别急着去背名词表。飞控系统之所以劝退一拨人往往不是因为算法多难而是因为第一眼看到术语就懵了。电机上写的KV到底是不是转速IMU和AHRS谁包含谁路径规划里说的A*、RRT、人工势场都是什么甚至只是顺手改了“磁偏角”这个参数都可能导致无人机起飞后原地画圈。做飞控调参和仿真测试这些年我最大的感触是术语的本质不是考试题而是帮你快速建立“这台无人机到底怎么工作的”心智模型。只有把术语还原到真实飞行链路里你才知道该查哪段代码、该在哪里加限制、该在炸机之后先怀疑哪个模块。这篇文章我打算用一种不太像“说明书”的方式来写我会把飞控系统的专业术语按我平时带人做项目时的思路拆成动力选型、状态估计、视觉感知、路径规划、仿真验证这几大块每一块都讲清楚术语背后的工程逻辑同时穿插一些实测现场踩过的坑。不管你是刚碰开源驱动的入门玩家还是在做倾转旋翼、视觉避障、硬件在环仿真的嵌入式工程师都应该能在这里找到对得上号的词。1. 先把飞控术语放在一张“任务链路图”里理解1.1 飞控工作时的四个层面我习惯把一套完整的无人机飞控系统拆成四层感知层、决策层、执行层和动力层。这不是教科书分类而是你排查故障时的实际顺序。炸机之后多数人第一反应是看电调或者电机但很多莫名其妙的问题其实出在感知层的数据噪音上。所以先把层分清楚后续学任何术语都不容易乱。感知层的核心词无非是IMU、GPS/RTK、光流、视觉传感器、空速管这些。决策层则是姿态控制器、位置控制器、路径规划、避障决策这些词决定了无人机下一步往哪儿飞。执行层把决策变成物理动作通常涉及PWM或DShot信号、混控器、舵机、电调。动力层则是电机、螺旋桨、电池、起降平台这类偏机械和电气的东西。一个术语到底属于哪一层决定了你在看日志时应该去哪里找这条数据。有个很容易踩的坑是很多新手把“飞控”和“自驾仪”当成完全同义的两个词。实际在开源社区里飞控这词通常指底层姿态稳定和状态估计自驾仪则偏重任务管理和航线规划。你不把这个区别理清楚看Spacedrone这类开源无人机项目的文档时会非常痛苦一会说固件只做姿态控制一会又说mission planner在控制航线到底谁在做主其实它们是被总线串起来的不同功能模块。1.2 两个最容易被混用的缩写IMU、AHRS和INSIMU、AHRS、INS这三组词是我见过最容易翻车的缩写。IMU全称Inertial Measurement Unit是陀螺仪、加速度计的组合有的还带磁力计。它只输出原始测量数据不懂任何“姿态”的含义。AHRS是Attitude and Heading Reference System会把IMU的数据通过姿态解算算法融合起来输出横滚、俯仰、偏航角有的还带地磁航向。INS则是惯性导航系统进一步利用加速度积分出速度和位置。打个比方IMU是只看仪表盘的司机AHRS是告诉你车现在面朝哪个方向的领航员INS则是在仪表损坏后还能凭累计位移告诉你大概开到哪的估算师。实际调试里很多日志里标识写成IMU但软件却已经在内部完成AHRS融合。你如果只知道IMU然后去查原始数据自然会觉得数据”跳得离谱“。所以遇到问题先确认你在看的是原始传感器量还是已经过姿态解算的输出量这一句确认往往能节省一整个下午。这里有个实操经验在校准时静态IMU数据绘制出来应该是一条趋于稳定的直线。要是你看到波形呈周期性漂移先别急着换传感器大概率是温飘或者安装面的减震没做好。飞控对高频振动极其敏感别一上来就怀疑硬件型号不对很多时候是结构共振。2. 动力选型与飞行平台电机KV、倾转旋翼、起降平台里的术语陷阱2.1 电机选型KV值没那么简单无人机电机选型里面KV值是被误解最深的指标。很多人看到KV高就以为转速快、爆发力强于是给载重机选了高KV电机结果续航差得一塌糊涂。