飛控演算法

⑴ 如何用開源飛控PIXHAWK進行開發

想快速開發一個飛控，那首先要做的是了解apm的各種參數配置，了解每個參數的影響和起作用的代碼功能塊，用apm適配自己的機型還是需要修改，優化，和裁剪。正如克里斯安德森說希望APM做無人機行業的安卓，但是安卓的性能也只能是差強人意，比無人機行業的IOS大疆創新來說還差很多。
飛控行業或者研究領域應用，例如開發測繪手機app，無人機送快遞等等（傾向於demo性質）...這種應用不需要做一個飛控，首先大概了解飛控的原理，然後只要掌握apm的控制數據協議即可。
發燒級的愛好者或者開發者，迫切的想要了解apm的大部分演算法和邏輯，這個真的需要較長的時間，大致的思路就是：底層驅動－》感測器數據和物理意義－》姿態解算－》PID控制器－》飛行模式切換－》參數調優（包含gps懸停剎車什麼的很細但是影響手感和性能的參數）初學只是去看apm而不是自己動手去做很難搞懂，建議還是自己做飛控，哪怕復制apm部分功能代碼，做飛控的學習順序和讀飛控一樣，但對於apm這樣一個系統工程相對來說模塊更分立。

⑵ 如何用開源飛控Pixhawk進行二次開發

商業轉載請聯系作者獲得授權，非商業轉載請註明出處。
鏈接：http://www.hu.com/question/38874663/answer/84239995
來源：知乎
以下所描述的都是針對px4原生固件，此外，由於固件更新過於頻繁，本文描述的是15年7月的固件，主要是舉例，有改動的話，自己再研究研究吧（後面換cmake編譯方式了，改動蠻大）。

既然要做開發，第一步就是搭好開發環境，根據我的經驗，最好是在linux環境下編譯，這樣效率會很快，以前在windows下編譯，經常40分鍾以上，這樣就太影響開發了；
第二步，大概了解下固件的架構，

如果只涉及應用層的開發，那底層的nuttx系統就可以繞過去了，一般，最好先把uorb模塊的機制整明白就好了，從uorb入手，了解每個話題的來源以及作用，整理數據流，清楚每個模塊之間的關系即可，比如，要實現手動模式，哪些模塊互相交互，auto模式，又有哪些模塊起作用，
如果涉及相應演算法的開發，要學會定位到相應的演算法模塊，甚至具體到哪些代碼，比如，你想試驗你的姿態估計演算法，那你就將姿態估計模塊替換掉即可，不過相應的介面仍需要和px4環境一樣，以姿態估計為例，最後要發布你的vehicle_attitude話題，不然無法與其他模塊交互；

另外，不要試圖在代碼中找main函數，那是單片機思維，你只需看啟動腳本即可，\ROMFS\px4fmu_common\init.d\rcs；
第三步，針對你的具體情況，定位相應的模塊，進行精讀研究，雖然模塊基本是用C++寫的，但是不會C++也沒關系，畢竟又不是讓你寫，本人倒目前為止，也不會C++，配合注釋，看明白就好了，比如，整理下mavlink的控制流程；

px4原生固件模塊列表：
系統命令程序
mavlink –通過串口發送和接收mavlink信息
sdlog2 –保存系統日誌/飛行數據到SD卡
tests –測試系統中的測試程序
top –列出當前的進程和CPU負載
uORB – 微對象請求代理器-分發其他應用程序之間的信息
驅動
mkblctrl–blctrl電子模塊驅動
esc_calib –ESC的校準工具
fmu –FMU引腳輸入輸出定義
gpio_led –GPIOLED驅動
gps –GPS接收器驅動
pwm –PWM的更新速率命令
sensors –感測器應用
px4io –px4io驅動
uavcan –uavcan驅動
飛行控制的程序
飛行安全和導航
commander –主要飛行安全狀態機
navigator –任務，失效保護和RTL導航儀
估計姿態和位置
attitude_estimator_ekf –基於EKF的姿態估計
ekf_att_pos_estimator –基於EKF的姿態和位置估計
position_estimator_inav–慣性導航的位置估計
multirotor姿態和位置控制器
mc_att_control–multirotor姿態控制器
mc_pos_control –multirotor位置控制器
fixedwing姿態和位置控制器
fw_att_control –固定翼飛機的姿態控制
fw_pos_control_l1 –固定翼位置控制器
垂直起降姿態控制器
vtol_att_control –垂直起降姿態控制器
最後提一句，多看看官網的說明，另外根據本人的經驗來看，由於大框架，代碼人家都寫好了，通常你要加功能，所修改的也就幾行代碼而已，舉例說明，比如px4固件只能在手動模式解鎖，假如我要修改成定高模式解鎖

