无人机为什么偏爱多旋翼?这里有最全的解释

四旋翼无人机X型与十字型结构机动性对比及优化策略 本文深入对比了四旋翼无人机X型与十字型结构的核心差异,重点分析了X型结构在机动性上的显著优势。通过结构力学和力效分析,解释了X型布局如何通过四个电机全参与控制、更短的机臂带来更强的结构刚性和更高的力效(约√2倍),从而实现更迅猛、精准的复杂动作。文章还探讨了十字型结构的适用场景,并为X型无人机的性能优化提供了重心布置、电机倾角、机臂刚性及PID调参等实战策略。 阅读详情
AI摘要

本文回顾了多旋翼无人机从早期概念到现代广泛应用的发展历程,探讨了多旋翼无人机相较于固定翼和直升机的独特优势,以及在可靠性、操控性等方面的显著特点。文章还深入分析了推动多旋翼无人机技术进步的关键因素,并展望了未来发展趋势。

北京航空航天大学自动化科学与电气工程学院博士/副教授。

常见飞行器通常被分为固定翼、直升机和多旋翼(四旋翼最为主流)。在2010年之前,固定翼和直升机无论在航拍还是航模运动领域,基本上占有绝对主流的地位。然而,在之后的几年中,因优良的操控性能,多旋翼迅速成为航拍和航模运动领域的新星,但这仍然需要专业人员调试或装配飞机。

对于目前多旋翼产品,一般分半自主控制方式和全自主控制方式。半自主控制方式是指自动驾驶仪的控制算法能够保持多旋翼飞行器的姿态稳定(或定点)等,但飞行器还是需要通过人员遥控操纵。在这种控制方式下,多旋翼属于航模。全自主控制方式是指自动驾驶仪的控制算法能够完成多旋翼飞行器航路点到航路点的位置控制以及自动起降等。在这种控制方式下,多旋翼属于无人机,而地面人员此时进行任务级的规划。作为无人机,多旋翼飞行器可以在无人驾驶的条件下完成复杂空中飞行任务和搭载各种负载任务,可以被看作是“空中机器人”。


1、缘何青睐多旋翼

首先,我们以目前电动的固定翼、直升机和多旋翼为例比较它们的用户体验:
在操控性方面,多旋翼的操控是最简单的。

它不需要跑道便可以垂直起降,起飞后可在空中悬停。
它的操控原理简单。操控器四个遥感操作对应飞行器的前后、左右、上下和偏航方向的运动。
在自动驾驶仪方面,多旋翼自驾仪控制方法简单,控制器参数调节也很简单。相对而言,学习固定翼和直升机的飞行不是简单的事情。固定翼飞行场地要求开阔,而直升机飞行过程中会产生通道间耦合,自驾仪控制器设计困难,控制器调节也很困难。
在可靠性方面,多旋翼也是表现最出色的。若仅考虑机械的可靠性,多旋翼没有活动部件,它的可靠性基本上取决于无刷电机的可靠性,因此可靠性较高。相比较而言,固定翼和直升机有活动的机械连接部件,飞行过程中会产生磨损,导致可靠性下降。
而且多旋翼能够悬停,飞行范围受控,相对固定翼更安全。
在勤务性方面,多旋翼的勤务性是最高的。
因其结构简单,若电机、电子调速器、电池、桨和机架损坏,很容易替换。而固定翼和直升机零件比较多,安装也需要技巧,相对比较麻烦。
在续航性能方面,多旋翼的表现明显弱于其他两款,其能量转换效率低下。
在承载性能方面,多旋翼也是三者中最差的。



对于这三种机型,操控性与飞机结构和飞行原理相关,是很难改变的。在可靠性和勤务性方面,多旋翼始终具备优势。随着电池能量密度的不断提升、材料的轻型化和机载设备的不断小型化,多旋翼的优势将进一步凸显。因此,在大众市场,“刚性”体验最终让人们选择了多旋翼。

然而,多旋翼也有自身的发展瓶颈。
它的运动和简单结构都依赖于螺旋桨及时的速度改变,以调整力和力矩,该方式不宜推广到更大尺寸的多旋翼。
第一,桨叶尺寸越大,越难迅速改变其速度。
正是因为如此,直升机主要是靠改变桨距而不是速度来改变升力。

第二,在大载重下,桨的刚性需要进一步提高。
螺旋桨的上下振动会导致刚性大的桨很容易折断,这与我们平时来回折铁丝便可将铁丝折断同理。因此,桨叶的柔性是很重要的,它可以减少桨叶来回旋转对桨叶根部的影响。正因为如此,为了减少桨叶的疲劳,直升机采用了一个容许桨叶在旋转过程中上下运动的铰链。如果要提供大载重,多旋翼也需要增加活动部件或加入涵道和整流片。这相当于一个多旋翼含有多个直升机结构。这样多旋翼的可靠性和维护性就会急剧下降,优势也就不那么明显了。当然,另一种增加多旋翼载重能力的可行方案便是增加桨叶数量,增至18个或32个桨。但该方式会极大地降低可靠性、维护性和续航性。种种原因使人们最终选择了微小型多旋翼。

2 、多旋翼爆红的成因

沉寂期:1990年以前
早在1907年,法国C.Richet教授指导Breguet兄弟进行了他们的旋翼式直升机的飞行试验,如图1a,这是有记录以来最早的构型。第一架成功飞行的垂直起降型四旋翼飞行器出现在20世纪20年代,但那时几乎没有人会用到它。1920年,E.Oemichen设计了第一个四旋翼飞行器的原型,但是第一次尝试空运时失败了。
之后在1921年B.G.De在美国俄亥俄州西南部城市代顿的美国空军部建造了另一架如图1c的大型四旋翼直升机,这架四旋翼飞机除飞行员外可承载3人,原本期望的飞行高度是100米,但是最终只飞到5米的高度。E.Oemichen的飞机在经过重新设计之后(如下图b所示),于1924年实现了起飞并创造了当时直升机领域的世界纪录,该直升机首次实现了14分钟的飞行时间。E.Oemichen和B.G.De设计的四旋翼飞行器都是靠垂直于主旋翼的螺旋桨来推进,因此它们都不是真正的四旋翼飞行器。

