🚁 第14课：A*路径规划

可容许性：h(n) ≤ h*(n)保证最优性

def astar_3d(grid, start, goal):
    neighbors_26 = [(dx,dy,dz) for dx in [-1,0,1]
                    for dy in [-1,0,1] for dz in [-1,0,1]
                    if not (dx==0 and dy==0 and dz==0)]
    # ... 同2D但扩展到26邻居
    cost = sqrt(dx² + dy² + dz²)

✅ A*结合Dijkstra最优性与贪心效率

✅ 启发函数必须可容许

✅ 3D扩展到26邻居

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

A*是最经典的路径规划算法。在3D环境中的优化策略：(1)跳点搜索(JPS)加速均匀网格；(2)分层规划(粗规划+细规划)；(3)增量式搜索(D*Lite)应对动态环境；(4)任意角度规划(Theta*)避免锯齿路径。实际无人机规划还需考虑：最小转弯半径、最大爬升角、禁飞区约束。

关键参数速查

常见故障排查

• 飞行振荡→减小PID增益或增大微分项
• 漂移→检查传感器校准和零偏估计
• 突然倾斜→检查电机/电调/桨是否有损坏
• 定位跳变→检查GPS质量/多径干扰
• 高度异常→检查气压计通风和温度补偿

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

典型应用场景

本课所学技术在以下场景中直接应用：

• 电力巡检：自主飞行沿输电线路巡检，自动识别绝缘子缺陷、连接点过热、树障距离不足等问题。每天可完成30-50基铁塔的巡检任务，效率是人工的10倍以上。
• 应急救援：灾区快速测绘，10分钟内生成1km2正射影像，为救援决策提供实时地图。红外热成像搜索受困人员，夜间也能有效搜救。
• 精准农业：多光谱相机获取作物NDVI指数，识别病虫害区域，指导变量施药。相比全田喷洒节约30-50%农药。
• 建筑监测：定期无人机巡检生成三维模型，对比分析建筑变形、沉降、裂缝发展。精度可达毫米级。
• 物流配送：山区/海岛等交通不便区域的医疗物资、快递配送。无人机30分钟内可覆盖20km半径范围。

系统集成经验

将本课模块集成到完整系统时的注意事项：

• 传感器数据流：IMU 1kHz -> 姿态估计 500Hz -> 控制 400Hz -> 电机PWM 400Hz
• 时间戳同步：所有传感器数据必须使用同一时间基准(通常为飞控启动后的微秒计数)
• 数据延迟补偿：GPS延迟约100ms，需在EKF中用IMU前向传播补偿
• 传感器切换：GPS可用时用GPS，室内切换到光流/VIO，需平滑过渡
• 故障检测：EKF创新序列(innovation)监测传感器异常，过大则降低该传感器权重
• 参数存储：所有PID/滤波器参数持久化到Flash，上电自动恢复