IMU数据格式示例：
- 加速度: ax, ay, az (m/s²)
- 角速度: wx, wy, wz (rad/s)
- 采样率: 100-1000 Hz

GNSS数据格式示例：
- 经度: longitude (度)
- 纬度: latitude (度)
- 高度: altitude (m)
- 速度: vn, ve, vd (m/s)
- 采样率: 1-10 Hz

典型主处理器规格：
- 内核: ARM Cortex-M7
- 主频: 400-480 MHz
- Flash: 1-2 MB
- RAM: 512 KB - 1 MB
- 外设: SPI, I2C, UART, CAN, PWM

ESC通信协议：
- PWM: 传统协议，1-2ms脉宽
- DShot: 数字协议，支持双向通信
- Multishot: 高速协议，响应更快

┌─────────────────────────────────────────────────┐
│                   应用层                         │
│    任务管理器 │ 故障处理器 │ 日志记录器          │
├─────────────────────────────────────────────────┤
│                   中间件层                       │
│  传感器驱动 │ 状态估计 │ 控制律 │ 导航 │ 通信   │
├─────────────────────────────────────────────────┤
│                 硬件抽象层 (HAL)                 │
│    GPIO │ ADC │ PWM │ SPI │ I2C │ UART │ CAN   │
├─────────────────────────────────────────────────┤
│                   硬件层                         │
│    IMU │ GNSS │ 气压计 │ 磁力计 │ 电机 │ 舵机   │
└─────────────────────────────────────────────────┘

传感器数据采集 → 数据预处理 → 状态估计 → 控制律解算 → 执行机构驱动

具体流程：
IMU(1kHz) ──┐
GNSS(5Hz) ──┼──→ 数据预处理 ──→ 状态估计(EKF) ──→ 控制律(PID) ──→ 混控 ──→ 电机
磁力计 ─────┤
气压计 ─────┘

优先级抢占式调度：
- 每个任务有固定优先级
- 就绪队列中优先级最高的任务获得CPU
- 高优先级任务就绪时，可以抢占低优先级任务

示例：
任务A (优先级1，最高) - 角速度控制 (1kHz)
任务B (优先级2)       - 姿态控制 (500Hz)
任务C (优先级3)       - 位置控制 (100Hz)
任务D (优先级4，最低) - 日志记录 (后台)

// 任务创建
BaseType_t xTaskCreate(
    TaskFunction_t pvTaskCode,
    const char * const pcName,
    uint16_t usStackDepth,
    void *pvParameters,
    UBaseType_t uxPriority,
    TaskHandle_t *pxCreatedTask
);

// 信号量
SemaphoreHandle_t xSemaphoreCreateBinary(void);
BaseType_t xSemaphoreTake(SemaphoreHandle_t xSemaphore, TickType_t xTicksToWait);
BaseType_t xSemaphoreGive(SemaphoreHandle_t xSemaphore);

// 消息队列
QueueHandle_t xQueueCreate(UBaseType_t uxQueueLength, UBaseType_t uxItemSize);
BaseType_t xQueueSend(QueueHandle_t xQueue, const void *pvItemToQueue, TickType_t xTicksToWait);
BaseType_t xQueueReceive(QueueHandle_t xQueue, void *pvBuffer, TickType_t xTicksToWait);

任务优先级设计：

┌─────────────────────────────────────────────────────┐
│ 优先级1 (最高) │ IMU数据采集、角速度控制 (1kHz)    │
├─────────────────────────────────────────────────────┤
│ 优先级2        │ 姿态估计、姿态控制 (500Hz)        │
├─────────────────────────────────────────────────────┤
│ 优先级3        │ 位置估计、位置控制 (100Hz)        │
├─────────────────────────────────────────────────────┤
│ 优先级4        │ 导航、任务管理 (50Hz)             │
├─────────────────────────────────────────────────────┤
│ 优先级5        │ 通信处理 (50Hz)                   │
├─────────────────────────────────────────────────────┤
│ 优先级6 (最低) │ 日志写入、数据传输 (后台)         │
└─────────────────────────────────────────────────────┘

// 典型的中断处理模式
void USART1_IRQHandler(void)  // ISR
{
    uint8_t data = USART1->DR;
    BaseType_t xHigherPriorityTaskWoken = pdFALSE;

    // 将数据放入队列，唤醒处理任务
    xQueueSendFromISR(xUartQueue, &data, &xHigherPriorityTaskWoken);

    // 如果唤醒了更高优先级任务，触发上下文切换
    portYIELD_FROM_ISR(xHigherPriorityTaskWoken);
}

void UART_Task(void *pvParameters)  // 处理任务
{
    uint8_t data;
    while(1) {
        xQueueReceive(xUartQueue, &data, portMAX_DELAY);
        // 处理数据...
    }
}

