4. AI模型选型与设计
在PX4无人机AI交付项目中，模型选型与输入输出设计是决定任务成功率的核心环节。很多开发者在拿到一个无人机AI任务时，第一反应是“哪个模型精度高就用哪个”，但实际工程中，模型参数量、推理延迟、内存占用、输入分辨率、输出格式与PX4飞控通信协议之间的匹配度，往往比单纯追求mAP或IoU更重要。本章将围绕目标检测、避障、路径规划三类典型任务，系统讲解模型架构选型依据、输入输出设计方法、工程约束与常见误区，并给出可落地的案例拆解。
4.1 核心原理：任务类型决定模型架构，工程约束决定输入输出
无人机AI任务可以划分为三大类：目标检测（如识别地面车辆、人员、障碍物）、避障（实时感知周围环境并生成安全路径）、路径规划（在已知或未知地图中规划全局或局部轨迹）。这三类任务对模型的需求截然不同：目标检测强调空间特征提取与定位精度；避障强调低延迟与深度估计能力；路径规划则更多依赖搜索算法或强化学习，而非纯视觉模型。
模型选型的核心原则是“任务-架构-资源”三角匹配。以目标检测为例，YOLOv5s/YOLOv8n在Jetson Nano上可以跑到30FPS以上，而YOLOv5m虽然精度更高，但推理延迟可能翻倍，导致无人机在高速飞行时无法及时响应。避障任务中，如果使用基于Transformer的ViT模型，虽然全局注意力机制对复杂场景理解更好，但参数量动辄数千万，在嵌入式平台上难以实时运行。路径规划则更倾向于使用传统算法（如A*、RRT*）或轻量级强化学习模型，而非大参数深度学习模型。
输入输出设计必须与PX4飞控的通信协议和传感器配置对齐。PX4通过MAVLink或RTPS与机载计算机通信，AI模型的输出需要转换为MAVLink消息（如SET_POSITION_TARGET_LOCAL_NED或OBSTACLE_DISTANCE）才能被飞控执行。输入侧，相机分辨率、帧率、FOV（视场角）必须与模型输入尺寸匹配，否则会造成信息丢失或无效计算。例如，若模型输入为416×416，而相机输出为1920×1080，则需要裁剪或缩放，这会改变目标的实际尺度，影响检测精度。
4.2 判断方法：从任务需求到模型选型的四步决策流程
在实际项目中，我们建议按照以下四步进行模型选型与输入输出设计：
- 明确任务指标：定义任务的性能指标，包括精度（mAP、IoU）、延迟（端到端推理时间）、帧率（FPS）、功耗（W）、内存占用（MB）。例如，避障任务要求延迟<20ms，目标检测任务要求mAP>0.85。
- 评估机载硬件：列出机载计算机的算力（TOPS）、内存大小、GPU/NPU类型。Jetson Orin Nano（40 TOPS）与树莓派4（0.2 TOPS）的选型空间完全不同。
- 选择模型架构：根据任务类型和硬件约束，在精度-速度-参数量之间做权衡。可参考下表进行初步筛选。
- 设计输入输出接口：确定输入张量形状（如[1,3,416,416]）、归一化方式（0-1或-1到1）、输出张量解析逻辑（如YOLO的[1,25200,85]），并编写与PX4通信的转换代码。
| 任务类型 | 推荐模型架构 | 输入尺寸 | 输出格式 | 典型延迟（Jetson Nano） |
|---|---|---|---|---|
| 目标检测 | YOLOv5s / YOLOv8n | 416×416×3 | [x,y,w,h,class,conf] | 15-25ms |
| 目标检测（高精度） | YOLOv5m / RT-DETR | 640×640×3 | [x,y,w,h,class,conf] | 40-60ms |
| 避障（深度估计） | MiDaS-small / FastDepth | 256×256×3 | 深度图 [H,W] | 10-20ms |
| 避障（端到端） | CNN-LSTM / PPO | 84×84×4（堆叠帧） | 速度指令 [vx,vy,vz,yaw] | 5-15ms |
| 路径规划（全局） | A* / Dijkstra / RRT* | 栅格地图 [H,W] | 航点序列 [(x,y,z)...] | <1ms（CPU） |
| 路径规划（局部） | DWA / TEB / 强化学习 | 激光雷达/深度图 | 速度指令 / 局部轨迹 | 2-10ms |
在输入设计时，还需要考虑传感器融合。例如，避障任务可以同时输入RGB图像和IMU数据（加速度、角速度），模型输出深度图或直接输出避障指令。PX4的EKF2融合了IMU、GPS、气压计等数据，AI模型可以输出障碍物距离信息，通过MAVLink的OBSTACLE_DISTANCE消息发送给飞控，飞控再结合自身状态进行避障决策。
4.3 案例拆解：基于YOLOv8n的无人机目标检测与避障系统
下面通过一个实际项目案例，展示模型选型与输入输出设计的完整闭环。