实际上无刷电机的KV值在不考虑负载时代表每伏电压增加的转速单位是RPM/V。但这只是空载转速常数真正决定推力的还有电机的扭矩特性、桨叶尺寸和转速之间的配合关系。同一个电机换不同直径和螺距的桨工作点完全不一样。大桨在低转速下能产生更大推力高KV电机却倾向于带动小直径桨跑高转速。所以在你做无人机电机选型时我看到最多的问题不是电机本体的峰值功率而是“电机和桨是否落到了效率最高的负载区间”。推荐的做法是查厂家给出的推力表综合电机电流、电池放电倍率、目标悬停油门来反推选型。很多人忽略的是电调持续电流要留出至少20%裕量电机峰值电流和持续电流也要分开看。我测试过一款标称持续电流30A的电调在悬停油门35%的时候温度正常但航线飞行中一个急加速直接把电调过热保护触发飞机从天上开始抽搐。查日志发现瞬时电流冲到了43A远超标称值。从那以后我奉行的原则是选电调和电池前先用自己的机架和实际桨叶去做推力测试在桌面把油门拉满再看电流计读数别拿标称值当安全绝对。2.2 倾转旋翼和起降平台的关键词倾转旋翼无人机这几年热度很高核心特点是通过发动机或电机带动螺旋桨翻转让飞机兼顾垂直起降和固定翼巡航。这里面的术语几乎都和“过渡态”绑定。你会看到过渡走廊、倾转速率限制、失速速度这几个概念。过渡走廊的意思是倾转角度、空速和升力之间必须保持一个安全包线如果空速还不够就过早把旋翼完全转到巡航方向机翼升力不足就会出现掉高甚至无法改出。曾经有人在开源飞控里写倾转混控器逻辑忽略了对倾转速率做积分限幅结果垂直起飞后倾转机构在0.8秒内猛转到位空速只有8米/秒机翼完全没进入有效升力区间整机直接拍地。所以做倾转旋翼项目时一定要优先定义好“倾转角度-空速”映射关系并通过仿真去扫参数。别把电机转到某个角度就当作完成任务飞控里更在意的是这个过程里姿态扰动有多大。无人机起降平台在工程上也有一堆常用术语归位导航、精度引导、回收锁定、对中机构。自动降落不是“大概落在平台附近就行”而需要厘米级精准。业务上经常把视觉引导的Tag识别和RTK定位结合起来先由RTK把无人机引导到平台附近三米范围再用视觉识别算法锁定平台中心。这个时候你会频繁看到“位置置信度”这个概念。置信度低于某个阈值飞控是不允许触发降落动作的。我试过用纯视觉估计高度去降落在草地上视觉在单一纹理场景下漂移严重离地0.5米时就冲出起降垫差点把桨削到。3. 飞控内部状态估计IMU、AHRS和融合模型的常用词3.1 传感器层里的“原始口径”和“融合口径”飞控系统的核心任务之一就是把所有传感器的原始数据融合成一个真实可用的飞行状态。你经常在调参软件里看到的四元数、欧拉角、加速度计校准、陀螺仪零漂、磁力计校准这些词都属于状态估计的大范畴。阿克曼和欧拉角描述的都是姿态但表达方式不同。欧拉角是先绕Z轴再绕新Y轴、再绕新X轴的旋转顺序简单直观却有万向锁问题四元数用四个数编码旋转信息能避免奇异性因此飞控固件内部存储姿态时几乎都用四元数只在显示或任务层根据需要转成欧拉角。很多新手问既然欧拉角更直观为什么不用它来运算原因很简单在实际飞行中俯仰角接近90度时欧拉角会出现数值退化本来好好的姿态数据突然发生角度跨越控制器没法处理这种不连续。所以无论你调的是PID还是更现代的控制算法内部姿态表达基本都选四元数。这是个越早理解越少踩坑的术语点。与状态估计相关的另一个高频词是“数据融合频率”。IMU通常跑几百赫兹甚至上千赫兹而视觉传感器和RTK量测可能只有10到30赫兹。要把两类数据合在一起就得用卡尔曼滤波一类的方案处理时间不一致问题。这里面常出现名词“预测更新”和“量测更新”预测是按IMU的高速数据进行递推量测是等到低速传感器有数据进来时再做修正。