掌握RRT/RRT*算法原理，理解采样规划在高维空间的优势。
def rrt(start, goal, obstacles, max_iter=2000, step=1.5):
tree = [start]
for _ in range(max_iter):
sample = goal if random()<0.1 else random_sample()
nearest = find_nearest(tree, sample)
new = steer(nearest, sample, step)
if collision_free(nearest, new, obstacles):
tree.append(new)
if distance(new, goal) < step:
return extract_path(tree, new)
return None # 未找到| 特性 | RRT | RRT* |
|---|---|---|
| 渐近最优 | ❌ | ✅ |
| 重连(rewire) | 无 | 有 |
| 路径质量 | 较差 | 持续改善 |
| 计算量 | 低 | 较高 |
def rrt_star(tree, new_node, near_radius):
# 1. 找近邻
near = [n for n in tree if dist(n,new) < near_radius]
# 2. 选择最优父节点
best_parent = min(near, key=lambda n: cost(n)+dist(n,new))
# 3. 重连: 如果经new到near更短则更新
for n in near:
if cost(best_parent)+dist(best_parent,new)+dist(new,n) < cost(n):
reparent(n, new)=== RRT路径规划结果 ===
路径节点数: 23
树节点数: 109
路径总长度: 33.0Informed-RRT*在找到初始解后限制采样到椭圆区域：
# 椭圆采样区域
a = path_length / 2 # 半长轴
c = dist(start, goal) / 2 # 焦距
b = sqrt(a² - c²) # 半短轴
# 只在椭圆内采样 → 收敛更快✅ RRT适合高维空间快速探索
✅ RRT*渐近最优但计算量更大
✅ Informed-RRT*加速收敛
1. RRT*重连逻辑实现。2. 3D RRT路径规划。3. 对比A*与RRT在复杂地图效率。
掌握RRT/RRT*采样规划算法
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。
| 指标 | 消费级 | 工业级 | 研究级 |
|---|---|---|---|
| 姿态精度 | ±2° | ±0.5° | ±0.1° |
| 位置精度(GPS) | ±2m | ±0.5m | ±2cm(RTK) |
| 悬停精度 | ±1m | ±0.3m | ±0.05m |
| 控制频率 | 400Hz | 1kHz | 1kHz+ |
| 传感器融合 | 互补滤波 | EKF | EKF/VIO |
| 续航时间 | 20-30min | 30-45min | 视载荷而定 |
RRT适合高维空间和复杂约束场景。无人机路径规划中的变体：(1)Kinodynamic RRT考虑动力学约束(速度/加速度限制)；(2)RRT*渐近最优但计算量大；(3)Informed RRT*在椭圆区域采样加速收敛；(4)BIT*结合了A*的最优性和RRT的采样效率。实际应用中通常先用A*粗规划，再用RRT处理局部动态障碍。
| 参数 | 典型值 | 影响 |
|---|---|---|
| 控制频率 | 400-1000Hz | 稳定性/延迟 |
| EKF频率 | 200-500Hz | 估计精度 |
| 导航频率 | 10-50Hz | 路径跟踪 |
| 传感器延迟 | 5-200ms | 需时间补偿 |
| 电池警戒 | 25%→RTH | 安全返航 |
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：
| 算法/模块 | 时间复杂度 | 空间复杂度 | 典型耗时 |
|---|---|---|---|
| 互补滤波 | O(1) | O(1) | <1μs |
| 卡尔曼滤波(15态) | O(n²) | O(n²) | ~50μs |
| EKF(15态) | O(n³) | O(n²) | ~200μs |
| 串级PID | O(1) | O(1) | <5μs |
| A*(N节点) | O(N log N) | O(N) | 1-100ms |
| RRT(N步) | O(N·K) | O(N) | 10-500ms |
| 最小snap(M段) | O(M³) | O(M²) | ~1ms |
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：
# 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 + 时间片轮转飞控软件是安全关键系统，代码质量要求极高：
# 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| 特性 | PX4 | ArduPilot | Betaflight |
|---|---|---|---|
| 定位 | 研究/工业 | 工业/爱好者 | 竞速穿越 |
| 代码量 | ~500K行 | ~800K行 | ~200K行 |
| 支持的机型 | 多旋翼/固定翼/VTOL | 多旋翼/固定翼/直升机/车/船 | 多旋翼/固定翼 |
| 导航能力 | 强(全面) | 强(最全面) | 弱(仅自稳) |
| 实时性 | NuttX RTOS | ChibiOS/RTOS | Bare-metal |
| 仿真支持 | SITL/Gazebo/AirSim | SITL/Gazebo | 有限 |
| 社区活跃度 | 高 | 最高 | 高(竞速圈) |
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：
本课所学技术在以下场景中直接应用：
将本课模块集成到完整系统时的注意事项：
要实践本课内容，需要搭建以下开发环境：
# 1. Python环境(仿真开发)
sudo apt install python3 python3-pip
pip3 install numpy scipy matplotlib
# 2. PX4开发环境(飞控开发)
git clone https://github.com/PX4/PX4-Autopilot.git --recursive
bash ./PX4-Autopilot/Tools/setup/ubuntu.sh
make px4_sitl jmavsim # 验证安装
# 3. ArduPilot开发环境
git clone https://github.com/ArduPilot/ardupilot.git --recursive
pip3 install pymavlink MAVProxy dronekit
# 4. 仿真环境
# Gazebo: 3D物理仿真
sudo apt install gazebo11 libgazebo11-dev
# AirSim: 高保真视觉仿真
# 从GitHub Releases下载预编译版本
# 5. 地面站
# QGroundControl: sudo ./QGroundControl.AppImage
# Mission Planner: Windows平台根据不同的学习目标，建议以下路径：
| 目标 | 重点课程 | 实践项目 |
|---|---|---|
| 飞控算法工程师 | 1-9,25-26 | 自定义PID+姿态估计算法 |
| 导航规划工程师 | 10-18,27 | A*+RRT避障巡检系统 |
| 集群系统工程师 | 19-24 | 多机编队协同任务 |
| 全栈无人机工程师 | 全部30课 | 完整自主巡检系统 |