早期四旋翼飞行器的设计受困于极差的发动机性能,飞行高度仅仅能达到几米,因此在接下来的30年里,四旋翼飞行器的设计没有取得多少进步。直到1956年,M.K.Adman设计的第一架真正的四旋翼飞行器ConvertawingsModel“A”(如图1d)试飞取得巨大成功,这架飞机重达1吨,依靠两个90马力的发动机实现悬停和机动,对飞机的控制不再需要垂直于主旋翼的螺旋桨,而是通过改变主旋翼的推力来实现。然而,由于操作这架飞机的工作量繁重,且飞机在速度、载重量、飞行范围、续航性等方面无法与传统的飞行器竞争,因此人们对此失去了进一步研究的兴趣,该研究被迫停止。

在20世纪50年代,美国陆军继续测试各种垂直起降方案。Curtiss-Wright是被邀请参与研制了VZ-7和杠杆燃气涡轮机的几家公司之一,杠杆燃气涡轮机的出现提高了VZ-7的功率与重量比。因此,VZ-7被称作“Flying Jeep”,如图(e)所示,其有效载重量为250千克,靠425马力的杠杆燃气涡轮发动机驱动。VZ-7的测试在1959年至1960年期间得到实现。虽然它相对稳定,但是它未能达到军方对高度和速度的要求,该计划并没有得到更进一步的推行。
在1990年以前,惯性导航体积重量过大,动力系统载荷也不够,因此当时多旋翼设计得很大。正如前面分析的,大尺寸的多旋翼并没有那么大优势,与多旋翼相比,固定翼和直升机更适合发展大尺寸。在此之后的30年中,四旋翼飞行器的研发没有取得太大的进展,几近沉寂。
复苏期:1990年至2005年

20世纪90年代之后,随着微机电系统(MEMS,Micro-Electro-Mechanical System)研究的成熟,重量只有几克的MEMS惯性导航系统被开发运用,使制作多旋翼飞行器的自动控制器成为现实。此外,由于四旋翼飞行器的概念与军事试验渐行渐远,它开始以独特的方式通过遥控玩具市场进入消费领域。

虽然MEMS惯性导航系统已被广泛应用,但是MEMS传感器数据噪音很大,不能直接读取并使用,于是人们又花费大量的时间研究去除噪声的各种数学算法。这些算法以及自动控制器本身通常需要运算速度较快的单片机,可当时的单片机运算速度有限,不足以满足需求。接着科研人员又花费若干年理解多旋翼飞行器的非线性系统结构,并为其建模、设计控制算法、实现控制方案。因此,直到2005年左右,真正稳定的多旋翼无人机自动控制器才被制作出来。

起步期:2005年至2010年
在生产制造方面,德国Microdrones GmbH于2005年成立,2006年推出的md4-200四旋翼(如图a)系统开创了电动四旋翼在专业领域应用的先河,2010年推出的md4-1000四旋翼无人机系统,在全球专业无人机市场取得成功。另外,德国人H.Buss和I.Busker在2006年主导了一个四轴开源项目,从飞控到电调等全部开源,推出了四轴飞行器最具参考的自驾仪Mikrokopter。2007年,配备Mikrokopter的四旋翼像“空中的钉子”一般停留在空中。很快他们又进一步增加了组件,甚至使它半自主飞行。美国Spectrolutions公司在2004年推出Draganflyer IV四旋翼(如下图b),并随后在2006年推出了搭载SAVS(稳定航拍视频系统)的版本。


在学术方面,2005年之后四旋翼飞行器继续快速发展,更多的学术研究人员开始研究多旋翼,并搭建自己的四旋翼。
之前一直被各种技术瓶颈限制住的多旋翼飞行器系统瞬间被炒得火热,大家惊喜地发现居然有这样一种小巧、稳定、可垂直起降、机械结构简单的飞行器的存在。一时间研究者蜂拥而至,纷纷开始多旋翼飞行器的研发和使用。而国内的爱好者也纷纷研究,并开设论坛。虽然多旋翼的算法易懂,但组装一架多旋翼却不是一件容易的事情。在早期研究阶段,科研人员把很多时间都花在了飞行器的组装调试环节。然而,有能力开发工艺的人往往缺乏对飞控的深入了解,一般只是复现国外的技术,谈不上进一步对系统进行改进。当时既掌握飞控技术又精通多旋翼工艺的经常是那些原来从事固定翼或直升机飞控的公司。德国Microdrones虽然较早地推出产品,但是工业级的四旋翼的价格对于普通消费者来说简直是遥不可及。除此之外,消费级的Draganflyer 四旋翼之所以没有推广是因为其操控性及娱乐性不强(智能手机或平版电脑还尚未普及)、二次开发能力弱以及销售渠道窄(当时电商网络处于初步发展阶段)。

复兴期:2010年至2013年

经过6年努力(2004年至2010年),法国Parrot公司于2010年推出消费级的AR.Drone四旋翼玩具,从而开启了多旋翼消费的新时代。AR.Drone四旋翼在玩具市场非常成功,它的技术和理念也十分领先。
第一,它采用光流技术,能够测量飞行器速度,使得AR.Drone四旋翼(图3a)能够在室内悬停。