你要是把两者的更新顺序写反姿态就会每100毫秒跳变一次。3.2 校准、零漂、磁偏角你看日志时应该盯哪条起飞前的传感器校准是飞控使用中最无趣却最致命的部分。加速度计校准说白了就是让传感器知道“重力方向在地理坐标系里是哪个方向”陀螺仪校准则是消除静止时的角速度零漂磁力计校准用于消除机架磁场干扰。你看日志时如果发现悬停状态俯仰和横滚仍有每秒钟几度的漂移大概率不是控制器参数没调好而是陀螺仪零漂随着温度变化跑掉了。此时优先做的是重新做一遍静态校准甚至会检查飞控安装位置的散热风道是否影响到传感器温度场。磁偏角这个词也很有意思。地磁北和地理北之间不重合差值随经纬度变化。飞控里常要求你设置当前城市的磁偏角目的是把磁航向修正成真航向。有些人图省事不设或者在地面站里漏填然后发现飞机横滚、俯仰控制都正常只要给航向指令航向环就以一种奇怪的偏置跟踪。这种问题最容易误诊成PID问题反复调Yaw增益浪费一晚上。我建议做首飞前先在调参软件的磁罗盘界面旋转飞机观察航向读数是否平滑再去检查当地磁偏角。在内存帮助记忆中遇到以下内容。处理原任务中的包含。记录未在草稿中被吞噬的整合要点。我决定在下一节包括这些如“飞机起飞前你总得知道周围有什么”。数据集的例项。3.3 控制链路里的底层高频词PWM、DShot、混控器、PID执行层术语同样有自己的语境。PWM控制信号在飞控里已经算是老古董了它用脉宽表示油门大小但更新频率和使用习惯受限。现在很多主流电调支持DShot协议属于数字信号比PWM抗干扰能力更强能够传递双向数据让飞控读取电调转速和温度。你会看到Motor output混控器和双马达混控的说法本质是把姿态控制器的输出转换到每个电机的实际油门指令。四旋翼的混控矩阵很简单固定翼则涉及升降舵、副翼、方向舵、油门的联动写错一个混控符号都可能让飞机升空瞬间翻覆。PID不用多说飞控专业术语的常客。比例项应对当前误差积分项消除稳态误差微分项抑制超调。这里有个经常被忽略的词叫积分限幅。如果积分项无限制累积无人机在长时间受到单侧风干扰时积分量会越攒越大导致航向修正变得生硬甚至一松杆就出现明显振荡。所以我在所有旋翼机上都建议把积分限幅设置的尝试从默认参数的30%开始再往下调观察悬停曲线。4. 视觉感知与公开数据集无人机“看得见”之后的术语边界4.1 避障、光流、双目视差、目标跟踪无人机视觉感知是最近几年工程落地最多的话题。避障系统可以分成两个角色一个是探测前方是否有障碍另一个是在探测到障碍后做轨迹重规划。前者常见术语是光流、深度图、障碍物包围盒、语义分割掩码后者才会走进路径规划模块。光流听起来玄乎本质上就是通过连续两帧图像中像素点的位移推算场景相对相机的移动关系。光流在低空、纹理丰富的场景里很好用一旦面对大片草地或水面这种重复纹理光流输出就会很飘。盲目信任光流做定高是很多摔机的根源。双目视差通过两个摄像头左右视角差异计算物体距离属于被动视觉测距。你常常会在文档里看到基准线、视差图、重投影误差这些词。它们彼此相关基准线是两个相机光心之间的距离视差图是左右图像素匹配之后的偏移量重投影误差则用来评估三维点投影回像素平面时和实际像素位置的差距。选双目相机时别只盯着分辨率基线长度反而更影响近处测距精度。想识别5米开外的墙角基线太短会导致视差变化不明显。目标检测和跟踪在大疆Payload、开源无人机任务里经常见到。这里常见的术语边界是检测框、跟踪置信度、数据关联。很多工程师误以为只要目标检测连续输出跟踪就自动成立。其实检测是每一帧独立判断目标在哪儿跟踪则是把连续帧里的目标关联成同一条轨迹。一旦目标被遮挡几帧再出现时数据关联可能匹配错跟踪框会跳到旁边同样颜色的物体上。