4. 飞行数据解析

无人机日志回放调试的核心，在于从海量、异构的日志数据中准确提取出能够反映飞行状态的关键信息。IMU（惯性测量单元）、GPS、姿态、速度、位置这五类数据构成了飞行控制闭环的“感知层”基础。解析这些数据，不仅是回放的第一步，更是后续进行模型输出对比和控制动作分析的前提。本节将系统讲解这些数据的物理含义、日志中的存储格式、提取方法以及常见的解析陷阱。

上图展示了从原始传感器数据到状态估计输出的完整解析链路。在实际工程中，我们通常不会直接读取二进制日志，而是借助飞控厂商提供的解析工具（如PX4的ulog解析库、ArduPilot的bin文件解析器）或开源工具（如pyulog、Mission Planner）将日志转换为结构化数据。下面我们逐一深入解析各类数据的提取细节。

4.1 IMU数据提取：加速度计与陀螺仪的原始信号

IMU数据是飞行控制最底层的输入，直接反映了机体受到的比力和角速度。在PX4的ULog文件中，IMU数据通常存储在sensor_combined或vehicle_imu主题中；ArduPilot的bin文件则通过IMU消息记录。提取时需关注以下核心参数：

• 加速度计（Accelerometer）：输出三轴比力（Specific Force），单位为m/s²。注意它包含重力分量，静止时读数为[0, 0, -9.8]（NED系）或[0, 0, 9.8]（ENU系）。
• 陀螺仪（Gyroscope）：输出三轴角速度，单位为rad/s。用于姿态变化率的计算。
• 采样时间戳：每个IMU样本都带有硬件时间戳，用于与其他传感器同步。

提取IMU数据时，一个常见误区是直接使用未经处理的原始值。实际上，飞控内部已经进行了温度补偿、零偏校正和尺度因子校准。因此，日志中记录的通常是校准后的物理量。但在某些调试场景下（如分析振动问题），可能需要查看原始计数值（如sensor_mag原始值），此时应选择未经过滤波的原始数据流。

4.2 GPS数据提取：位置与速度的基准

GPS数据提供了无人机在全局坐标系下的位置和速度信息，是长航时飞行和导航的核心数据源。在日志中，GPS数据通常包含以下关键字段：

提取GPS数据时，需要特别注意坐标系转换。日志中存储的经纬度是WGS84地理坐标系，而飞控内部导航解算使用的是本地NED（北东地）坐标系。因此，在回放分析时，如果要将GPS位置与飞控估计位置对比，必须先将GPS经纬度转换为与飞控相同的本地坐标系原点下的位置。常用的转换方法包括：

1. 固定原点法：以起飞点或日志中第一个有效GPS点为原点，使用等距圆柱投影或UTM投影将经纬度转换为平面坐标。
2. 使用飞控内部转换：直接读取日志中vehicle_local_position主题的lat/lon字段，该字段已经是飞控内部转换后的本地坐标。

4.3 姿态数据提取：四元数与欧拉角的转换

姿态数据是飞控状态估计的核心输出，通常以四元数（Quaternion）形式存储，因为四元数避免了欧拉角的万向锁问题，且计算效率高。在PX4中，姿态数据位于vehicle_attitude主题，ArduPilot中则通过ATT消息记录。

提取姿态数据时，需要掌握以下关键点：

• 四元数格式：通常为[w, x, y, z]，其中w为标量部分。使用前应检查是否已归一化（模长≈1）。
• 欧拉角转换：若需要直观的横滚（Roll）、俯仰（Pitch）、偏航（Yaw）角，需将四元数转换为欧拉角。转换公式因旋转顺序（如ZYX）和坐标系（NED/ENU）而异。
• 姿态参考系：确认姿态是相对于NED系还是机体坐标系。通常飞控输出的是机体坐标系相对于NED系的旋转。

# Python示例：四元数转欧拉角（ZYX旋转顺序，NED系）
import numpy as np
def quat_to_euler(q):
    w, x, y, z = q
    # 横滚角
    roll = np.arctan2(2*(w*x + y*z), 1 - 2*(x*x + y*y))
    # 俯仰角
    pitch = np.arcsin(2*(w*y - z*x))
    # 偏航角
    yaw = np.arctan2(2*(w*z + x*y), 1 - 2*(y*y + z*z))
    return np.degrees([roll, pitch, yaw])