PX4架构图：

┌─────────────────────────────────────────────────────────┐
│                      应用模块                            │
│   Commander │ Navigator │ Mission │ Logger             │
├─────────────────────────────────────────────────────────┤
│                      控制模块                            │
│   mc_pos_control │ mc_att_control │ fw_pos_control     │
├─────────────────────────────────────────────────────────┤
│                      估计模块                            │
│   ekf2 │ attitude_estimator_q                          │
├─────────────────────────────────────────────────────────┤
│                      驱动模块                            │
│   imu │ gps │ mag │ baro │ pwm_out                     │
├─────────────────────────────────────────────────────────┤
│                      uORB消息中间件                      │
├─────────────────────────────────────────────────────────┤
│                      NuttX操作系统                       │
└─────────────────────────────────────────────────────────┘

// 发布者
struct vehicle_attitude_s att;
orb_advert_t att_pub = orb_advertise(ORB_ID(vehicle_attitude), &att);

// 更新数据
orb_publish(ORB_ID(vehicle_attitude), att_pub, &att);

// 订阅者
int att_sub = orb_subscribe(ORB_ID(vehicle_attitude));
struct vehicle_attitude_s att;

// 检查更新
bool updated;
orb_check(att_sub, &updated);

// 读取数据
orb_copy(ORB_ID(vehicle_attitude), att_sub, &att);

ArduPilot架构：

┌─────────────────────────────────────────────────────────┐
│                    主循环 (400Hz)                        │
│  ┌─────────────────────────────────────────────────┐   │
│  │  1. 读取传感器                                   │   │
│  │  2. 运行AHRS (姿态估计)                          │   │
│  │  3. 运行导航                                     │   │
│  │  4. 运行控制                                     │   │
│  │  5. 输出到电机                                   │   │
│  └─────────────────────────────────────────────────┘   │
├─────────────────────────────────────────────────────────┤
│                    后台任务                              │
│  日志 │ 通信 │ 参数 │ 任务                              │
└─────────────────────────────────────────────────────────┘

优点：直观易懂
缺点：万向锁问题（当俯仰角为±90°时，滚转角和偏航角无法区分）

q = [q0, q1, q2, q3] = [cos(θ/2), sin(θ/2)*axis]

优点：无奇异性、计算效率高
约束：||q|| = 1（单位四元数）

DCM = [cθ*cψ, sφ*sθ*cψ-cφ*sψ, cφ*sθ*cψ+sφ*sψ]
      [cθ*sψ, sφ*sθ*sψ+cφ*cψ, cφ*sθ*sψ-sφ*cψ]
      [-sθ,   sφ*cθ,          cφ*cθ         ]

优点：无奇异性
缺点：需要满足正交约束，计算量较大

R_nb = Rz(ψ) * Ry(θ) * Rx(φ)

其中：
Rx(φ) = [1, 0, 0; 0, cos(φ), -sin(φ); 0, sin(φ), cos(φ)]
Ry(θ) = [cos(θ), 0, sin(θ); 0, 1, 0; -sin(θ), 0, cos(θ)]
Rz(ψ) = [cos(ψ), -sin(ψ), 0; sin(ψ), cos(ψ), 0; 0, 0, 1]

控制律：
u(t) = Kp * e(t) + Ki * ∫e(τ)dτ + Kd * de(t)/dt

离散形式：
u(k) = Kp * e(k) + Ki * Σe(j)*Δt + Kd * (e(k) - e(k-1))/Δt

位置控制（外环，50-100Hz）：
    位置误差 → 期望速度
    速度误差 → 期望姿态

姿态控制（中环，250-500Hz）：
    姿态误差 → 期望角速度
    角速度误差 → 控制力矩

角速度控制（内环，500-1000Hz）：
    角速度误差 → 电机控制量

串级PID控制框图：

位置设定 ─→ [位置PID] ─→ 速度设定 ─→ [速度PID] ─→ 姿态设定
                                                      │
                                                      ↓
                            [角速度PID] ←─ 角速度设定 ←─ [姿态PID]
                                │
                                ↓
                              电机输出

状态方程：x(k+1) = A * x(k) + B * u(k) + w(k)
观测方程：z(k) = H * x(k) + v(k)

其中：
x(k)：状态向量
u(k)：控制输入
z(k)：观测向量
w(k)：过程噪声，协方差Q
v(k)：观测噪声，协方差R

预测步骤：
x̂(k|k-1) = A * x̂(k-1|k-1) + B * u(k-1)
P(k|k-1) = A * P(k-1|k-1) * A^T + Q