第二,可以做到一键起飞,操控性得到极大提升。


第三,它采用手机、平板电脑或笔记本电脑控制,视频能够直接回传至电脑,娱乐感较强。


第四,整个飞行器为一体机,并带有防护装置,比较安全。


第五,AR.Drone开放了API接口,供科研人员开发应用。
AR.Drone的成功也引发了一些自驾仪研发公司的思考。两年后,大疆推出的小精灵Phantom一体机(图b)正是借鉴了其设计理念。伴随着苹果在iPhone上大量应用加速计、陀螺仪、地磁传感器等,MEMS惯性传感器从2011年开始大规模兴起,6轴、9轴的惯性传感器也逐渐取代了单个传感器,成本和功耗进一步降低,成本仅为几美元。另外GPS芯片仅重0.3克,价格不到5美元。WiFi等通信芯片被用于控制和传输图像信息,通信传输速度和质量已经可以充分满足几百米的传输需求。同时,电池能量密度不断增加,使无人机在保持较轻的重量下,续航时间达到15-30分钟,基本满足日常的应用需求。近年来移动终端同样促进了锂电池、高像素摄像头性能的急剧提升和成本下降。这些都促进了多旋翼更进一步发展。

与此同时,学术界也开始高度关注多旋翼技术。2012年2月,宾夕法尼亚大学的 V.Kumar 教授在 TED大会上做出了四旋翼飞行器发展历史上里程碑式的演讲,展示了四旋翼的灵活性以及编队协作能力。这一场充满数学公式的演讲大受欢迎,它让世人看到了多旋翼的内在潜能。
2012年,美国工程师协会的机器人和自动化杂志(Robotics & AutomationMagazine,IEEE)出版空中机器人和四旋翼(Aerial Robotics and theQuadrotor)专刊,总结了阶段性成果,展示了当时最先进的技术。在这期间,之前不具备多旋翼控制功能的开源自驾仪增加了多旋翼这一功能,同时也有新的开源自驾仪不断加入,这极大地降低了初学者的门槛,为多旋翼产业发展装上了翅膀。
爆发期:2013年至今

2012年初,大疆推出小精灵Phantom一体机。Phantom与AR.Drone一样控制简便,初学者很快便可上手。同时,价格也能被普通消费者接受。相比AR.Drone四旋翼飞行器,Phantom具备一定的抗风性能、定位功能和载重能力,还可搭载小型相机。当时利用Gopro运动相机拍摄极限运动已经成为欧美年轻人竞相追逐的时尚潮流,因此Phantom一体机一经推出便迅速走红。

连线杂志主编C.Anderson于2012年年底担任3D Robotics公司CEO,该公司于2013年8月推出Iris遥控四旋翼飞行器,于2014推出X8+四旋翼飞行器,并很快于2015年推出Solo四旋翼飞行器。


(多旋翼主要开源项目一览表)
此时,学术界对于多旋翼的研究更偏向智能化、群体化。2013年,苏黎世联邦理工学院的R.D'Andrea教授在TEDGlobal的机器人实验室展示了四旋翼的惊人运动机能。纵观学术界的发展,以“四旋翼(quadrotor)”和“多旋翼(multirotor)”为关键词的文献在近年成井喷趋势。这些研究往往具备前瞻性,将推动多旋翼产业未来的发展。



3、 新技术促产业快速变革

多旋翼的性能会因其他技术的进步而进步,其相对固定翼和直升机的优势也会进一步凸显。


动力技术

①新型电池。
2015年,来自加拿大蒙特利尔的EnergyOr技术有限公司采用燃料电池的四旋翼进行了2小时12分钟续航飞行。2015年4月6日,科学权威期刊《自然》网络版刊登了一篇报道,一种铝电池仅需60秒便能让手机电力“满血复活”。此外,石墨烯、铝空气、纳米点这三项电池技术将成为未来电池世界的三大奇兵。这些新的电池技术有着十分迫切的需求,首先会被应用到手机和电动汽车,随后可配备多旋翼。

②混合动力。
2015年,美国初创公司Top Flight Technologies开发出混合动力六旋翼无人机。它仅需要1加仑(约合3.78升)汽油便可以飞行两个半小时(可飞行约160公里),最高负重达20磅(约合9公斤)。

③地面供电。
它采用地面供电,通过电缆将电能源源不断输送给多旋翼,例如Skysapience公司的Hoverlite。

④无线充电。
来自德国柏林的初创公司 SkySense在无人机户外充电方面提供了一种解决方案,他们研发出一块可以为无人机进行无线充电的平板。SkySense的最大特点是可以进行远程控制,无人机的“降落—充电—起飞”全过程可以独立实现,不需要人为进行现场干预和辅助。如果能够缩短充电时间,那么无线充电技术将会极大地帮助多旋翼进行长途飞行。

导航技术

定位是导航中的关键技术,目前该领域发展迅速。

①GPS载波相位定位。
来自美国的Swift Navigation公司基于该项技术开发的Piksi是一个低耗电、高性能的具备RTK功能的厘米级的GPS接收器。它的小型化、高更新率和低能耗的特点使得它非常适合集成到自动驾驶飞行器和便携的测量设备里。由日本东京海洋大学开发的RTKLIB开源项目( http://www.rtklib.com/ )也在积极推动RTK技术发展。

②多信息源定位。
英国军方BAE最近公布了他们研发的名为NAVSOP(Navigation via Signals of Opportunity)技术。该技术将利用包括TV、收音机、WiFi等信息进行定位,弥补GPS 的不足。

