纳新¶

概念解释¶

QGC¶

From Qwen3.8 MAX

QGC 的核心作用是什么？当你有一架无人机（特别是使用开源飞控的无人机）时，你无法直接通过代码或复杂的命令行去操控它。QGC 提供了一个直观的图形用户界面（GUI），让你可以通过电脑、平板甚至手机，与无人机进行交互。

QGC 的主要功能 QGC 的功能涵盖了无人机生命周期的各个阶段：固件刷写（安装系统）：当你买了一块新的飞控板（Flight Controller），它是没有系统的。QGC 可以一键帮飞控下载并安装最新的固件（如 PX4 或 ArduPilot）。传感器校准：无人机起飞前必须知道哪边是“北”、哪边是“水平”。QGC 会引导你转动无人机，完成罗盘、陀螺仪、加速度计的校准。参数配置（调参）：无人机有几百上千个参数（如电机转向、PID 控制参数、失控保护机制等）。QGC 提供了分类清晰的列表和图表，让你调整这些参数。任务规划（Mission Planning）：你可以在 QGC 的地图上点击设置“航点”（Waypoints），告诉无人机：“飞到A点，高度30米，拍张照；然后飞到B点，降低到10米进行环绕”。设置好后，无人机就能全自动执行任务。实时飞行监控：飞行时，QGC 会实时显示无人机的高度、速度、电池电压、卫星数量、姿态角等关键遥测数据，甚至可以接收无人机的 FPV（第一人称视角）实时视频流。数据分析：飞行结束后，可以通过 QGC 下载飞控里的“黑匣子”日志（Log），用来分析飞行数据或排查炸机（坠毁）原因。

相当于一个“Debugger”和“操作台”。但是这个遥控器可以运行在主流操作系统上，而且能给人看到飞行时的参数，便于算法调试。更进一步，ai提到了MAVLink这个协议，于是：QGC是MAVLink协议的一个外壳，提供GUI界面和一些封装好的基本操作。

ROS¶

From Qwen3.8 MAX

它实际上是一个运行在 Linux（通常是 Ubuntu）之上的软件框架（中间件）。它提供了一堆工具和库，帮你更方便地编写机器人代码。它的核心作用是帮你解决不同硬件（如摄像头、雷达）和软件（如避障算法、导航算法）之间“如何互相通信”的问题。

底层 / 小脑（飞控 PX4 / ArduPilot）： 负责最核心、最保命的任务。比如以每秒几百次的频率读取陀螺仪数据、控制电机转速让无人机保持平衡、执行简单的“向前飞1米”指令。它通常运行在一块单片机上，通过 MAVLink 协议对外交流。

中层 / 大脑（ROS）： 负责高级任务。比如“用摄像头识别前面的树并绕过去”、“多架无人机编队飞行”、“根据地图自主规划路线”。它通常运行在算力更强的机载电脑（如树莓派、NVIDIA Jetson）上。

桥梁（MAVROS）： 因为 ROS 听不懂飞控的 MAVLink 语言，所以需要一个“翻译官”叫 MAVROS。它把飞控的状态数据翻译成 ROS 能懂的话题，也把 ROS 的高级指令翻译给飞控执行。

监控 / 仪表盘（QGC）： 负责让人类在地面看到无人机的状态，划航线，或者在紧急情况下手动接管。

相当于轮子，就像python的包一样，把一些基本操作和基本算法封装起来，便于高级语言进行调用。

Ubuntu¶

一个Linux发行版。基于debian。操作系统。

RViz¶

From Qwen3.8 MAX

当你在开发无人机的自主避障、自动导航或视觉识别算法时，代码都在后台默默运行。你无法直接看到无人机“大脑”里在想什么，也无法看到它“眼里”的世界是什么样的。RViz 就是用来把这些抽象的数据、传感器信息和算法结果，以 3D 图形的形式直观地渲染出来的工具。

可视化工具呗。但好像显示哪些东西也是要设计插件，估计和pyplot同个类别吧。

SLAM¶

From Qwen3.8 MAX

在无人机和机器人领域，SLAM（全称 Simultaneous Localization and Mapping，同步定位与建图）是最核心、最迷人的研究方向之一。

如果说 QGC 是“仪表盘”，ROS 是“大脑框架”，RViz 是“透视眼镜”，那么 SLAM 就是无人机大脑里最底层的“空间认知能力”——它解决的是一个最根本的问题：