更新步骤：
K(k) = P(k|k-1) * H^T * (H * P(k|k-1) * H^T + R)^(-1)
x̂(k|k) = x̂(k|k-1) + K(k) * (z(k) - H * x̂(k|k-1))
P(k|k) = (I - K(k) * H) * P(k|k-1)

状态方程：x(k+1) = f(x(k), u(k)) + w(k)
观测方程：z(k) = h(x(k)) + v(k)

预测步骤：
x̂(k|k-1) = f(x̂(k-1|k-1), u(k-1))
P(k|k-1) = F * P(k-1|k-1) * F^T + Q

其中F是f在x̂(k-1|k-1)处的雅可比矩阵：
F = ∂f/∂x |_{x=x̂(k-1|k-1)}

更新步骤：
K(k) = P(k|k-1) * H^T * (H * P(k|k-1) * H^T + R)^(-1)
x̂(k|k) = x̂(k|k-1) + K(k) * (z(k) - h(x̂(k|k-1)))
P(k|k) = (I - K(k) * H) * P(k|k-1)

其中H是h在x̂(k|k-1)处的雅可比矩阵：
H = ∂h/∂x |_{x=x̂(k|k-1)}

x = [位置, 速度, 姿态, 角速度, IMU零偏]^T
  = [pn, pe, pd, vn, ve, vd, φ, θ, ψ, p, q, r, bax, bay, baz, bwx, bwy, bwz]^T

传感器融合：
- IMU：提供高频姿态和角速度测量
- GNSS：提供低频位置和速度测量
- 磁力计：提供航向参考
- 气压计：提供高度参考

性能指标：
J = ∫(x^T * Q * x + u^T * R * u) dt

最优控制律：
u = -K * x

其中K通过求解Riccati方程得到：
A^T * P + P * A - P * B * R^(-1) * B^T * P + Q = 0
K = R^(-1) * B^T * P

优化问题：
min J = Σ(x(k+i)^T * Q * x(k+i) + u(k+i)^T * R * u(k+i))
s.t. x(k+i+1) = f(x(k+i), u(k+i))
     x_min ≤ x(k+i) ≤ x_max
     u_min ≤ u(k+i) ≤ u_max

优点：
- 可以显式处理约束
- 适合复杂约束控制问题

缺点：
- 计算量大，需要高效优化求解器

流程：
1. 骨干网络提取特征图
2. 区域建议网络（RPN）生成候选区域
3. ROI Pooling提取候选区域特征
4. 分类和回归头预测类别和边界框

优点：精度高
缺点：速度较慢

YOLOv8架构：
┌─────────────────────────────────────────┐
│              Backbone (CSPDarknet)       │
│    Conv → Conv → Conv → ... → Conv      │
└─────────────────────────────────────────┘
                    ↓
┌─────────────────────────────────────────┐
│              Neck (PANet)                │
│    多尺度特征融合                         │
└─────────────────────────────────────────┘
                    ↓
┌─────────────────────────────────────────┐
│              Head (Decoupled)            │
│    分类头 │ 边界框回归头                  │
└─────────────────────────────────────────┘

优点：速度快，适合实时应用
缺点：小目标检测效果较差

架构：
编码器（下采样）              解码器（上采样）
    Conv ──┐                     ┌── Conv
    Conv ──┼──→ 跳跃连接 ──→ ──┼── Conv
    Pool ──┘                     └── UpConv

特点：
- 编码器-解码器结构
- 跳跃连接融合多尺度特征
- 适合小数据集训练

架构：
┌─────────────────────────────────────────┐
│              Backbone (Xception)         │
└─────────────────────────────────────────┘
                    ↓
┌─────────────────────────────────────────┐
│              ASPP (空洞空间金字塔池化)    │
│   Rate=6 │ Rate=12 │ Rate=18 │ Global   │
└─────────────────────────────────────────┘
                    ↓
┌─────────────────────────────────────────┐
│              Decoder                     │
│   上采样 + 低级特征融合                   │
└─────────────────────────────────────────┘

特点：
- 空洞卷积扩大感受野
- ASPP捕获多尺度上下文
- 编码器-解码器结构

训练流程：
1. 使用立体图像对或视频序列
2. 通过视图合成构建损失函数
3. 网络学习预测深度

损失函数：
L = |I_t - I_t→s|  (光度误差)