③UWB (Ultra Wideband,超宽带)无线定位。
UWB信号具有低成本、抗多径干扰、穿透能力强的优势,因此适用于静止或者移动物体以及人的定位跟踪,提供十分精确的定位精度,静态精度可达10厘米。通过与惯性导航传感器融合,UWB可以提供更高的精度、更强的鲁棒性。
对于多旋翼无人机,在飞行过程中,快速且准确地获取自身速度能有效地提高多旋翼控制的稳定性(提高阻尼),从而达到更好的悬停和操控效果,因此测速工作起到了十分重要的作用。比较精确的测速方案是通过“视觉(光流)+超声波+惯导”的融合。Ar.Drone是最早采用该项技术的多旋翼飞行器,它极大地提升了飞行器的可操控性。PX4自驾仪开源项目提供了开源的光流传感器PX4Flow。该传感器可以帮助多旋翼在无GPS情况下实现精确悬停。
为了使多旋翼完成更好的飞行,避障技术无疑能够为其提供更加稳定的导航性能。
①深度相机避障技术。
它的原理是先对场景投影结构光,然后分析红外传感器接收的反光得到深度信息。微软在2010年推出了深度相机Kinect。然而Kinect体积还是较大,并且在两米之外才能准确地识别用户手势。2014年,芯片厂商英特尔推出RealSense传感器,体积更小,使用距离更短。在2015年CES美国消费电子展上,英特尔把RealSense技术也应用到了无人机上,以用于感知周围环境,进而自主避障。
②声呐系统避障技术。
Panoptes公司拟推出Bumper4避障系统。它由指向多个方向的超声波传感器组成,通过测量多个方向的距离来判断障碍。

③“视觉+忆阻器”避障技术。

美国 “Bio Inspired”公司期望利用视觉和忆阻器(具有短期记忆效果的电阻器)使系统具备识别和短期记忆功能,从而使无人机拥有避障的能力。
④双目视觉避障技术。
美国的Skydio公司采用两个普通的摄像头充当无人机的“眼睛”并研发出识别障碍软件,从而使多旋翼无人机能够具备识别障碍的能力,进而实现自我导航。
⑤微小型雷达。
Echodyne公司利用一台四轴无人机展示了它的小型电子扫描雷达。它可追踪地面上的某个人,或是在飞行中躲避障碍物,不过目前它仍然处于原型阶段。他们试图将这款雷达的尺寸缩小到只有一台iPhone6 Plus大小,且重量不超过1磅。
无人机通常利用被跟踪者身上放置的GPS装置进行定位和跟踪。这种方式会在某种程度上影响用户体验。除此之外,在没有GPS信号的情况下,该方式就会失效。而且,对于非自愿携带GPS设备的用户,该方式也是行不通的。
新的技术完全可以从视觉和雷达角度出发。视觉跟踪技术方面,3D Robotics公司推出开源飞控应用Tower,它能够使飞行器跟随用户,并将用户保持在摄像头中心。OpenCV开源软件也同样有很多跟踪算法供飞行器开发。此外,采用小型电子扫描雷达也能够实现新式的跟踪模式。
交互技术
①手势控制技术。
在CES 2014的展场上,工作人员演示了利用MYO手势控制臂带来控制AR.Drone 2.0四旋翼。用户只要将臂带戴在其中一只手上,并以两只手指击响便可启动并控制该飞行器。智能手机、手环、手表、戒指等内置惯性传感器的设备也可以识别操作者的手势,用于控制多旋翼。
②脑机接口。
它是指在人脑与计算机等外部设备之间建立直接的连接通路。通过对于脑电信息的分析解读,将其进一步转化为相应的动作,就像是在用“意念”操控物体。多家机构对该技术也展开了研究。布朗大学与犹他州Blackrock Microsystems公司的研究员将此无线装置商业化,他们将其粘附在人类头骨上,并通过无线电发送由人脑植入设备收集的意识命令;Emotiv公司的EPOC可以检测8种行为现象,识别出7种表情,从而使残障人士具备控制飞行器的能力;浙江大学CCNT实验室的研究人员演示了FlyingBuddy2系统—即用大脑控制四旋翼无人飞行器;葡萄牙里斯本的无人机公司Tekever推出了一种依靠脑电波操控的无人飞机。

通信技术

该项技术有助于信息共享,适用于交通管理或自身监控等,比如将数据备份到云端进行云计算等。

①4G/5G通信技术。
2013年6月17日,北京4G联盟联合无人机联盟组织召开了4G联盟与无人机联盟交流研讨会,旨在加强北京4G联盟和无人机联盟之间技术交流,寻找无人机机载载荷与4G设备仪器的聚焦,促进北京市信息产业发展。2015年,中国移动开发4G“超级空战队”设备,能支持航拍影像即拍即传。

②WiFi通信技术。
2013年,德国的卡尔斯鲁厄理工学院开发出了一项新的无线广域网技术,打破了最快的WiFi网络速度纪录,它可以让1公里以外的用户每秒钟下载40GB大小的数据。由于这种设备的传输距离比普通WiFi路由器的覆盖范围要广得多,因此这种设备很适合无人机航拍图传或光纤布放不方便的农村地区应用。

芯片技术

①在2015年CES上,高通和英特尔展示了功能更为丰富的多轴飞行器。
例如,高通在CES上展示的Snapdragon Cargo无人机是基于高通Snapdragon芯片开发出来的飞行控制器。它具备无线通信、传感器集成和空间定位等功能。英特尔CEO Brian Krzanich也亲自在CES上演示了他们的无人机,采用了四核的英特尔凌动(Atom)处理器的PCI-express定制卡。此外,活跃在机器人市场的欧洲处理器厂商XMOS也表示已经进入无人机领域。

