2. 边缘计算与无人机平台
无人机模型量化部署并非单纯的算法问题，而是一个典型的资源受限系统工程问题。机载环境与云端服务器截然不同：体积、重量、功耗（SWaP）严格受限，散热条件差，供电能力有限，且任务对实时性有硬性要求。理解机载硬件资源的特性、实时性指标的含义以及功耗约束的边界，是进行量化方案选型与部署架构设计的前提。本章将围绕这三条主线展开，帮助读者建立从芯片选型到部署策略的系统认知。
2.1 机载硬件资源全景：CPU/GPU/NPU 的分工与边界
无人机机载计算平台通常采用异构计算架构，即在一块主板上集成多种计算单元，各自承担不同性质的任务。以当前主流的无人机平台为例，其核心硬件资源可划分为以下三类：
| 计算单元 | 典型型号 | 擅长任务 | 不擅长任务 | 量化部署影响 |
|---|---|---|---|---|
| CPU | ARM Cortex-A78AE / A55 | 任务调度、图像预处理（缩放/色彩空间转换）、控制指令生成、通信协议栈 | 大规模并行矩阵运算 | 量化模型的算子调度、内存拷贝、后处理（NMS）主要消耗CPU |
| GPU | Mali-G78 / Adreno 660 | 图像渲染、通用并行计算（OpenCL）、浮点矩阵运算 | 持续高负载下的功耗控制 | 支持FP16/INT8，但驱动层对量化算子支持不如NPU |
| NPU | Hexagon 698 / 达芬奇 DaVinci | 定点卷积神经网络推理、激活函数、池化 | 复杂控制逻辑、动态形状输入 | INT8量化推理的核心加速器，能效比是GPU的3~5倍 |
在量化部署实践中，NPU 是首选推理引擎，但并非所有算子都能被 NPU 高效执行。例如，某些自定义的 ROI Align 层或动态尺寸的检测头，在 NPU 上可能无法直接映射，需要回退到 CPU 或 GPU 执行。这种算子回退会引入额外的数据拷贝和同步开销，严重时可能抵消量化带来的加速收益。因此，在模型设计阶段就应考虑目标 NPU 的算子支持列表，尽量使用硬件友好的算子（如标准卷积、ReLU、最大池化）。
2.2 实时性要求：从传感器到执行器的端到端延迟预算
无人机对推理延迟极其敏感。以视觉避障为例，从摄像头采集图像到飞控发出规避指令，整个闭环的端到端延迟必须控制在 50ms 以内，其中推理部分通常只分配到 15~20ms。超过这个阈值，无人机在高速飞行时（如 10m/s）会多飞出 0.5 米，足以导致碰撞。
实时性指标需要拆解为三个维度：
- 延迟（Latency）：单帧图像从输入到输出结果的耗时。对于目标检测模型，通常要求单帧推理延迟 ≤ 20ms（对应 50FPS 的推理速度）。
- 吞吐量（Throughput）：单位时间内处理的帧数。在连续视频流场景下，吞吐量需 ≥ 30FPS，否则会出现丢帧，导致感知“卡顿”。
- 抖动（Jitter）：各帧推理耗时的波动范围。即使平均延迟达标，若 P99 延迟超过 30ms，也会导致偶发性的控制延迟尖峰，这在无人机姿态控制中是不可接受的。
量化对实时性的改善体现在两个层面：计算量降低（INT8 算力利用率更高）和内存带宽压力降低（模型参数减半）。但需要注意的是，量化后若 NPU 驱动未做充分优化，算子启动开销可能成为新的延迟瓶颈。实践中，建议使用 异步推理 模式：CPU 负责采集图像并送入 NPU，NPU 完成推理后通过中断通知 CPU 取回结果，避免 CPU 阻塞等待。
2.3 功耗约束：量化部署的“隐形天花板”
无人机电池容量有限，计算模组的功耗直接决定了续航时间。以一款搭载 6S 5000mAh 电池的行业无人机为例，其总功率预算约 150W，其中动力系统（电机+电调）消耗约 100W，剩余 50W 分配给飞控、图传、传感器和计算模组。若计算模组功耗从 15W 降至 8W，续航可延长约 8%~12%。
功耗约束对量化部署提出了以下具体要求：
