠会制造假故障。
3. 坐标系是隐形陷阱。机体坐标系（FRD/FLU）、NED、ENU、地理坐标之间的转换错误，会让"航迹偏移"变成伪命题。
4. 正常与异常的边界来自基线。没有健康基线，就无法定义异常；基线来自同机型、同载荷、同工况的历史统计。
5. 智能分析 = 特征工程 + 模型 + 工程约束。模型精度再高，若推理延迟超过飞控周期，也无法上机实时使用。

三、整体框架：从原始日志到工程结论的数据流

本课程的整体框架可以概括为"采集—治理—分析—应用"四层数据流，下图给出各层的关键对象、典型工具与输出物，帮助你在后续章节中始终知道"当前处在哪一层"。

四、典型应用场景与工具链

框架落到工程中，会表现为若干高频场景。下表列出本课程重点覆盖的场景、输入数据、核心方法与交付物，你可以把它当作学习地图。

工具链方面，本课程以 Python 生态为主：pymavlink、pyulog、pandas、numpy、scipy、scikit-learn，可视化使用 matplotlib 与 plotly。一个最小的日志读取与字段查看示例如下：

from pyulog import ULog
import pandas as pd

ulog = ULog("flight_20240512.ulg")
for d in ulog.data_list:
    print(d.name, d.multi_id, len(d.data["timestamp"]))

# 提取姿态数据为 DataFrame
att = ulog.get_dataset("vehicle_attitude").data
df = pd.DataFrame({
    "t": att["timestamp"] / 1e6,      # 微秒转秒
    "roll": att["roll"],
    "pitch": att["pitch"],
    "yaw": att["yaw"],
})
print(df.describe())

五、常见误区与复盘要点

初学者最容易在四个地方翻车，提前知道可以少走弯路。

• 误区一：拿到数据直接建模。跳过时间对齐与坐标统一，模型学到的可能是采样偏差而非物理规律。
• 误区二：用低频数据下高频结论。10 Hz 日志无法支撑 100 Hz 振动诊断，混叠会把 80 Hz 振动伪装成 20 Hz。
• 误区三：把相关性当因果。电流升高与振动增大同时出现，可能是机动动作导致，而非电机故障。
• 误区四：忽视工程约束。离线精度 99% 的模型，若单次推理 200 ms，就无法用于 400 Hz 飞控回路。