②3D Robotics发表声明与英特尔共同合作开发Edison芯片,这是一种新型微型处理芯片。
虽然它只有一个硬币的大小,却具有个人电脑一样的处理能力。

③目前,包括IBM在内的多家科技公司都在模拟大脑,开发神经元芯片。
而一旦“神经形态”芯片被应用于无人机,自主反应、自动识别将会变得轻而易举。
④未来飞行器上的MEMS产品会向集成化方向发展。
例如三轴加速度与三轴陀螺仪结合而成的集成产品。手机芯片公司推出无线多合一芯片后,又推出了手机市场的定位与导航芯片。新一代定位芯片,将满足可穿戴与无人机等差异化需求。不仅如此,新芯片内部还会直接集成控制算法。
⑤为了让机器人应用能够更好地感知环境,高通研究院正在开发一款机器视觉研究软件开发工具包(SDK),其中包含至关重要的计算机视觉技术。
比如:视觉惯性测程、视觉同步定位和绘图立体相机景深。对于可穿戴设备和无人机等新兴领域的定位需求,他们需要更准确、更小尺寸或是更快速的定位,甚至室内导航功能,同时这些领域的需求并不要求集成其他无线功能,这给传统的定位芯片厂家又带来了新的商机。
平台技术

①“Dronecode”无人机开源系统。
2014年10月,著名计算机开源系统公司Linux推出了名为“Dronecode”的无人机开源系统合作项目,将3D Robotics、英特尔、高通、百度等科技巨头纳入项目组,旨在为无人机开发者提供所需要的资源、工具和技术支持,加快无人机和机器人领域的发展。

②Ubuntu 15.04操作系统。

Ubuntu 15.04的物联网版本是Ubuntu目前最小且最安全的版本,它十分精简,适合开发者、科技专业人士使用,能够在无人机等领域中使用。
③Airware企业级无人机系统。

Airware公司旨在通过标准化的无人机软件系统,帮助企业迅速、高效地完成商用无人飞行器的部署及管理。该系统已于2015年4月16日正式发布,通过硬件与软件的结合,Airware成功地实现了在单个软件平台上统一管理多个不同型号、不同品牌无人机的目标。目前,Airware产品已获得两家合作伙伴的采纳,分别为通用电气(也同时是Airware的投资者)和Infinigy。
④一家名为Percepto的创业团队在Indiegogo上发起了一个同名开源项目,它是一个可以安装在现有无人机之上的计算机视觉组件,目标是搭建一个集硬件、驱动、算法、安全、机身控制于一体的平台,让更多的开发者在此平台上为无人机开发应用。

空管技术

①2014年,Airware计划在NASA加州基地针对不同类型的无人机(四旋翼、直升机、固定翼飞机)展开一系列的飞行和实验室测试,最快可能会在今年开始该项目。测试第一阶段的目标是理解不同的飞行器对空管系统的响应方式。

②初创公司Skyward正在研发无人机交通控制系统,这套系统使数千无人机在城市上空飞行而不会互相碰撞。Skyward正在跟FAA和全球三大无人机制造商(大疆、3D Robotics、Parrot)合作以证明大量的无人机可以在拥挤空域安全地共存。

③NASA同空间技术公司Exelis已经联手组成团队开发无人机空中交通管制系统的原型产品。

技术碰撞产生新火花

在多旋翼的潜在新技术发展进程中,各个技术是相互耦合依存的,比如芯片、传感器和算法等等。这些技术将构成无人机(多旋翼)的生态环境, 这种情况下无人机(多旋翼)的发展可能被其中某项技术的发展引领,存在着各种可能性,很多是我们目前无法想象到的。同样,在无人机(多旋翼)发展带动的技术也会促进相关行业技术的发展,解决各种实际问题。

4 、风险问题何解

不同产品可容忍的最低可靠性指标是不一样的,风险也会不一样。比如,对于个人操作系统,死机并不会对用户带来太多的损失,重启电脑即可。然而,如果多旋翼坠机,那么损失会很大,进而造成一系列影响。
首先是人身安全问题。虽然多旋翼正向着轻量化方向发展,但在搭载了各种设备之后,其自身重量必然大幅增加,很可能砸伤甚至砸死人。

其次是财产安全。无人机不同于航模,它搭载着各种精密昂贵的传感器设备,它们有的价值百万元甚至更高。面对如此精贵的“测绘装备”,多旋翼的操控人员更需要过硬的技术和心理素质。

最后是道德和舆论风险。多旋翼砸伤砸死人、公共安全或隐私等问题很可能引起媒体的大量报道,这无疑对多旋翼的发展形成较大阻力。目前,我们已经能够看到风险上升的苗头。2015年1月29日,无人机闯入了白宫,紧接着在2015年4月24日,另一架无人机又在日本首相官邸坠落。

那么,如何才能有效地降低风险呢?对于多旋翼生产和设计厂商,有效地执行以下五点对策会在很大程度上减轻飞行器的风险。

第一,提高飞行器自身的可靠性。
硬件方面,购买质量有保证的元器件。软件方面,需要进行大量的测试和考虑安全实效保护措施。这需要花费大量的人力和物力。因此,对于掌握飞控方面核心技术和具备开发能力,十分重要。

第二,减少飞行器下降带来的冲击。
减轻重量是最有效的方法,这会随着设备的小型化和材料的轻型化实现。另外一方面,多旋翼装载降落伞也是一种选择。

第三,为飞机编写ID号(飞机编号)。
这就像车辆需要有车牌号一样,每架多旋翼也需要有个ID号。这样可有效减少不法人员对多旋翼飞行器的滥用。

第四,设置禁飞区。
只要不在人口密集区飞行,坠机对人类的伤害就不会很大。但在人口密集区域,坠机的负面影响便会大大增加。因为,除非特批,无人机在人口密集区域不应飞行。此外,在人口稀少地带,操作人员可以采用运营商联动的方式,利用短信群发功能通知周边人员,以提高安全系数。

第五,防欺骗和入侵。
多旋翼在飞行过程中可能被盗或发生数据泄漏,进而引发安全事故。例如在2012年,德克萨斯大学某一研究团队告知美国国会,他们可以利用商店买来的GPS设备入侵价值8万美元的无人机系统内部。为了防止类似情况发生,多旋翼需要更安全的设计,包括通讯链路加密、防病毒设计等等。