这种问题在飞控决策层面比想象中严重因为无人机往往只有一次机会去避开障碍或降落到平台上。4.2 高光谱农业数据集和工地航拍数据到底在谈什么之前有网友问公开的无人机高光谱农业数据集有哪些植物其实这类数据集通常标注了作物种类和区域掩码常见植物包括玉米、小麦、大豆、水稻、甘蔗以及一些牧草品种。高光谱数据与普通RGB图像最大的区别是波段数量好的高光谱相机能有数十到数百个波段可以捕捉到植物在不同光谱上的反射特征用于反演叶绿素含量、水分胁迫和病虫害覆盖。做农业遥感时你还会看到NDVI归一化植被指数、红边位置、辐射定标这些词组。高光谱影像很多都需要先做辐射校正不做校正直接喂给分类网络不同天气下采集的数据会形成巨大分布差异模型一到新地块基本失效。另一个被广泛讨论的是无人机航拍工地数据公开。工地场景的数据集通常包括航拍的裸土、基坑、塔吊、临时道路、材料堆等类别常用于土方量计算、施工进度监测和安全巡检。你要在飞控系统层面谈论它时更关心的往往是正射影像拼接、地面控制点、地理配准以及数据标注的一致性。公开数据如果只有图像没有标注好语义分割标签无人机自动化巡检模型就没法直接训练。实际抓工地数据时我建议尽量选择同一时间段拍摄减少阴影角度变化对分割结果的干扰。5. 路径规划算法与三维建模从“到点”到“飞出一条像样的航线”5.1 A*、RRT、人工势场和贝塞尔曲线的工程含义无人机路径规划在飞控专业术语里是一片重灾区。不少人在讨论A*和RRT时其实连“搜索空间”这个概念都没分清。二维路径规划是在一个平面地图上找一条无碰撞路线三维路径规划则要额外考虑高度变化、障碍物垂直延展、动力学可达性和能耗。你搜“无人机三维路径规划数学模型matlab代码”往往搜出来的代码把三维问题简化成多个二维层来处理但在工程里这种分层策略很容易规划出“看似安全实际机动不了”的轨迹因为无人机有限制最大爬升率和最小转弯半径数学上还必须把这些约束写成等式或不等式。A*是最常见的栅格搜索算法核心术语是启发函数、开放列表、闭合列表、代价估计。启发函数好坏直接决定搜索的效率。RRT算法则是基于随机采样的快速扩展随机树适合高维空间和连续状态空间但单一RRT给出的路径往往曲折规划出来的航线还需要做平滑。人工势场则让无人机在目标点产生引力在障碍物附近产生斥力算法简单却容易陷入局部极小点飞机在某个凹形障碍区域里来回抖动无法绕出。贝塞尔曲线用于平滑连接一段一段的航迹点你需要连续、曲率有限的航迹否则飞机很难跟踪。我之前用Matlab验证三维路径规划模型时踩过最典型的坑是地图建模和坐标系不统一。代码里把地图分辨率设为10米又把飞行器的网格占用半径设成2米看起来没有任何碰撞实际上机翼的真实翼展加上安全间隙早就超过了栅格尺寸。实飞时路径数据回传显示DFS路径在二维图上是安全的三维却擦着山坡边缘。先统一栅格、飞行器包络系和安全间隙再做算法比较这是把“搜索到”变成“能飞”的第一道门槛。5.2 代价函数、约束条件、路径平滑建模时的三个层次三维路径规划的数学建模很少有固定模板但大致可以拆成三个层次环境建模、约束建模和任务目标函数建模。环境建模把地形、禁飞区、雷达威胁、气象条件转成空间中的禁止域或风险场约束建模包括无人机最大飞行速度、最大加速度、俯仰/偏航角限制、最小离地高度任务目标函数则是希望总航程、总转弯次数、暴露时间或油耗达到平衡。很多论文里喜欢直接写“飞行代价燃料代价威胁代价高度代价”具体每一项权重却拍脑袋定。我在实际项目里会建议把代价函数的各个分量归一化到相近量级否则比如威胁代价数值是高度代价的100倍优化器永远只在削威胁飞机最后可能贴着地面贴着避难。用Matlab做这类实验时先画三维图看等值面再决定权重比反复跑上万次寻优有效得多。