在回放调试中，姿态数据通常用于验证飞控的响应是否与预期一致。例如，当遥控器输入横滚指令时，日志中的横滚角应平滑跟随，且无超调或振荡。

4.4 速度与位置数据提取：融合估计的最终输出

速度和位置数据是飞控导航解算的最终结果，通常由扩展卡尔曼滤波器（EKF）融合IMU、GPS、气压计、磁力计等传感器数据得到。在PX4中，这些数据位于vehicle_local_position主题，包含：

• 位置：x, y, z（NED系，单位米），原点通常为起飞点。
• 速度：vx, vy, vz（NED系，单位m/s）。
• 位置/速度协方差：用于评估估计质量。

提取这些数据时，需要特别关注dist_bottom（超声波或激光测距）与z（气压计高度）的区别。在低空飞行时，飞控可能优先使用测距传感器，导致高度数据跳变。此外，速度数据在GPS信号丢失时会退化为纯IMU积分，产生漂移，此时应结合estimator_status中的滤波器状态进行判断。

4.5 数据同步与时间戳对齐

多源数据的时间戳对齐是飞行数据解析中最容易出错、也最关键的环节。不同传感器具有不同的采样频率和延迟：IMU通常为200-1000Hz，GPS为5-20Hz，气压计为50-100Hz。在日志中，每个数据包都带有硬件时间戳（微秒级），但传感器之间的时间基准可能不同。

常用的时间对齐方法包括：

1. 硬件同步：飞控通过PPS（脉冲秒信号）或传感器中断实现硬件同步，日志中会记录同步后的时间戳。
2. 软件插值：以IMU时间戳为基准，对GPS等低频数据进行线性插值或最近邻匹配。
3. 时间偏移补偿：通过互相关分析估计传感器之间的固定延迟，并进行补偿。

在PX4的ULog中，所有主题的时间戳已经过同步处理，可以直接使用。但在ArduPilot的bin文件中，不同消息的时间戳可能存在微小的偏移，建议使用timeUS字段进行对齐。

4.6 案例拆解：一次GPS丢星后的数据解析与问题定位

下面通过一个完整案例，展示如何综合运用上述解析方法定位飞行异常。

背景与约束：某无人机在城区执行巡检任务，飞行高度80m，速度12m/s。飞行至第3分钟时，飞控突然切换为姿态模式（自稳），位置保持失效。事后需要从日志中分析原因。

关键输入数据：

• PX4 ULog文件，时长5分12秒，包含sensor_combined、vehicle_gps_position、vehicle_attitude、vehicle_local_position、estimator_status等主题。
• 飞行日志中第180秒附近出现模式切换标志。

分析判断过程：

1. 提取GPS数据：从vehicle_gps_position中提取fix_type和sats，发现第178秒时fix_type从3（3D定位）降为0（无定位），sats从14颗骤降至3颗。
2. 检查估计器状态：查看estimator_status中的gps_check_fail标志，确认GPS质量检查失败，EKF将GPS权重降为0。
3. 对比位置数据：提取vehicle_local_position的x/y，发现第178秒后位置输出不再更新，但速度数据仍由IMU积分提供，导致位置漂移。
4. 检查控制模式切换逻辑：确认飞控因位置估计不可靠，自动降级为姿态模式。

实际操作步骤：

# 使用pyulog提取关键数据
from pyulog import ULog
ulog = ULog("flight.ulg")
# 提取GPS fix类型
gps_data = ulog.get_dataset("vehicle_gps_position")
fix_types = gps_data.data["fix_type"]
# 提取估计器状态
est_data = ulog.get_dataset("estimator_status")
gps_fail = est_data.data["gps_check_fail_flags"]

结果对比与复盘：通过数据解析，确认故障原因为GPS天线被机身遮挡导致卫星信号丢失。后续改进措施包括调整天线安装位置、增加GPS冗余（双天线）以及优化EKF的GPS故障检测阈值。此次排障中，准确提取并同步GPS与估计器数据是定位问题的关键。

4.7 常见误区与总结复盘

在飞行数据解析实践中，以下误区值得特别注意：

总结而言，飞行数据解析的核心在于“三个对齐”：时间对齐（确保数据在同一时间基准下）、坐标系对齐（统一到NED或机体坐标系）、单位对齐（统一使用SI单位）。掌握这三点，就能从日志中准确提取出IMU、GPS、姿态、速度、位置等关键数据，为后续的模型输出对比和控制动作分析奠定坚实基础。