对于多旋翼运营厂商,要注意以下三点。

第一,培养合格的多旋翼飞控手。在敏感区域飞行或飞行器重量超过一定限制时,需要持证上岗。
第二,办理保险。未来购买多旋翼飞行器应该像买汽车一样缴纳强制险以减少自身风险,尤其当多旋翼搭载了十分昂贵的设备时。
第三,限制飞行器飞行范围。

5 “多旋翼+”开启飞行新时代

多旋翼本身就是类似“互联网+”的平台,它与各行业结合,可实现多种应用(见下表)。


新手必看:X型四旋翼无人机拼装全攻略(附X型与十字型机动性对比) 本文为新手提供了一份详尽的X型四旋翼无人机DIY拼装全攻略,涵盖从核心部件选择、机架组装、焊接、飞控配置到首飞调参的全流程。文章重点对比了X型与十字型布局的机动性差异,解释了X型布局在响应速度和操控灵活性上的优势,尤其适合竞速与花式飞行。 阅读详情

相关推荐

无人机目标检测实战:从YOLO训练到机载部署与跟踪

目标检测是计算机视觉的核心任务之一,其基本原理是通过深度学习模型在图像中定位并分类物体。随着边缘计算设备的兴起,目标检测技术已从服务器端走向嵌入式平台,广泛应用于智能交通、工业巡检和安防监控等场景。然而,在实际工程落地中,检测算法不仅需要满足精度要求,还要适配有限的算力、功耗和实时性约束。对于无人机这一特殊载体,情况更为复杂:目标尺度小、视角俯仰变化剧烈、机载平台算力受限,同时还需与飞控系统闭环联动,实现自主跟踪与避障。本文从目标检测的通用原理出发,深入探讨YOLO系列模型在无人机视觉任务中的选型逻辑,重点

weixin_31715171的博客 46

02_国内外四旋翼飞行器的研究现状

本文主要介绍了国内外四旋翼飞行器的研究现状。

qq_45937810的博客 5170

四旋翼飞行器飞行控制系统Matlab仿真源码解析与调试指南

四旋翼飞行器是典型的欠驱动系统,其飞行控制系统的设计与仿真涉及刚体运动学、动力学建模、串级PID控制以及Simulink仿真环境搭建等多个环节。对于正在开展毕业设计、课程设计或准备学科竞赛的学生而言,掌握从模型建立到控制算法实现,再到源码调试的完整链路至关重要。本文从坐标系约定、运动学与动力学方程入手,分析串级PID的位置环、姿态环和角速度环的物理含义与整定方法,并梳理Simulink中信号流、控制分配矩阵以及执行器饱和等容易被忽视的工程细节。同时,针对仿真发散、姿态漂移、高频抖动等常见问题给出系统排查思路

weixin_32183107的博客 261

多旋翼无人机构成及其原理详解

配件: (1) 电机——依据电磁感应定律实现电能转化为机械能,通常也称为“马达”,电机根据电源的不同分为直流电机和交流电机,直流电机又有无刷电机和有刷电机,多旋翼常用无刷电机,无刷是指无换向器,无整流子,他的特点就是低干扰,噪音低,运转流畅,并且寿命较长,可控性强。在选择电机的一个重要指标就是他的KV值,KV是无刷电机的转速参数,,每升高1V,电动机增加的转速值,通常来说KV越高,转速越快。 (2) 电调——全称电子调速器,英文electronic speed controller,简称ESC,电调也

DC 1万+

Koopman-EDMD实现四旋翼非线性系统辨识与数据驱动控制

非线性系统辨识是数据驱动控制的核心挑战,传统建模方法在面对强耦合、宽范围机动时往往力不从心。Koopman算子理论提供了一种新思路:通过高维观测函数将非线性动力学映射为近似线性系统,从而复用成熟的控制理论。EDMD(扩展动态模态分解)是这一理论的工程化实现,仅依赖输入输出数据即可估计线性Koopman矩阵。该方法在四旋翼无人机、机器人、工业过程等领域具有广阔的应用前景。本文将结合Matlab代码,介绍从数据生成、字典设计到Koopman模型训练及LQR/MPC控制器设计的完整流程。区别于局部线性化,这种方法

weixin_30915275的博客 402

NMPC与PID/LQR四旋翼轨迹跟踪对比:MATLAB实现与仿真分析

模型预测控制(MPC)作为一种先进过程控制策略,在无人机轨迹跟踪领域日益受到关注。与依赖固定增益的PID或LQR控制器不同,非线性模型预测控制(NMPC)通过滚动时域优化,在每个控制周期内基于非线性模型预测未来状态,并同时处理跟踪误差、输入约束与控制代价,因而具备更强的前瞻性和约束处理能力。在四旋翼无人机的高速机动、急转弯或阵风扰动等场景下,传统反馈控制器容易出现相位滞后或参数失配,而NMPC能够通过预测时域内的参考轨迹主动调整控制量,显著降低跟踪误差。本文基于MATLAB环境,搭建了四旋翼位置环模型,完整

weixin_29722783的博客 280

多旋翼发展简介

一 多旋翼发展史 沉寂期:1990年以前 早在1907年的法国,在C.Richet教授的指导下,Breguet兄弟进行了他们的旋翼式直升机的飞行试验,这是记录的最早构型。因为设计不切实际,只飞了1.5m,随后落下 E.Oemichen 于1920年开始设计多旋翼设计,第一次试飞失败;经过重新设计之后,于1923年实现了起飞并创造了当时直升机领域的世界纪录:该直升机首次实现了14分钟的飞行

