🚁 第1课：无人机概述与分类

🕐 关键里程碑

🏗️ 六大子系统

┌────────────┬────────────┬────────────┐
│  飞控系统   │  动力系统   │  通信系统   │
│  IMU/GPS   │ 无刷电机    │ 遥控接收机  │
│  气压计/光流│ 电调/螺旋桨 │ 数传/图传   │
├────────────┼────────────┼────────────┤
│  导航系统   │  载荷系统   │  地面站     │
│  航点/避障  │ 云台/投递   │ 任务规划    │
│  RTK定位   │ 红外热像    │ 遥测监控    │
└────────────┴────────────┴────────────┘

import math

def hover_power(mass_kg, prop_d=0.25, n_props=4, eta=0.7):
    g, rho = 9.81, 1.225
    T = mass_kg * g
    A = math.pi * (prop_d/2)**2 * n_props
    P_ideal = T * math.sqrt(T / (2 * rho * A))
    return P_ideal, P_ideal / eta

for name, m, d, n in [("航拍机",0.9,0.20,4),("测绘机",2.5,0.28,4),
                       ("植保机",15,0.50,6),("物流机",30,0.60,8)]:
    pi, pr = hover_power(m, d, n)
    print(f"{name}: 理想{pi:.0f}W 实际{pr:.0f}W")

✅ 无人机六大子系统：飞控、动力、通信、导航、载荷、地面站

✅ 多旋翼适合悬停，固定翼适合长距巡航，复合翼兼顾两者

✅ Momentum Theory快速估算悬停功耗

✅ 实际功耗远高于理想值，效率系数0.5-0.75

中国无人机法规要点(2024)

关键公式回顾

本课涉及的核心公式和算法需要反复练习才能真正掌握。建议通过修改仿真参数、添加扰动等方式深入理解每个参数对系统行为的影响。在实际飞行中，这些参数的选择往往需要在理论分析的基础上结合实验微调。

推荐实验

• 修改关键参数，观察系统响应变化
• 添加不同类型的噪声和扰动
• 对比不同算法的精度和计算效率
• 将仿真结果与理论分析对比验证
• 尝试将多个模块组合成完整系统

🔧 工程实践要点

• 实际部署时注意数值稳定性(归一化/限幅/防除零)
• 实时性要求: 控制环1kHz+，导航环50-100Hz
• 传感器数据时间戳对齐至关重要
• 异常处理: 传感器失效需安全降级策略
• 日志记录: 飞行数据全程记录便于事后分析
• 固件升级: 始终使用稳定版本，升级前备份参数

📊 性能指标参考

电力巡检

电力线路巡检是无人机最大的工业应用之一。传统人工巡检需要工人攀爬铁塔、步行巡视，效率低且危险。无人机巡检可将效率提升10倍以上：

• 常规巡视：每日可巡检30-50km线路
• 精细巡视：搭载红外热像仪检测连接点温度异常
• 树障分析：激光雷达扫描生成点云，分析安全距离
• 夜巡：红外检测绝缘子放电

农业植保

中国是农业无人机应用最广泛的国家，大疆农业无人机累计作业面积超过50亿亩次：

• 喷洒效率：4-8亩/分钟，是人工的30-50倍
• 节水率：比传统喷洒节约30-50%农药和90%水
• 精准变量：根据NDVI数据分区施药
• 播撒：水稻直播、草地补种等

测绘建模

无人机倾斜摄影测量已替代大部分传统测绘：

• 精度：GSD 2-5cm，满足1:500大比例尺测图
• 效率：1km² 正射影像仅需1-2小时
• 三维建模：倾斜摄影生成真实三维模型
• 应用：城市规划、不动产登记、土方计算

产业链结构

2024市场规模

• 全球民用无人机市场：约500亿美元，CAGR 15%
• 中国工业无人机市场：约800亿人民币
• 最大应用：农业植保(40%)，电力巡检(20%)，测绘(15%)
• 增长最快：物流配送(CAGR 35%)，安防监控(CAGR 25%)

技术趋势

• eVTOL城市空中交通：亿航/小鹏汇天/Volocopter，2025-2030商用
• 集群智能：千架级集群协同(2024春晚已展示)
• 全自主飞行：AI感知+决策，无需遥控器
• 固态激光雷达：成本降至千元级，3D感知普及
• 氢燃料电池：续航突破2小时，适合长距任务

法规趋势

• 远程身份识别(RID)：2024年起中国强制安装
• 低空空域管理：600m以下逐步开放
• UTM无人机交通管理：类似ATC的空中管理
• 适航认证：25kg以上无人机需型号合格证

算法复杂度分析

在实际飞控系统中，算法必须在有限的计算资源下实时运行。以下为本课核心算法的复杂度分析：

实时系统设计原则

无人机飞控是典型的实时嵌入式系统，必须满足严格的时序约束：

• 硬实时：姿态控制环必须在1ms内完成(1kHz)，否则可能失控
• 软实时：EKF更新应在5ms内完成(200Hz)，偶尔超时可接受
• 非实时：路径规划可在后台线程运行，100ms-1s响应均可

# 典型飞控任务优先级(高→低)
# 1. IMU采样+姿态估计 (1kHz, 优先级最高)
# 2. 角速度PID控制     (1kHz)
# 3. 姿态PID控制       (500Hz)
# 4. EKF状态更新       (200Hz)
# 5. 位置/速度控制      (100Hz)
# 6. 路径规划/避障      (10-50Hz)
# 7. 通信/日志          (1-10Hz)

# RTOS调度: 优先级抢占 + 时间片轮转

代码质量与测试

飞控软件是安全关键系统，代码质量要求极高：

• 编码规范：MISRA C/C++，禁止动态内存分配
• 静态分析：Coverity/Cppcheck扫描所有警告
• 单元测试：每个算法模块100%覆盖率
• SIL测试：软件在环仿真验证功能
• HIL测试：硬件在环仿真验证时序
• 飞行测试：从悬停开始逐步扩大飞行包线

# 单元测试示例
def test_pid_output():
    pid = PID(kp=1.0, ki=0, kd=0)
    assert pid.update(1.0, 0.01) == 1.0  # P=1*1.0

def test_pid_integral_limit():
    pid = PID(kp=0, ki=1.0, kd=0, i_limit=5.0)
    for _ in range(1000):
        pid.update(1.0, 0.01)  # 大量积分
    assert abs(pid.integral) <= 5.0  # 不超过限幅

def test_kalman_convergence():
    kf = KalmanFilter(...)
    for _ in range(100):
        kf.predict()
        kf.update(measurement)
    assert kf.P[0,0] < initial_P  # 协方差下降

开源飞控架构对比

安全关键系统设计

无人机系统属于安全关键(Safety-Critical)系统，设计时必须遵循以下原则：

• Fail-safe设计：任何单点故障不应导致灾难性后果
• 冗余设计：关键传感器(IMU/GPS)至少双冗余
• 看门狗：硬件看门狗检测软件挂起，超时复位
• 状态机：明确的飞行状态转换，禁止非法状态
• 地理围栏：硬编码的飞行区域限制
• 最大倾斜角限制：防止翻机失控
• 电池保护：低压自动返航/降落
• 信号丢失保护：遥控信号丢失5s自动RTH