前面都属于工具，这个是算法设计了吧。

应用分析¶

单选¶

B A

简答¶

1 给定一个范围，只要RGB在范围内即可，此方案可能需要去实地调整最合适的超参数；

或者设计判定条件，比如只要R成分在一定程度上大于GB，即可判定为红色；

再或者做一个NN，用明暗开源数据集训练，反正颜色判定可以压清晰度，做矩阵运算速度还是可以的。

2 有点奇怪，不过答案可能是两次自主导航AB无法完成。但是这个不能靠CV和加速度传感器重新建图或者靠目标识别和搜索完成任务吗？

3 轨迹规划：路径设计，顶层算法。轨迹跟踪控制：飞行参数控制，偏硬件控制。

4 降低高度悬停后释放，使释放前小球没有速度，而且高度降低。

程序编写¶

Color Classifier¶

伪代码如下，使用AI将其转换为Python

const int epl=10 // hyper parameter
void classifier(){

    r,g,b = input()

    case ( r > g + epl and r > b + epl ) output( red )
    case ( g > r + epl and g > b + epl ) output( green )
    case ( b > r + epl and b > g + epl ) output( blue )

}

Python Code

epl = 10  # hyper parameter

r, g, b = map(int, input().split())

if r > g + epl and r > b + epl:
    print("red")
elif g > r + epl and g > b + epl:
    print("green")
elif b > r + epl and b > g + epl:
    print("blue")

高度控制与异常滤波¶

pseudo-code

const int epl = 20 // hyper parameter
var int confirm = 0

void altitude_control(){
    h = input()

    case ( h < 0 ) output(E)
    case ( 80 <= h <= 120 ) output(A)
    case ( 80 - epl <= h <= 80 or 120 <= h <= 120 + epl ) output(B)
    case ( h <= 80 - epl or h >= 120 + epl ) confirm++

    if ( confirm == 2 ) output(D)
}

Python Code

EPL = 20  # hyper parameter
confirm = 0  # 全局状态变量

def altitude_control():
    global confirm

    h = float(input())

    if h < 0:
        print("E")
    elif 80 <= h <= 120:
        print("A")
    elif (80 - EPL <= h <= 80) or (120 <= h <= 120 + EPL):
        print("B")
    elif h <= 80 - EPL or h >= 120 + EPL:
        confirm += 1

    if confirm == 2:
        print("D")

# 测试调用
# altitude_control()

附加题¶

Bonus 1¶

1 关注：来回移动，说明为周期性。可选择悬停一会儿，拟合一个弦波来预测位置。更进一步，可以试试卡尔曼滤波（我原先也不知道，去工大三位一体面试才知道的算法😄），再拟合一个参数 \(\beta\) ，用来控制偏好（？我的用词可能不是很准确）。

2 障碍物在移动，随时间变化。如果用普通搜索，每一步和step_time，搜索+回溯，时间开销很大。不妨将时间变为状态的一个参数，建一张大图，直接跑最短路，用内存换时间。

3 判断错了就修正，回到1 ，调整参数 \(\beta\) 即可。

Bonus 2¶

Method 1：根据提示，可能是这个：通过RGB差异（找到所有白色和其他颜色的交界点）画出轮廓线，由于球的对称性，直接算球心（即边界像素点坐标取平均），输出即可。

Method 2：AI给了一个通过计算HSV这三个参数的方法，理由是H决定颜色，S和V决定明暗。

Method 3：可以模仿已有的一系列研究关于 “通过边缘检测的物体识别”，比如 John Canny,1986 的工作，通过降噪后计算”明度“，通过”明度“差异找出轮廓。

Method 4：我记得轮廓线可以直接用CNN画出来，训练的参数都可以直接复用开源权重，方便，画出轮廓线后操作一样。

经历分享¶

之前写过（？可能是抄写？）一个自动微分的算法（？）分别写过两个方法：DualNumber和ComputeGraph，前者相对简单，但计算时无意义开销较大，写后者时遇到bug。程序正常运行，但收敛速度不及预期，经调试发现多项式微分结果不对，单步调试发现不同项对于同一个变量的返回值只写了一个，忘记求和，遂补充。

感想：当时调试时AI尚未如此兴盛，现在发现 AI真好用！😲