点滴记录 1万+

APM2.0硬件指南

APM2.0硬件指南 ArduPilotMega(APM)是市面上最强大的基于惯性导航的开源自驾仪(并且是最便宜的之一!) 特性包括: · 免费开源固件,支持飞机(“ArduPlane”),多旋翼(四旋翼,六旋翼,八旋翼,十旋翼 等),直升机(的“ArduCopter”) 和地面车辆(的“ArduRover”)! · Arduino 开源编译开发环境 · 完全可视化操作的任务规划器(含中文和多国语言) · 可以支持上百个三维航点 · 使用强大的MAVLink 协议,支持双向遥测站和飞行大全 - 宜配网控制命令ţ · 多种免费地面站,包括APM PLANNER ,HK HCS, · 跨平台,支持在Windows,Mac,甚至手机安卓系统,和Linux。在的Windows 下使用图形任务规划设定工具 (苹果下可用模拟器)Arduino 的编程环境,也是完全跨系统的。 · 可实现 自动起飞,降落 航点 航线飞行 返航 等多种自驾仪特性 · 完整支持Xplane 和飞行半硬件仿真(HIL) · 硬件包括: o 三轴陀螺仪 MPU600 o 三轴加速度计MPU600 o 测量高度的高精度数字空气压力传感器-MS-5611 o 10Hz 的GPS 模块 MTK 3329 o 16MB 板上数据记录存储器,日后会支持TF 卡扩展。任务数据自动记录,并可以导出为KML 的格式 o 三轴磁力计 o (可选)OSD 视频叠加硬件,实现回传实时图像 姿态 模式 位置等重要数据 o (可选)空速传感器 o (可选)电流传感器 o (可选)超声波传感器 o (可选)光流定点传感器 o (可扩展)更多I2C SPI 设备

多旋翼无人机全解析:结构、原理与行业标杆厂商(附 2025 最新技术动态)

多旋翼无人机已从消费级玩具发展为工业级生产力工具,2025 年全球市场规模预计突破 6000 亿元。随着氢燃料、AI、5G 等技术的融合,其在低空物流、智慧城市、灾害救援等领域的应用将进一步深化。企业需关注法规变化,加强核心技术研发,以应对行业竞争与市场需求的双重挑战。

UAV_ckesc的博客 7703

ASTRA Toolbox学习笔记-Python

ASTRA Toolbox 是一个用于处理 X 射线相干散射和 X 射线传输成像的开源算法工具箱。本文档概述了该工具箱的基本概念。

hou9021的博客 8261

反激电源占空比为何必须小于0.5?次谐波振荡与斜坡补偿详解

在开关电源设计中,峰值电流模式控制因其优异的动态响应和逐周期限流保护而被广泛应用。其工作原理是通过采样电感电流的峰值,与误差电压比较来控制开关管的导通与关断。然而,这种控制方式在反激等隔离拓扑中,当占空比超过50%时,会面临一个固有的稳定性挑战——次谐波振荡。这是由于电流扰动会在相邻开关周期内被放大而非衰减,导致系统在开关频率一半处发生振荡,严重影响输出纹波和可靠性。为解决这一问题,工程上引入了斜坡补偿技术,通过向控制信号叠加一个固定斜率的斜坡,改变环路增益条件,从而在宽输入电压或高占空比需求下维持系统稳定

weixin_29631169的博客 625

无人机基础知识:多旋翼无人机系统基本组成

无人机(Unmanned Aerial Vehicle),指的是一种由动力驱动的、无线遥控或自主飞行、机上无人驾驶并可重复使用的飞行器,飞机通过机载的计算机系统自动对飞行的平衡进行有效的控制,并通过预先设定或飞机自动生成的复杂航线进行飞行,并在飞行过程中自动执行相关任务和异常处理。

月照银海似蛟龙的博客 1万+

光模块基础知识【快速入门】02

光模块是用于交换机与设备之间传输的载体,是光纤通信系统中的核心器件。主要作用是发射端将设备的电信号转换成光信号。 光纤通道光模块和以太网光模块 光纤通道光模块 光纤通道(FC, Fiber Channel)是一种高速网络数据传输协议。光纤通道协议可以有序无损地传输原始数据,它主要用于在数据中心、电脑服务器、交换机与存储网络中进行数据传输。 FC光模块遵循FC协议,充当着光纤通道系统之间的接口,也是光纤存储网络设备间的接口。它们主要用于数据中心的光纤通道存储网络链接中。 FC光模块具有小型化和低.

Jin Hanquan的博客 3万+

为何越来越偏爱多旋翼无人机?

为何偏爱多旋翼?         常见飞行器通常被分为固定翼、直升机和多旋翼(四旋翼最为主流)。在2010年之前,固定翼和直升机无论在航拍还是航模运动领域,基本上占有绝对主流的地位。2012年底,中国大疆公司推出四旋翼一体机——小精灵Phantom。因该产品极大地降低了航拍的难度和成本,获得了广大的消费群体,成为迄今为止最热销的产品。之后短短两年间,围绕着多旋翼飞行器相关创意、技术、产品、应用和

hyh102的博客 2635

麒麟V10(arm)配置本地离线yum源

麒麟V10(arm)配置本地离线yum源

myfm2java的博客 7885

akshare 布林通道策略

import datetime import pandas as pd import backtrader as bt import matplotlib.pyplot as plt from datetime import datetime import matplotlib import akshare as ak %matplotlib inline class Boll_strategy(bt.Strategy): #自定义参数,每次买入1800手 params=(('size'.

qq_26742269的博客 5337

无人机为什么偏爱多旋翼?