希望可以幫助你，歡迎採納

⑶ 演算法工程師應該學哪些

一、演算法工程師簡介
（通常是月薪15k以上，年薪18萬以上，只是一個概數，具體薪資可以到招聘網站如拉鉤，獵聘網上看看）
演算法工程師目前是一個高端也是相對緊缺的職位；
演算法工程師包括
音/視頻演算法工程師（通常統稱為語音/視頻/圖形開發工程師）、圖像處理演算法工程師、計算機視覺演算法工程師、通信基帶演算法工程師、信號演算法工程師、射頻/通信演算法工程師、自然語言演算法工程師、數據挖掘演算法工程師、搜索演算法工程師、控制演算法工程師（雲台演算法工程師，飛控演算法工程師，機器人控制演算法）、導航演算法工程師（
@之介
感謝補充）、其他【其他一切需要復雜演算法的行業】
專業要求：計算機、電子、通信、數學等相關專業；
學歷要求：本科及其以上的學歷，大多數是碩士學歷及其以上；
語言要求：英語要求是熟練，基本上能閱讀國外專業書刊，做這一行經常要讀論文；
必須掌握計算機相關知識，熟練使用模擬工具MATLAB等，必須會一門編程語言。
演算法工程師的技能樹（不同方向差異較大，此處僅供參考）
1 機器學習
2 大數據處理：熟悉至少一個分布式計算框架Hadoop/Spark/Storm/ map-rece/MPI
3 數據挖掘
4 扎實的數學功底
5 至少熟悉C/C++或者java，熟悉至少一門編程語言例如java/python/R
加分項：具有較為豐富的項目實踐經驗（不是水論文的哪種）
二、演算法工程師大致分類與技術要求
（一）圖像演算法/計算機視覺工程師類
包括
圖像演算法工程師，圖像處理工程師，音/視頻處理演算法工程師，計算機視覺工程師
要求
l
專業：計算機、數學、統計學相關專業；
l
技術領域：機器學習，模式識別
l
技術要求：
（1） 精通DirectX HLSL和OpenGL GLSL等shader語言，熟悉常見圖像處理演算法GPU實現及優化；
（2） 語言：精通C/C++；
（3） 工具：Matlab數學軟體，CUDA運算平台，VTK圖像圖形開源軟體【醫學領域：ITK，醫學圖像處理軟體包】
（4） 熟悉OpenCV/OpenGL/Caffe等常用開源庫；
（5） 有人臉識別，行人檢測，視頻分析，三維建模，動態跟蹤，車識別，目標檢測跟蹤識別經歷的人優先考慮；
（6） 熟悉基於GPU的演算法設計與優化和並行優化經驗者優先；
（7） 【音/視頻領域】熟悉H.264等視頻編解碼標准和FFMPEG，熟悉rtmp等流媒體傳輸協議，熟悉視頻和音頻解碼演算法，研究各種多媒體文件格式，GPU加速；
應用領域：
（1） 互聯網：如美顏app
（2） 醫學領域：如臨床醫學圖像
（3） 汽車領域
（4） 人工智慧
相關術語：
（1） OCR：OCR （Optical Character Recognition，光學字元識別）是指電子設備（例如掃描儀或數碼相機）檢查紙上列印的字元，通過檢測暗、亮的模式確定其形狀，然後用字元識別方法將形狀翻譯成計算機文字的過程
（2） Matlab：商業數學軟體；
（3） CUDA： (Compute Unified Device Architecture)，是顯卡廠商NVIDIA推出的運算平台（由ISA和GPU構成）。 CUDA™是一種由NVIDIA推出的通用並行計算架構，該架構使GPU能夠解決復雜的計算問題
（4） OpenCL: OpenCL是一個為異構平台編寫程序的框架，此異構平台可由CPU，GPU或其他類型的處理器組成。
（5） OpenCV：開源計算機視覺庫；OpenGL：開源圖形庫；Caffe：是一個清晰，可讀性高，快速的深度學習框架。
（6） CNN：（深度學習）卷積神經網路（Convolutional Neural Network）CNN主要用來識別位移、縮放及其他形式扭曲不變性的二維圖形。
（7） 開源庫：指的是計算機行業中對所有人開發的代碼庫，所有人均可以使用並改進代碼演算法。
（二）機器學習工程師
包括
機器學習工程師
要求
l
專業：計算機、數學、統計學相關專業；
l
技術領域：人工智慧，機器學習
l
技術要求：
（1） 熟悉Hadoop/Hive以及Map-Rece計算模式，熟悉Spark、Shark等尤佳；
（2） 大數據挖掘；
（3） 高性能、高並發的機器學習、數據挖掘方法及架構的研發；
應用領域：
（1）人工智慧，比如各類模擬、擬人應用，如機器人
（2）醫療用於各類擬合預測
（3）金融高頻交易
（4）互聯網數據挖掘、關聯推薦
（5）無人汽車，無人機