项目背景与约束：某电力巡检无人机需要在输电线路附近自动识别绝缘子缺陷，并避开周围树木。机载平台为Jetson Orin Nano（8GB内存，40 TOPS），相机为RGB 1080p@30fps，PX4飞控通过MAVLink与机载计算机通信。任务要求：检测绝缘子缺陷的mAP≥0.85，避障延迟≤30ms，整机功耗≤15W。
初始现象与目标：最初团队直接选用YOLOv5m（输入640×640），在Jetson上实测推理延迟为45ms，加上图像预处理和MAVLink通信，端到端延迟达到60ms，导致无人机在飞行中无法及时避开树枝，且GPU占用率持续100%，功耗超标。
关键输入数据与指标：通过日志分析发现，ros2 topic hz /camera/image_raw显示相机帧率稳定在30Hz，但AI节点输出频率只有16Hz，瓶颈在模型推理。使用tegrastats查看GPU占用率，发现YOLOv5m的GPU占用率高达98%，内存占用2.3GB。
分析判断过程：对比YOLOv8n（输入416×416）与YOLOv5m（输入640×640）的精度-速度曲线。YOLOv8n在VisDrone数据集上mAP为0.82，YOLOv5m为0.88，但YOLOv8n推理延迟仅12ms。考虑到巡检场景中绝缘子目标较大（占图像比例>5%），降低输入分辨率对精度影响有限。同时，将模型从FP32量化为INT8，推理延迟进一步降至8ms，精度损失约2%。
实际操作步骤：
- 将YOLOv8n模型导出为ONNX，使用TensorRT进行INT8量化，生成.engine文件。
- 修改输入预处理：将图像从1080p中心裁剪为416×416，保持FOV不变，避免目标畸变。
- 编写输出解析代码：将YOLOv8n的输出[1,84,8400]转换为边界框列表，过滤置信度<0.5的框。
- 将检测结果中的最近障碍物距离通过MAVLink的
OBSTACLE_DISTANCE消息发送给PX4，频率为20Hz。 - 在PX4参数中设置
MPC_OBSTACLE_AVOID为1，启用避障模式。
结果对比：优化后，AI节点输出频率提升至25Hz，端到端延迟降至28ms，满足要求。mAP实测为0.83（略低于0.85目标，但通过增加训练数据中的绝缘子缺陷样本，最终提升至0.86）。GPU占用率降至65%，功耗降至11W。
风险与代价：INT8量化在光照剧烈变化时可能出现检测框抖动，解决方案是加入图像自适应直方图均衡化。另外，中心裁剪会丢失图像边缘信息，对于小目标检测不利，因此后续改用letterbox缩放（保持宽高比填充），虽然增加少量计算，但精度提升明显。
复盘经验：模型选型不能只看精度，必须结合硬件算力、功耗、延迟做联合优化。输入设计要保留关键信息，裁剪和缩放策略需要根据目标尺度分布决定。输出设计要直接对接PX4的接口协议，减少中间转换开销。
4.4 常见误区与总结复盘
在PX4无人机AI交付中，以下误区经常导致项目延期或性能不达标：
误区一：盲目追求高精度模型。在Jetson Nano上部署YOLOv5x（输入1280×1280）虽然mAP高，但推理延迟超过200ms，无人机早已撞上障碍物。正确做法是先用轻量模型跑通流程，再根据余量逐步升级。
误区二：忽略输入输出与PX4的协议对齐。有些团队将模型输出直接通过串口发送自定义字符串，导致飞控无法解析。必须使用MAVLink标准消息（如DETECTOR_EVENT、OBSTACLE_DISTANCE）或RTPS/DDS话题。
误区三：不进行模型量化与剪枝。FP32模型在嵌入式GPU上效率低下，INT8量化通常能带来2-3倍加速，且精度损失可控。TensorRT、ONNX Runtime、OpenVINO都是常用工具。
总结复盘：模型选型与输入输出设计是一个迭代过程，需要建立“任务指标→硬件评估→模型选择→接口设计→实测调优”的闭环。建议在项目初期就搭建好日志记录系统（如使用ros2 bag记录话题数据），方便后续分析延迟瓶颈和精度问题。同时，建立测试报告模板，记录每次模型迭代的精度、延迟、功耗、内存等指标，形成可追溯的决策依据。
经验提醒：对于目标检测任务，输入分辨率建议设置为32的倍数（如416、544、672），以适配YOLO的下采样倍数。对于避障任务，如果使用深度估计模型，输出深度图的分辨率可以低于输入分辨率（如输入256×256，输出128×128），减少计算量。路径规划中，栅格地图的分辨率（如0.1m/格）要与无人机尺寸和飞行速度匹配，过细会导致计算量爆炸，过粗则无法通过狭窄区域。
最后，务必在真机测试前进行硬件在环（HITL）仿真，使用PX4的Gazebo仿真环境验证模型输出与飞控的交互逻辑。仿真中可以使用ros2 topic echo /mavlink/from查看飞控收到的消息，确保格式正确。通过仿真与实飞结合，可以大幅降低调试成本，提升交付效率。