- 能效比（TOPS/W）优先：NPU 的 INT8 算力通常达到 10~30 TOPS，功耗仅 3~8W，而 GPU 的 FP16 算力虽高，但功耗往往超过 10W。量化部署应优先将推理任务放在 NPU 上。
- 动态电压频率调节（DVFS）：机载平台应启用 DVFS 策略，在推理负载较低时自动降频，降低功耗。量化后的模型计算量减小，为降频提供了余量。
- 内存功耗不可忽视：LPDDR4 内存的读写功耗约占整板功耗的 20%~30%。量化后模型参数减半，内存访问次数减少，但中间特征图的读写仍占主导。使用 内存池复用 技术可减少频繁分配/释放带来的功耗开销。
2.4 案例拆解：基于瑞芯微 RK3588 的无人机目标检测量化部署
某农业植保无人机需要部署一个杂草检测模型，用于实时识别田间的杂草区域并控制喷洒。平台选用瑞芯微 RK3588（集成 4×Cortex-A76 + 4×Cortex-A55，Mali-G610 GPU，6 TOPS NPU），整机功耗预算 12W（含摄像头与飞控通信）。
初始目标：在 NPU 上实现 YOLOv5s 的 INT8 量化推理，要求单帧延迟 ≤ 25ms，整机功耗 ≤ 10W，检测精度 mAP@0.5 不低于原始 FP32 模型的 97%。
实施过程：
- 第一步：使用 RKNN-Toolkit 对 YOLOv5s 进行 PTQ 量化，校准集为 500 张田间杂草图像。初始量化后 mAP 下降 4.2%，分析发现是
Focus层和SPP层对量化敏感。 - 第二步：将
Focus层替换为标准的Conv(stride=2)，并将 SPP 中的最大池化改为均值池化（NPU 对均值池化支持更好）。重新量化后，mAP 下降降至 1.8%。 - 第三步：在 NPU 上启用 混合量化，对敏感层（检测头的前两层）保留 FP16，其余层使用 INT8。最终 mAP 下降 0.9%，满足要求。
- 第四步：功耗调优。将 NPU 频率设置为 800MHz（默认 1GHz），CPU 的 A76 核心关闭两个，仅保留 A55 核心处理调度与后处理。实测推理延迟从 22ms 升至 24ms，仍在预算内，整机功耗从 11.5W 降至 8.8W。
结果对比：
| 指标 | FP32 原始模型 | INT8 量化（优化后） | 变化 |
|---|---|---|---|
| 模型大小 | 28.6 MB | 7.4 MB | ↓ 74% |
| 单帧延迟 | 58 ms（GPU） | 24 ms（NPU） | ↓ 58% |
| 整机功耗 | 14.2 W | 8.8 W | ↓ 38% |
| mAP@0.5 | 0.872 | 0.864 | ↓ 0.9% |
复盘经验：量化部署的收益并非自动获得，需要针对硬件特性进行模型结构微调。RK3588 的 NPU 对 3×3 卷积和 ReLU 激活支持最好，对 5×5 卷积和 LeakyReLU 支持较差。将 LeakyReLU 替换为 ReLU 并加入 BN 层折叠，可进一步提升 NPU 利用率。此外，功耗优化与延迟优化存在博弈，必须通过实测数据寻找平衡点，而非盲目追求单一指标。
2.5 常见误区与总结复盘
在机载硬件资源、实时性与功耗的三角约束下，量化部署实践中存在以下常见误区：
- 误区一：只关注算力 TOPS，忽略内存带宽。 NPU 算力再高，若内存带宽不足，数据搬运将成为瓶颈。量化后模型参数变小，但特征图尺寸不变，带宽压力依然存在。
- 误区二：认为量化后延迟必然降低。 若模型结构中有大量无法在 NPU 上执行的算子（如动态 ROI、自定义损失），回退到 CPU 执行反而增加延迟。量化前应进行算子兼容性分析。
- 误区三：功耗优化只考虑芯片本身。 电源转换效率（DC-DC 降压损耗）、内存功耗、外设功耗（摄像头、图传）同样重要。整机功耗测量应使用功率计，而非仅看芯片数据手册。
- 误区四：忽略温度对性能的影响。 无人机在高温环境下（如 40℃ 户外），被动散热效率下降，NPU 可能因过热触发降频，导致延迟劣化。部署前应进行高温环境测试。