相關術語：
（1） Map-Rece：MapRece是一種編程模型，用於大規模數據集（大於1TB）的並行運算。概念"Map（映射）"和"Rece（歸約）"，是它們的主要思想，都是從函數式編程語言里借來的，還有從矢量編程語言里借來的特性。
（三）自然語言處理工程師
包括
自然語言處理工程師
要求
l
專業：計算機相關專業；
l
技術領域：文本資料庫
l
技術要求：
（1） 熟悉中文分詞標注、文本分類、語言模型、實體識別、知識圖譜抽取和推理、問答系統設計、深度問答等NLP 相關演算法；
（2） 應用NLP、機器學習等技術解決海量UGC的文本相關性；
（3） 分詞、詞性分析、實體識別、新詞發現、語義關聯等NLP基礎性研究與開發；
（4） 人工智慧，分布式處理Hadoop；
（5） 數據結構和演算法；
應用領域：
口語輸入、書面語輸入
、語言分析和理解、語言生成、口語輸出技術、話語分析與對話、文獻自動處理、多語問題的計算機處理、多模態的計算機處理、信息傳輸與信息存儲 、自然語言處理中的數學方法、語言資源、自然語言處理系統的評測。

相關術語：
（2） NLP：人工智慧的自然語言處理，NLP (Natural Language Processing) 是人工智慧（AI）的一個子領域。NLP涉及領域很多，最令我感興趣的是「中文自動分詞」（Chinese word segmentation）：結婚的和尚未結婚的【計算機中卻有可能理解為結婚的「和尚「】

