2. 无人机AI基础
无人机AI项目的交付质量，首先取决于对硬件底座的深刻理解。飞控系统保证飞行的稳定性与安全性，传感器系统负责感知环境，而计算单元则是AI模型运行的物理载体。三者之间的数据通路、供电关系与算力分配，直接决定了AI模型能否在机载端高效、稳定地运行。本章将系统拆解无人机硬件架构的三大核心模块，并深入探讨AI模型在机载端的两种主流部署形态——边缘推理与云端协同，为后续的模型选型、固件开发与测试报告编写奠定工程基础。
2.1 飞控系统：无人机实时控制的中枢
飞控（Flight Controller）是无人机最核心的实时控制单元，通常基于ARM Cortex-M系列MCU（如STM32F405、F7或H7系列）设计。它负责读取惯性测量单元（IMU）数据，运行姿态解算算法（如互补滤波或扩展卡尔曼滤波EKF），输出PWM或DShot信号控制电机转速，从而维持无人机的稳定飞行。飞控的实时性要求极高，控制循环通常在1kHz至10kHz之间，任何超过几毫秒的延迟都可能导致飞行器失稳。
核心原理：姿态解算与控制环路
飞控的基本工作流程可概括为：传感器采样 → 姿态估计 → 控制律计算 → 混控输出。IMU中的陀螺仪和加速度计以固定频率（如4kHz）输出原始数据，飞控通过EKF融合这些数据，得到当前姿态四元数。随后，PID控制器根据目标姿态与当前姿态的误差，计算出每个电机所需的推力变化量。混控器（Mixer）根据机架类型（四旋翼X型、六旋翼等）将总推力映射到各个电机。
判断方法：飞控选型与性能评估
- MCU主频与Flash：主频≥168MHz，Flash≥512KB，确保有足够余量运行EKF和日志记录。
- 传感器接口：支持SPI/I2C接口的IMU（如BMI088、ICM42688），且具备硬件同步（Sync）引脚，减少传感器采样抖动。
- 冗余设计：至少双IMU、双气压计，支持传感器故障自动切换。
- 日志存储：板载MicroSD或大容量Flash，支持黑匣子功能，记录PPM、姿态、控制输出等数据。
2.2 传感器系统：无人机的感知器官
传感器系统为飞控和AI计算单元提供环境与状态信息。按用途可分为三类：状态传感器（IMU、气压计、磁力计）、定位传感器（GPS/RTK、光流）、环境感知传感器（摄像头、激光雷达、毫米波雷达）。在AI项目中，环境感知传感器的数据是模型推理的主要输入源。
| 传感器类型 | 典型型号 | 数据接口 | 输出频率 | AI用途 |
|---|---|---|---|---|
| IMU | BMI088 | SPI (10MHz) | 4kHz | VIO视觉惯性里程计 |
| 双目相机 | Intel RealSense D435i | USB 3.0 / MIPI | 30-90fps | 深度估计、避障 |
| 激光雷达 | Livox Mid-360 | Ethernet | 10Hz | SLAM建图、导航 |
| RTK模块 | u-blox F9P | UART | 20Hz | 厘米级定位 |
操作流程：传感器标定与时间同步
- 内参标定：使用棋盘格标定相机焦距、畸变系数；IMU需进行零偏和尺度因子标定。
- 外参标定：确定相机与IMU之间的旋转和平移矩阵，这是VIO融合的前提。
- 时间同步：通过硬件触发线（如PPS信号）或软件时间戳对齐，确保传感器数据时间误差小于1ms。
2.3 AI计算单元：机载端推理的算力核心
AI计算单元是部署深度学习模型的硬件平台，常见方案包括NVIDIA Jetson系列（Orin NX、Xavier NX）、瑞芯微RK3588、地平线旭日X3等。这些平台集成了GPU、NPU或DSP，能够运行目标检测（YOLO系列）、语义分割、路径规划等模型。与飞控MCU不同，AI计算单元运行Linux操作系统，支持Python/C++开发环境，但功耗和散热是必须考虑的限制因素。
核心原理：边缘推理与云端协同
边缘推理指模型完全在机载计算单元上运行，推理结果直接用于控制决策。其优势是低延迟（毫秒级）、不依赖网络，适合实时避障、视觉跟踪等任务。但受限于算力和功耗，只能运行轻量化模型（如YOLOv5s、MobileNet）。云端协同则利用4G/5G或WiFi将图像或点云数据上传至地面站服务器，由高性能GPU集群运行大模型（如分割大模型SAM），再将结果下发。该模式适合全局路径规划、环境语义理解等非实时任务，但网络延迟（通常50-200ms）和带宽限制是瓶颈。
部署形态对比
| 维度 | 边缘推理 | 云端协同 |
|---|---|---|
| 延迟 | 5-30ms | 100-500ms |
| 算力限制 | ≤30 TOPS (NPU) | 无限制（集群） |
| 网络依赖 | 无 | 强依赖 |
| 典型任务 | 避障、目标跟踪 | 地图重建、任务规划 |
| 功耗预算 | 10-25W | 机载端仅通信模块 |
2.4 实战案例：电力巡检无人机的AI部署
项目背景：某电网公司需要无人机自动识别绝缘子破损和鸟巢缺陷，巡检线路全长120公里，要求单次飞行覆盖5公里，飞行高度30米。
初始目标与约束：机载设备总重量限制1.5kg，功耗预算30W，飞行时间≥25分钟。网络环境为4G专网，平均带宽10Mbps，延迟约80ms。
关键输入数据：使用大疆M350搭载Jetson Orin NX（16GB），挂载Z30光学变焦相机（30倍）和红外热成像仪。模型为YOLOv5s-绝缘子（参数量7.2M，FP16精度下推理延迟12ms）。
分析判断过程：若采用纯云端方案，30倍变焦图像单张约2MB，5公里巡检需拍摄2000张，总数据量4GB，远超带宽限制。因此决定采用边缘推理为主：机载端实时检测绝缘子缺陷，仅将置信度>0.8的缺陷图像裁剪后上传（每张约200KB）。
实际操作步骤：
- 在Jetson上使用TensorRT优化YOLOv5s模型，将FP16精度下推理延迟从18ms降至12ms。
- 通过MAVLink协议将检测框坐标发送至飞控，触发相机自动变焦拍摄高清细节图。
- 设置4G模块的QoS优先级，确保缺陷图像优先上传，普通巡检图像延后传输。
结果对比：边缘推理方案单架次巡检时间缩短至22分钟（纯云端方案需40分钟），缺陷检出率从82%提升至94%（因变焦拍摄获取了更清晰的细节）。但代价是机载端功耗增加8W，导致飞行时间缩短至23分钟，仍在可接受范围内。
复盘经验：边缘与云端的任务切分应基于数据量、延迟敏感度和模型复杂度三个维度。对于巡检类任务，将“检测”放在边缘、“精细分类”放在云端是性价比最高的方案。同时，必须预留至少20%的算力余量，避免因环境光照变化导致推理帧率下降。
2.5 常见误区与总结复盘
总结：无人机AI项目的硬件架构设计，本质上是实时控制与非实时计算的权衡。飞控负责毫秒级的安全控制，AI计算单元负责百毫秒级的智能决策，云端负责秒级以上的全局优化。理解三者之间的数据流、接口协议和功耗预算，是后续进行模型压缩、固件集成和飞行测试的前提。在下一阶段的模型部署中，我们将基于本章的硬件约束，讨论如何将训练好的PyTorch模型转换为TensorRT或RKNN格式，并集成到机载计算单元中。