第一章 无人机入门（二）：从飞控到机载电脑的软件协同架构

1. 无人机软件系统的分层架构

第一次接触无人机软件系统时，很多人会被各种术语绕晕。其实无人机的软件架构就像人体的神经系统，可以简单分为三层：底层飞控固件（小脑）、中间件通信协议（脊髓神经）、上层机载电脑应用（大脑）。这种分层设计让每个部分各司其职又协同工作。

飞控固件（如PX4/Ardupilot）运行在飞控硬件上，相当于人体的"小脑"。它负责最基础且关键的飞行控制任务：实时读取IMU（惯性测量单元）、气压计等传感器数据，通过PID控制算法保持无人机稳定悬停。我曾用示波器测量过PX4的控制响应速度——从传感器数据输入到电机PWM信号输出，整个过程不超过5毫秒。这种实时性要求决定了飞控必须用C/C++编写，并运行在实时操作系统（RTOS）上。

中间通信层主要采用MAVLink协议，它就像神经传导束。这个轻量级协议定义了上百种消息类型，从心跳包（heartbeat）到姿态数据（ATTITUDE）都通过UART或USB传输。在实际项目中，我遇到过因波特率设置错误导致的通信中断——飞控和机载电脑就像两个说不同语言的人，明明各自正常却无法协作。这时用mavlink-router工具抓包分析就能快速定位问题。

机载电脑（如Jetson Nano、树莓派）运行Linux系统，承担高级计算任务。它通过MAVLink获取飞控数据，处理计算机视觉、路径规划等算法，再发送控制指令。例如做目标跟踪时，YOLO算法识别出目标位置后，需要将像素坐标转换为GPS坐标，再通过SET_POSITION_TARGET_LOCAL_NFS消息发送给飞控。这个过程涉及坐标系转换、运动预测等复杂计算，但飞控只需关心最终的执行指令。

2. 飞控固件：无人机的"小脑"

飞控固件是无人机软件栈中最底层的部分，直接与硬件打交道。以PX4为例，其代码结构清晰地反映了功能划分：

├── src │ ├── drivers # 硬件驱动（IMU、GPS等） │ ├── modules # 功能模块 │ │ ├── commander # 安全状态管理 │ │ ├── navigator # 任务规划 │ │ └── fw_att_control # 固定翼姿态控制 │ └── lib # 数学库/滤波器

传感器数据流经多个处理阶段。原始数据（如陀螺仪ADC值）首先经过温度补偿和校准，再通过卡尔曼滤波（EKF2）进行数据融合。我曾用pyulog工具分析飞行日志，发现未校准的磁力计数据会导致EKF发散——这解释了为什么每次更换螺旋桨后都必须做传感器校准。

控制算法是飞控的核心。多旋翼常用的级联PID控制器分为三环：

1. 角速率环（内环）：响应最快，直接控制电机
2. 角度环（中环）：保持机体姿态
3. 位置环（外环）：实现定点悬停

调试时需要用QGroundControl的PID调参界面。有个实用技巧：先给角度环P值一个较小值，用手晃动无人机观察响应，逐步增加直到出现小幅震荡后回调20%。去年给农业无人机调参时，发现默认参数在载重20kg时会出现低频振荡，最终通过增加D值解决了问题。

3. 机载电脑：无人机的"大脑"

机载电脑让无人机具备智能决策能力。常见的硬件选型有三类：

• 入门级：树莓派4B（性价比高，但算力有限）
• 中端：NVIDIA Jetson Xavier NX（支持CUDA加速）
• 高端：Intel NUC（x86架构，兼容性好）

软件栈通常采用ROS+MAVROS架构。MAVROS作为桥接节点，将MAVLink消息转换为ROS话题。例如飞控姿态数据会发布到/mavros/imu/data话题，而控制指令通过/mavros/setpoint_raw/local订阅。我在开发时习惯用rostopic hz检查数据频率——视觉算法至少需要30Hz的定位更新，否则会导致控制延迟。

典型的工作流程如下：

# 创建速度控制指令 vel_cmd = TwistStamped() vel_cmd.twist.linear.x = 0.5 # 前进速度0.5m/s vel_pub.publish(vel_cmd) # 订阅GPS数据 def gps_callback(data): print(f"当前经纬度: {data.latitude}, {data.longitude}") rospy.Subscriber("/mavros/global_position/global", NavSatFix, gps_callback)

实际部署时容易遇到资源冲突问题。有次同时运行视觉SLAM和避障算法导致CPU过载，最终通过taskset命令将进程绑定到不同核心解决。另一个经验是：使用uv4l进行视频流压缩时，选择H.264编码比MJPEG节省50%带宽。

4. 软件协同中的数据流

完整的无人机工作流程就像工厂流水线。以自主巡检任务为例：

1. 传感器数据采集：飞控以100Hz频率读取IMU数据，同时GPS模块以10Hz输出定位信息。常见问题是传感器不同步——我的解决办法是用PPS信号触发IMU采样，时间对齐后姿态估计精度提升了15%。

2. 状态估计：飞控运行EKF2算法融合多源数据。关键参数EKF2_GPS_POS_D控制GPS信任度，在市区需调低以避免高楼遮挡导致的定位跳变。

3. 机载电脑决策：通过MAVROS的/mavros/state话题监控飞行状态。当检测到armed=True时，启动自主航线跟踪：

roslaunch mavros px4.launch fcu_url:="udp://:14540@127.0.0.1:14557"

4. 控制指令下发：机载电脑发送SET_POSITION_TARGET_GLOBAL_INT消息时，需要特别注意坐标系转换。有次因疏忽NED（北东地）与ENU（东北天）坐标系差异，导致无人机朝反方向飞行。

5. 日志记录：PX4的.ulg日志和ROS的.bag日志需同步分析。我写了个Python脚本用pyulog和rosbag库提取时间对齐的数据，这对调试复杂问题非常有用。

5. 开发环境搭建实战

快速搭建开发环境能事半功倍。推荐以下工具链组合：

飞控开发：

• 固件编译：docker run --rm -v $(pwd):/px4 px4io/px4-dev-ros2
• 仿真测试：make px4_sitl gazebo-classic_iris
• 调试工具：uorb top查看主题频率

机载电脑开发：

# 安装MAVROS sudo apt install ros-noetic-mavros ros-noetic-mavros-extras wget https://raw.githubusercontent.com/mavlink/mavros/master/mavros/scripts/install_geographiclib_datasets.sh sudo ./install_geographiclib_datasets.sh

实用调试技巧：

1. 使用mavlink_shell.py直接与飞控交互
2. 通过nethogs监控网络带宽占用
3. 用plotjuggler可视化ROS话题数据

遇到过最棘手的bug是MAVLink消息丢包。最终发现是USB接口供电不足，改用带外接电源的USB Hub后问题消失。这也提醒我们：无人机系统问题有时是硬件引起的，不能只盯着软件查。