（四）射頻/通信/信號演算法工程師類
包括
3G/4G無線通信演算法工程師， 通信基帶演算法工程師，DSP開發工程師（數字信號處理），射頻通信工程師，信號演算法工程師
要求
l
專業：計算機、通信相關專業；
l
技術領域：2G、3G、4G，BlueTooth（藍牙），WLAN，無線移動通信, 網路通信基帶信號處理
l
技術要求：
（1） 了解2G，3G，4G，BlueTooth，WLAN等無線通信相關知識，熟悉現有的通信系統和標准協議，熟悉常用的無線測試設備；
（2） 信號處理技術，通信演算法；
（3） 熟悉同步、均衡、信道解碼等演算法的基本原理；
（4） 【射頻部分】熟悉射頻前端晶元，扎實的射頻微波理論和測試經驗，熟練使用射頻電路模擬工具（如ADS或MW或Ansoft）；熟練使用cadence、altium designer PCB電路設計軟體；
（5） 有扎實的數學基礎，如復變函數、隨機過程、數值計算、矩陣論、離散數學
應用領域：
通信
VR【用於快速傳輸視頻圖像，例如樂客靈境VR公司招募的通信工程師（數據編碼、流數據）】
物聯網，車聯網
導航，軍事，衛星，雷達
相關術語：
（1） 基帶信號：指的是沒有經過調制（進行頻譜搬移和變換）的原始電信號。
（2） 基帶通信（又稱基帶傳輸）：指傳輸基帶信號。進行基帶傳輸的系統稱為基帶傳輸系統。傳輸介質的整個信道被一個基帶信號佔用.基帶傳輸不需要數據機，設備化費小，具有速率高和誤碼率低等優點,.適合短距離的數據傳輸，傳輸距離在100米內，在音頻市話、計算機網路通信中被廣泛採用。如從計算機到監視器、列印機等外設的信號就是基帶傳輸的。大多數的區域網使用基帶傳輸，如乙太網、令牌環網。
（3） 射頻：射頻（RF）是Radio Frequency的縮寫，表示可以輻射到空間的電磁頻率（電磁波），頻率范圍從300KHz～300GHz之間（因為其較高的頻率使其具有遠距離傳輸能力）。射頻簡稱RF射頻就是射頻電流，它是一種高頻交流變化電磁波的簡稱。每秒變化小於1000次的交流電稱為低頻電流，大於10000次的稱為高頻電流，而射頻就是這樣一種高頻電流。高頻(大於10K)；射頻（300K-300G）是高頻的較高頻段；微波頻段（300M-300G）又是射頻的較高頻段。【有線電視就是用射頻傳輸方式】
（4） DSP：數字信號處理，也指數字信號處理晶元
（五）數據挖掘演算法工程師類
包括
推薦演算法工程師，數據挖掘演算法工程師
要求
l
專業：計算機、通信、應用數學、金融數學、模式識別、人工智慧；
l
技術領域：機器學習，數據挖掘
l
技術要求：
（1） 熟悉常用機器學習和數據挖掘演算法，包括但不限於決策樹、Kmeans、SVM、線性回歸、邏輯回歸以及神經網路等演算法；
（2） 熟練使用SQL、Matlab、Python等工具優先；
（3） 對Hadoop、Spark、Storm等大規模數據存儲與運算平台有實踐經驗【均為分布式計算框架】
（4） 數學基礎要好，如高數，統計學，數據結構
l
加分項：數據挖掘建模大賽；
應用領域
（1） 個性化推薦
（2） 廣告投放
（3） 大數據分析
相關術語
Map-Rece：MapRece是一種編程模型，用於大規模數據集（大於1TB）的並行運算。概念"Map（映射）"和"Rece（歸約）"，是它們的主要思想，都是從函數式編程語言里借來的，還有從矢量編程語言里借來的特性。
（六）搜索演算法工程師
要求
l
技術領域：自然語言
l
技術要求：
（1） 數據結構，海量數據處理、高性能計算、大規模分布式系統開發
（2） hadoop、lucene
（3） 精通Lucene/Solr/Elastic Search等技術，並有二次開發經驗
（4） 精通Lucene/Solr/Elastic Search等技術，並有二次開發經驗；
（5） 精通倒排索引、全文檢索、分詞、排序等相關技術；
（6） 熟悉Java，熟悉Spring、MyBatis、Netty等主流框架；
（7） 優秀的資料庫設計和優化能力，精通MySQL資料庫應用 ；
（8） 了解推薦引擎和數據挖掘和機器學習的理論知識，有大型搜索應用的開發經驗者優先。
（七）控制演算法工程師類
包括了雲台控制演算法，飛控控制演算法，機器人控制演算法
要求
l
專業：計算機，電子信息工程，航天航空，自動化
l
技術要求：
（1） 精通自動控制原理（如PID）、現代控制理論，精通組合導航原理，姿態融合演算法，電機驅動，電機驅動
（2） 卡爾曼濾波，熟悉狀態空間分析法對控制系統進行數學模型建模、分析調試；
l
加分項：有電子設計大賽，機器人比賽，robocon等比賽經驗，有硬體設計的基礎；
應用領域
（1）醫療/工業機械設備
（2）工業機器人
（3）機器人
（4）無人機飛控、雲台控制等

（八）導航演算法工程師
要求
l 專業：計算機，電子信息工程，航天航空，自動化
l 技術要求（以公司職位JD為例）
公司一（1）精通慣性導航、激光導航、雷達導航等工作原理；
（2）精通組合導航演算法設計、精通卡爾曼濾波演算法、精通路徑規劃演算法；
（3）具備導航方案設計和實現的工程經驗；
（4）熟悉C/C++語言、熟悉至少一種嵌入式系統開發、熟悉Matlab工具；
公司二（1）熟悉基於視覺信息的SLAM、定位、導航演算法，有1年以上相關的科研或項目經歷；
（2）熟悉慣性導航演算法，熟悉IMU與視覺信息的融合;
應用領域
無人機、機器人等。