常见飞行器通常被分为固定翼、直升机和多旋翼(四旋翼最为主流)。在2010年之前,固定翼和直升机无论在航拍还是航模运动领域,基本上占有绝对主流的地位。然而,在之后的几年中,因优良的操控性能,多旋翼迅速成为航拍和航模运动领域的新星,但这仍然需要专业人员调试或装配飞机。2012年底,中国大疆公司推出四旋翼一体机——小精灵Phantom。 因该产品极大地降低了航拍的难度和成本,获得了广大的消

xiaodou886的博客 1855

自动驾驶技术路线之争:纯视觉与多模态融合的成本与性能博弈

本文深入剖析了自动驾驶领域两大主流技术路线——纯视觉与多模态融合的本质差异。文章从成本结构、性能博弈与商业逻辑等多维度展开,揭示了纯视觉方案在硬件成本与数据算力投入上的权衡,以及多模态融合方案在安全冗余与感知稳定性方面的优势。这场技术路线之争,实则是车企在性能、成本与商业化落地之间寻求平衡的综合博弈。

weixin_29038303的博客 390

从理论到实践:基于Simulink的PX4四旋翼位置控制器建模与仿真

本文详细介绍了如何利用Simulink从零开始复现PX4飞控的四旋翼位置控制器。通过可视化建模,深入解析了其外环位置+内环速度的双环PID控制结构、前馈补偿及矢量转换等核心算法,并手把手指导搭建仿真模型、进行闭环测试与参数调试,最终探讨了将验证后的模型生成C代码并集成到PX4固件的实用路径,为无人机控制算法的研究与应用提供了高效的方法论。

onion的博客 460

实战指南!基于STM32的智能环境监测系统(代码+硬件设计+云端控制)

本文详细介绍了基于STM32的智能环境监测系统的设计与实现,包括硬件选型、电路设计、软件架构和云端控制。系统通过DHT11温湿度传感器和MQ-2烟雾传感器实时监测环境数据,STM32F103C8T6主控芯片处理数据并通过ESP8266上传至中国移动物联网平台,支持手机APP远程监控。项目成本低、稳定性高,适合智能家居和环境监测应用。

weixin_29194817的博客 433

UNet改进(47):Deformable Convolution在UNet中的集成与应用

本文提出了一种可变形U-Net(DeformableUNet)结构,通过在U-Net的双卷积模块中集成可变形卷积(DeformConv2d)来提升模型对物体形变和复杂结构的建模能力。传统卷积受限于固定感受野,而可变形卷积通过动态调整采样位置,能更好地适应不规则形状。实现中,在DoubleConv模块的第二个卷积层替换为可变形卷积,同时保持第一层为标准卷积以确保稳定性。实验表明,该方法在保持参数量基本不变的情况下,显著提升了分割精度(mIoU从0.712提升到0.743)。

2501_91516851的博客 201

串级PID的一些理解

本篇博文主要来回答为何多旋翼无人机控制使用的是串级PID而非单级PID这一问题。 我们可以从如下几个角度来回答这个问题: 1.输出反馈和状态反馈 首先,以无人机的姿态通道为例,系统的状态变量为姿态角和姿态角速度,对于这样的一个多变量系统,如果系统的状态反馈不全的话很可能导致系统控制性能变差甚至不稳定(实际使用单环PID控制进行实测时能明显感觉到动态性能比较差,振荡较大,阻尼较小,增加D性能提升有限...

Aromash的博客 2万+

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

无人机飞控与游戏开发选哪个?深入聊聊欧拉角313和312转序的实际应用场景

本文深入探讨了无人机飞控与游戏开发中欧拉角转序的选择问题,重点分析了312转序(ZXY)和313转序(ZYZ)的实际应用场景。无人机飞控偏爱312转序因其运动解耦优势和传感器对齐特性,而游戏开发中313转序在角色动画和摄像机控制方面表现更优。文章还提供了跨领域项目中的转序转换策略和现代技术栈中的趋势分析。

weixin_33714884的博客 387

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

ROS Noetic无人机开发:从初识框架到真实飞控落地

ROS(Robot Operating System)作为机器人软件开发的事实标准,其通信模型、节点管理与参数机制构成了智能无人系统的基础架构。理解Topic/Service/Action的适用边界、roslaunch的进程树映射、rosparam的运行时注入原理,是保障多传感器融合、实时控制与任务调度稳定性的前提。尤其在无人机领域,IMU/GPS/视觉数据的时间戳对齐、MAVLink协议栈与Linux串口驱动的ABI兼容性、非实时内核下的PID控制抖动抑制等工程挑战,均根植于ROS Noetic的底层设计

weixin_34416754的博客 571

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

探索飞行新境界:ESP-FC,你的低成本高性能航控解决方案

在追求极致飞行体验的世界里,ESP-FC犹如一股清流,它是一个小型、DIY友好且成本低廉(约5美元)的飞行控制器,基于强大的ESP8266或ESP32芯片打造。这个开源项目不仅为无人机爱好者提供了高性价比的选择,还赋予了自定义飞行控制的无限可能。 ## 项目技术剖析 ESP-FC采用了灵活性与性能并重的设计理念,支持广泛的硬件配置和软件兼容性。它的核心亮点包括兼容Betaflight配置工具(

gitblog_00013的博客 1041

iNav vs Betaflight:哪个更适合你的无人机项目?

本文深入对比了iNav与Betaflight两大开源飞控固件的核心差异。iNav专注于智能导航与自主飞行,深度集成GPS等传感器,适合远航、测绘等自动化任务;而Betaflight则追求极致的飞行性能和操控响应,是FPV竞速与花飞的不二之选。文章从基因起源、功能矩阵、实战配置到硬件生态,为你选择最适合无人机项目的飞控大脑提供全面指南。

ggg99的专栏 467
上一篇: 处理字符串中的6字节乱码汉字 C3 XX C2 XX C2 XX
下一篇: wifi攻击pineapple之SSL:轻松拿到JD密码
坚果-大发
博客等级 码龄20年 90粉丝 38原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值