讲到路径规划就不能不提Dubins曲线和曲率约束。固定翼和复合翼无人机不能悬停转向规划出来的曲线必须满足最小转弯半径。RRT做出来的折线看着可以用真正交给固定翼飞控时会发现航向角突变太大跟踪机场完全跟不上。很多人在仿真里不引入航迹跟踪模型等真机测试才发现算法完全不可行。最靠谱的做法是在做三维路径规划数学模型时最后多插值出一段连续曲率航迹并做逆向跟踪仿真的闭环。6. 在仿真与实物之间HIL硬件在环、半物理仿真和真题验证6.1 HIL到底在仿什么无人机硬件在环仿真Hardware-in-the-LoopHIL听起来很高端其实做的事情非常直接不把飞控硬件拿出去飞而是让飞控通过串口或CAN连到一台电脑/嵌入式主机上由仿真软件模拟整机运动把模拟出来的IMU、GPS、气压计数据喂给真实飞控。飞控在闭环中运行它平时真实运行的全部控制逻辑输出给电机电调的指令也不会带动螺旋桨而是被仿真器拿去计算成下一帧的机体加速度。为什么要搞这么麻烦因为在代码模拟环境下算法跑在普通CPU里环境过于干净而真机试飞时硬件引脚、总线干扰、通讯延迟和传感器噪声都会暴露同一批bug。用HIL你至少能验证飞控的底层传感器驱动、姿态控制器和电调输出逻辑是否真的在整机闭环中工作。它的好处是重复性强起降测试不需要担心撞机特别适合验证倾转旋翼无人机的过渡走廊逻辑或者自主起降平台上的归位导航逻辑。HIL会频繁出现几个词SIL、PIL、HIL、快速原型。SIL是软件在环飞控代码和仿真模型都跑在一个普通PC环境里速度最快PIL是把控制代码部署到目标处理器但外围设备还用仿真数据真正到了HIL则强调替换掉真实的传感器信号甚至是真实执行机构。很多团队把SIL验证通过的策略直接拿到HIL上结果出现总线带宽满、看门狗复位之类的硬件层面的Bug这就是“层级没分清楚”导致的错误预期。我建议任何开源自驾仪的采集流程都按SIL到HIL再到真机来做别跳级。6.2 从仿真转到真机之前必须对上的词当你从硬件在环仿真切回真实飞行时有几个词当面要对清楚时间同步、传感器特性、噪声模型、安全冗余。仿真里给飞控的IMU数据是理想时刻的数值真机中传感器数据却有可能因为I2C总线抢占用、DMA缓冲竞争等问题出现时间不确定性这会直接影响姿态估计质量。所以做真机首飞前一定要先在电脑上读取飞控的传感器原始数据频率看是否有周期性跳变或卡顿。还要提一个名词叫“执行机构饱和”。真机电机推力有上限电调PWM输出有上下限舵机转角也有极限。在仿真环境里如果不加饱和模型控制律设计可以在理论上表现得很好一旦装载到真机上控制器会频繁要求输出超过物理极限的值积分项疯狂累积等到输出回落时系统已经出现明显振荡。我的习惯是在每一条仿真结果里都单独输出电机指令有没有到限幅边界如果某一段航线中大部分时间都在限幅附近那么控制器参数设计就需要重新审视。在开源社区经常能看到别人放出的Spacedrone项目涉及多旋翼、倾转旋翼和复杂飞行模式的飞控方案也有搭建无人机起降平台和自主任务链路的尝试。建议你铆定一个开源项目把从传感器驱动到姿态控制再到路径规划的关键代码通读一遍期间记录下所有自己不认识的术语用我们上文拆分的任务链路图去归类。慢慢你会意识到术语之间是互相锁定的认识不了IMU就理解不了惯性导航不清楚惯性导航就无法理解为什么路径规划需要对位置置信度做约束。如果你也在做无人机飞控、三维路径规划的仿真验证或视觉感知集成我的建议很简单每次遇到一个陌生名词先写下来三个问题——它属于感知、决策、执行还是动力层它解决的是物理测量问题还是数学表达问题如果没有它整个飞行闭环会在哪一环断开带着这三个问题去读代码你的速度反而会比翻十篇综述更快。