⑷ 無人機控制律演算法燒錄到飛控晶元上嗎

不可以亂燒的，不同的晶元，不同的方案，不可以燒同一個程序，億普電子專業代燒錄的經驗，望採納，謝謝

⑸ 你了解無人機飛控么

世界變化快，我們雖在不知不覺間經歷著事物的變化，未必能夠意識到變化的發生，至於思考就更是奢求。而在無人機行業，思考卻比什麼都重要。

九十年代商務潮人標配大哥大+BP機，千禧年後出現了「手機」這個詞，功能上實現了大哥大與BP機的結合：Dial+Massage。之後手機的結構實現了從按鍵到鍵盤再到觸屏的變化過程，現如今哪款手機沒有系統，沒有APP，沒有網路功能都不敢加上「手機」二字。對於手機概念的理解不同，技術與產品方向也會不同。看似明確的變化過程中無數企業灰飛煙滅。
對於無人機行業而言，飛控系統是當之無愧的系統核心，而它又處在怎樣的變化之中呢？
二十一世紀之前國內很少聽到「無人機」這個詞，更多的是遙控飛機或者航模。八零後的朋友們應該還記得「舒克和貝塔」這部動畫片，第四集中兩只小老鼠幫助皮皮魯贏得了航模比賽。那時的航模還沒有「控」，因此除了舒克操控的直升機航模外，其他小朋友都使用相對容易操控的固定翼航模。
2000年以後隨著MEMS技術的發展以及電子航空發燒友的增加，從航模向無人機的轉變趨勢日趨明顯，很多FCM，FCU（Flight Control Mole/Unit，詞條解釋請移步：城堡里學無人機：無人機行業用語詞典（Keep 更新ing），下同）開始出現在人們面前：國內的KK，QQ，玉兔等，法國的MWC，德國的MikroKopter，Auto Quad，美國的Apm系列，穿越機常見的CC3d，Naze32，F3等。這些FCU通過相應的控制演算法，對無人機系統反饋的狀態信息（城堡里學無人機：狀態視角深入無人機硬體與演算法）進行解算，根據解算出的狀態數據結合演算法（一般為線性控制演算法）計算控制量並輸出。FCU本身往往只涉及很小一部分狀態信息的採集，同時內部演算法一般只針對無人機本身的姿態控制或者軌跡跟蹤（很少）。因此在系統硬體構成上不包含某些狀態信息獲取單元如GPS，超聲，紅外，光流，雙目等，或者不對某些狀態信息進行處理（如某些不處理外環狀態）。
在2012年之後，隨著航拍等市場需求的挖掘，無人機控制開始從FCM，FCU轉向FCS(Flight Control System)，無人機廠家開始生產各自的飛控產品，該類產品更多是應用在該企業無人機產品所面對的市場領域。這類產品與FCU在系統范圍（或元素組成）上有著明顯的區別，一般不止包括FCU所涵蓋的范疇，也包括數據獲取（如雲台、攝像頭等）模塊，數據通訊模塊，GPS模塊，配套的地面站（PC端，移動端），SDK等。
但這種轉型並沒有徹底完成，由於FCS的系統架構，系統設計，相關演算法，地面站功能等各個方面都與無人機本身的應用行業息息相關，對於企業而言，真正的難點在於如何實現無人機技術與行業應用的銜接，即FCS的產品設計與技術發展不止於無人機，更重要的是延伸到無人機應用的行業中去。
在無人機行業應用中一批企業已經走在前面，有的企業提供整機服務如極飛、DJI等。也有企業專注於提供行業FCS，其中成熟的產品如上海TopXGun(拓攻)的植保機專用飛控：T1-A及行業飛控Top-D1（第十三屆上海模型展覽會就快召開了，包括拓攻這兩款FCS在內的很多產品都會參展，有興趣的朋友可以在讀完本文後面內容後去展會現場看一看行業級FCS產品與實機演示效果）

MR.城堡將以這一類產品為例與大家分享行業FCS在設計與實現中需要考慮的問題與處理方案。
無人機是基於任務的智能機器人系統，整體設計要根據專門的行業應用進行調整。這種調整勢必面臨來自穩定性、控制精度、行業適應性三個方面的挑戰。
1.穩定性
穩定性方面，行業無人機需要面對更加復雜的外部環境：強風干擾，強磁干擾，以及特殊情況下的系統穩定性，如大電流情況下的系統穩定性，高溫度作業環境中的系統穩定性等等。無論哪種情況，FCS都會首當其沖。如強風干擾下能否在維持快速響應的同時降低相應超調？高溫度下任何一個環節出現問題都有可能導致FCS系統部分或全部喪失能力。更多的挑戰是在消費應用中往往不會意識到的問題（或者影響有限），如定位系統穩定性，定位數據精度等，當面對長航時，情況多變，要求提高的行業應用時卻可能嚴重影響無人機任務完成情況甚至造成重大事故。
面對穩定性問題，從硬體角度出發一般有三類解決方案。最直接的方式是增加備份系統或備份單元（也可稱為增加「余度」，但該詞多義，謹慎使用）。比如DJI精靈4中雙目視覺有兩套，IMU兩個，強磁計兩個。拓攻的Top-D1，T1-S等採用備份FCU來降低系統風險。再有，Top-D1採用了差分GPS（DGPS）系統，支持GPS L1/L2、BDS B1/B2/B3雙星五頻與雙星解算，為行業應用提供更精確的定位信息（有關於DGPS技術，MR.城堡也會在以後的專欄文章中展開）。另外一種方式是增加FCS核心元件質量。比如無人機系統最容易出現數據誤差與干擾的強磁計，在FCS設計時根據行業要求與任務情況進行選擇。

上面的兩類硬體改進途徑一方面可以在很大程度上解決行業FCS系統面對的穩定性問題，但另外一個方面也勢必會增加系統成本。第三種方法是通過合理的硬體結構設計與製造工藝達到事半功倍的效果。

上圖是拓攻Top-D1的硬體圖，在每個子模塊中採用單獨處理器的分布式結構，一方面提高了整個系統以及各子系統的的性能，更重要的是保證了FCS中最關鍵部分FCU的安全性。從圖中看出，FCS通過IMU，OSD，PMU等模塊與FCU剝離實現分布式系統結構，這樣的設計方式，大家也可以在自己的設計中使用。
演算法方面，雖然不清楚拓攻或類似FCS設計商在行業級FCS中是否使用了特殊演算法架構，但在行業應用中演算法設計不是單獨進行的，要配合硬體系統設計以及產品功能實現，這部分內容MR.城堡會在專欄後續文章中進一步展開。
2.功能適應性
不同的行業對無人機硬體系統的內容，軟體功能，演算法要求都會不同。比如在植保領域，無人機介入該行業的最基本功能是噴灑農葯。面對大面積作業范圍，要求無人機能夠自動完成相關作業任務，否則在全部人為操作下，這項工作很難保證高效實現，且無法進行量化評價。這要求FCS不止針對無人機實現自動控制控制，也要能夠將水泵，葯夜噴灌系統納入到控制范疇。從設計角度講，FCS的設計范疇需要越過無人機進入相關行業。
FCS在面對不同行業時，對於功能適應的實現能力有著非常現實的要求。由於DJI、極飛這類提供整機產品的廠家沒找到對應的FCS結構圖，因此從專門的行業FCS廠商產品分析會容易些。比如拓攻的植保機飛控T1-A（上圖），該飛控在硬體結構上專門增添了DCU模塊處理噴灌過程的數據反饋，動作信號等。同時將液位數據轉化為噴灌量，進一步將噴灌量與飛行速度關聯，實現噴葯量與作業面積的統一，最後將這種數據關聯帶入到FCS對應的「智能作業」功能中。
大家可以從類似T1-A這樣的行業產品中體會FCS是如何一步步通過硬體結構、演算法關聯、系統要素最終匹配到植保領域的功能需求上來。這個過程中不同的行業理解，不同的設計方式，會產生不同的行業FCS產品。
3.研發鏈條延伸
在消費級無人機中，由於環境，法規，硬體成熟度，系統成熟度等原因，研發過程基本能夠壓縮在產品面世之前，在產品面世之後更多的是固件升級（往往也不會有很多升級版本）。但行業無人機的發展還處在萌芽階段，對於FCS在各個行業中的應用情況，需求情況，系統匹配等方面存在諸多不確定性（甚至評價方法都不明確），這就要求飛控企業能夠找到合適的方式實現產品面市之後的研發鏈條延伸。

國內專門進行無人機飛控設計與生產的公司往往比較「年輕」。以拓攻為例，成立時間約一年左右，有五款飛控產品面市，這個速度是非常快的，其中通用飛控三款（T1,T1-S,T1-Pro），行業飛控Top-D1,T1-A共兩款。這么多產品從側面說明在實際應用中對於FCS要求上存在著多麼大的靈活性與不確定性。產品發布之後，如何實現有效的行業數據反饋？如何在保證用戶權益的前提下匹配FCS升級要求？如何實現硬體系統擴展？到底要擴展哪些硬體？如何通過行業指標評價FCS的使用效果？這些都意味這更大的挑戰，更多的工作，當然也意味著更多的機遇。
FCS的設計無論是在消費領域還是行業領域都處於非常初始的階段，產品體系，技術體系，研發脈絡，反饋修正方式，硬體設計，演算法設計，功能設計，硬體系統擴展，功能擴展等方面都有著很多可以探索的內容。從FCS「組裝製作」到FCS「設計」，你能收獲的不止是快樂。
城堡無人機工作室公眾號：CastleUAVStudio
文中圖片來自於互聯網

⑹ 通過PID演算法，實現對四旋翼飛機的控制具體是怎麼回事，求程序

非要用51么

現在有更強大的ARDUINO，兩大開源飛控都是基於這個的（APM，Multiwii）

multiwii比較滿足你的要求，這只是個程序固件，你可以參考下，如果說要自己寫飛控程序難度不小，用一塊pro mini開發板+mpu6050模塊刷入簡單設置好的固件就可以實現飛控的功能，此外還兼容大量的其他模塊（地磁，氣壓），添加升級也很方便（只需要打開固件里的設置）。

要調PID的

⑺ 學習無人機飛控演算法在哪裡可以學習呀

循序漸進吧，「無人機的飛控」沒那麼簡單的。 「不懂硬體，單片機就不算學成。」網友「做而論道」言簡意賅。

⑻ 大家有了解AEE一電科技的嗎，飛控演算法工程師前景怎麼樣 求解答Q:1124308303

個人以為飛控演算法工程師是一個機遇與挑戰並存的職業。因為無人機的前景是非常廣闊的，以後無人機會更多的替代有人機執行任務，而飛控正是無人機的核心；演算法又是飛控的核心。但真正的工業級飛控的演算法是非常不容許寫好的。
至於去哪家公司，個人建議如果去也要去找家靠譜的干實事兒的公司。某些純靠胡編參數忽悠客戶的無人機公司，很快要倒掉一批。

⑼ PID演算法的參數怎麼確定

PID是自動控制理論里的一種控制方法，PID的意思分別代表了比例、積分和微分。具體是什麼意思呢？解釋如下：

首先，我們有一個狀態量，這個狀態量在整個過程中，我們希望通過輸入一個控制量，使這個狀態量發生變化，並盡量的接近目標量。比如，在航線控制中，狀態量是飛機當前的飛行航向，目標量是飛機為到達目標點而應該飛行的目標航向，控制量則是我們對其進行控制的方向舵面，或橫滾角度。我們通過調整方向舵面、橫滾角度來控制飛機的當前飛行航向，使之盡量接近為壓航線而應該飛行的目標航向。

那麼我們如何給出這個控制量，比如給哪個方向的、多大的方向舵量呢？最簡單的考慮，是按照當前航向與目標航向的偏差大小來決定給多大的方向舵量：方向舵量p = P * （目標航向 – 當前航向）。這個方向舵量p，就是PID控制里的P部分，即比例部分。

那麼，是不是只要有了P，我們的控制就完成了呢？實際上有了P，在大多數情況下，我們可以控制飛機朝目標量去接近，但可能會出現一些情況，比如，當飛機的安裝有偏差（我們稱之為系統誤差），導致我們輸出一個左5方向舵給舵機的時候，飛機才能直飛；當不給方向舵，即方向舵放在中位時，飛機會右偏。我們想像一下這個時候如果只有P項控制會有什麼後果：假設初始狀態是飛機飛行航向和目標航向一致，按P輸出飛機方向舵應該在中位。而這時候，由於系統安裝誤差的存在，會導致飛機偏右，於是偏離了目標航向，然後P項控制會輸出一個左舵，來修正航向偏差，剛開始的時候由於偏差量很小，輸出的這個左舵也很小，於是飛機繼續右偏，然後導致這個左舵加大，最終到達5，使飛機直飛，但這時候的飛行航向與目標航向始終存在一個偏差，這就是P的局限，無法修正系統誤差。於是I項積分控制就出場了。

I項的輸出這樣定義：方向舵量i = I * (偏差和)。偏差和是當前航向和目標航向的偏差，每計算一次累加一次，一直累加到上次的值，再加上這次計算時當前航向和目標航向的偏差。即這個偏差和是跟以前的累積誤差有關的。同樣是上面的例子，I項的效果就這樣體現：當飛機飛行航向與目標航向始終存在偏差時，I項將這個值累加上，比如說是5度吧，於是在P項之上，再疊加一個I*5的修正量，增加了一個左舵，比如說是2，然後導致飛機的飛行航向與目標航向的偏差會小一些。也許這一次計算輸出的控制量並沒有完全消除誤差，但下一次再計算時，如果還有誤差，於是會繼續再增加輸出控制量，使誤差再小，於是經過多次計算後，使I項始終輸出一個左5的舵量，使誤差歸零。這就是I項的作用，消除系統誤差。

D項的意思是微分。為了便於解釋，我們假設不存在系統誤差，I項為0。比如當目標航向為0度，當前航向為30度時，根據P項作用，會輸出一個左舵，假設為左15吧，使飛機向左轉向，於是當前航向逐漸減小，比如減小到20度的時候，P項輸出的左舵也會減小到左10。那麼，當飛機轉到0度時，跟目標航向一致時，P項輸出方向舵回到中立位，飛機是否就保持0度直飛了呢？XX是否定的。由於飛機的慣性，飛機在左轉彎時產生了一個左轉彎的速率，導致飛機航向回到目標航向無偏差且方向舵回中後，仍然還會繼續左轉，然後產生負的偏差，P項再輸出右方向舵，然後再回中。如果P項合適，我們看到的就是一個逐漸收斂於目標航向的飛行航向，即先左過頭，然後右過頭，再左過頭，再右過頭……最後過頭量越來越小，最終到達目標航向。而D項的作用，就是盡量消除這個過頭量，使之盡快貼近目標航向。

D項的定義是：方向舵d = D * (當前狀態量 – 上一次的狀態量)。在這個例子中，當飛機在從30度的航向，左轉彎到0度目標航向的過程中，D項的輸出實際上是轉彎角速率的比例值，並且方向與P項相反，這樣當飛機比較接近0度目標航向時，由於P值已經很小了，而這時候如果轉彎速率不小，D項就輸出一個右方向舵，抵消過快的轉彎速率，阻止飛機航向到達目標航向後繼續沖過頭。

最後，方向舵量 = 方向舵量p + 方向舵量i + 方向舵量d，為完整的輸出。根據飛行的表現，通過對P、I、D系數的調整，最終使輸出的控制量能夠盡快的控制狀態量貼近目標量，並消除系統誤差，避免過度震盪。

在完整的固定翼飛控系統中，除了航向通道需要PID控制外，其餘需要控制的通道還有：副翼舵->目標橫滾角、升降舵->目標俯仰角、目標俯仰角->高度差、油門舵->空速、目標航向->偏航距。

⑽ 有沒有應用到飛控上的成熟一點的神經網路PID控制演算法

您好，非常感謝您發出這個帖子。我現在也在考慮做或者學習相關四軸飛行器的神經網路控制演算法。之前我的飛機是用雙閉環PID控制演算法實現控制飛行的。最近在學習神經網路，我准備用神經網路控制演算法來對四軸飛行器姿態誤差進行修正，看看能不能實現穩定飛行，或者看是否穩定飛行效果會好點。現在我正處在學習神經網路過程中，之前的基礎就是對四軸飛行器的PID控制演算法了解的多一點，自己實現了PID演算法的編程，飛機可以穩定飛行，我想以後將神經網路控制應用於四軸飛行器中。您出了這個帖子，盡管現在沒有人回答，但是我希望您能夠更新一下，畢竟經過了這么長時間了，談談您的收獲吧。讓我們學習學習，也可以一起討論討論。謝謝！