优点：不需要深度标注
缺点：尺度模糊

流程：
1. 左右图像特征提取
2. 构建代价体（Cost Volume）
3. 代价聚合
4. 视差回归

代表方法：PSMNet、GCNet

结构化剪枝：
- 移除整个通道或层
- 保持模型结构规整
- 便于硬件加速

非结构化剪枝：
- 移除单个权重
- 压缩率高
- 需要稀疏计算支持

训练后量化（PTQ）：
- 训练完成后量化
- 简单快速
- 精度损失较大

量化感知训练（QAT）：
- 训练时模拟量化
- 精度损失小
- 需要重新训练

量化精度：
- FP32：32位浮点
- FP16：16位浮点
- INT8：8位整数
- INT4：4位整数

教师-学生框架：
教师模型（大）──→ 软标签 ──→ 学生模型（小）

损失函数：
L = α * L_hard + (1-α) * L_soft

其中：
L_hard：与真实标签的交叉熵
L_soft：与教师输出的KL散度

ORB特征：
1. FAST角点检测
2. 计算角点响应函数
3. 非极大值抑制
4. 计算BRIEF描述符
5. 方向归一化

优点：速度快，适合实时应用
缺点：对尺度变化敏感

暴力匹配：
- 计算所有描述符对的距离
- 选择距离最小的匹配

FLANN匹配：
- 构建KD树索引
- 快速近似最近邻搜索

外点剔除：
- RANSAC + 基本矩阵
- 保留内点匹配

对极几何：
1. 从匹配点计算基本矩阵F
2. 从F分解得到R和t
3. 三角化得到3D点

PnP问题：
1. 给定3D点和2D投影
2. 使用DLT或EPnP求解
3. RANSAC剔除异常点

Lucas-Kanade光流：
假设：像素亮度在短时间内不变
I(x+dx, y+dy, t+dt) = I(x, y, t)

光流方程：
Ix * vx + Iy * vy = -It

求解：
[vx, vy]^T = (A^T A)^(-1) A^T b

DSO（Direct Sparse Odometry）：
1. 选择高梯度像素点
2. 最小化光度误差
3. 滑动窗口优化

优点：利用所有图像信息
缺点：对光照变化敏感

系统架构：

┌─────────────────────────────────────────────────────┐
│                   跟踪线程                           │
│  特征提取 → 特征匹配 → 位姿估计 → 局部地图跟踪       │
└─────────────────────────────────────────────────────┘
                        ↓
┌─────────────────────────────────────────────────────┐
│                   局部建图线程                       │
│  关键帧插入 → 地图点三角化 → 局部BA → 关键帧剔除     │
└─────────────────────────────────────────────────────┘
                        ↓
┌─────────────────────────────────────────────────────┐
│                   回环检测线程                       │
│  词袋匹配 → 几何验证 → 位姿图优化 → 全局BA          │
└─────────────────────────────────────────────────────┘

特点：
- 支持单目、双目、RGB-D
- 支持视觉惯性融合
- 支持多地图

系统架构：

┌─────────────────────────────────────────────────────┐
│                   预处理                             │
│  图像特征提取 → IMU预积分                            │
└─────────────────────────────────────────────────────┘
                        ↓
┌─────────────────────────────────────────────────────┐
│                   初始化                             │
│  视觉-IMU对齐 → 尺度恢复 → 重力方向估计              │
└─────────────────────────────────────────────────────┘
                        ↓
┌─────────────────────────────────────────────────────┐
│                   状态估计                           │
│  滑动窗口优化 → 边缘化 → 求解                        │
└─────────────────────────────────────────────────────┘
                        ↓
┌─────────────────────────────────────────────────────┐
│                   回环检测                           │
│  DBoW2 → 位姿图优化                                  │
└─────────────────────────────────────────────────────┘

算法流程：

1. 点云预处理
   - 去除离群点
   - 地面分割

2. 特征提取
   - 边缘特征：曲率大的点
   - 平面特征：曲率小的点

3. 里程计
   - 边缘点到边缘线的距离
   - 平面点到平面的距离
   - Levenberg-Marquardt优化

4. 建图
   - 更低频率运行
   - 更精细的配准

架构：
模板分支 ──→ 特征提取 ──┐
                        ├──→ 互相关 ──→ 分类+回归
搜索分支 ──→ 特征提取 ──┘

特点：
- 孪生网络结构
- 区域建议网络
- 端到端训练

流程：
1. 检测：使用检测器获取目标框
2. 预测：卡尔曼滤波预测目标位置
3. 关联：匈牙利算法匹配检测和轨迹
   - 运动信息：马氏距离
   - 外观信息：余弦距离
4. 更新：更新卡尔曼滤波状态
5. 管理：创建新轨迹、删除丢失轨迹

π* = argmax E[Σ γ^t * R(st, at)]

Vπ(s) = Eπ[Σ γ^t * R(st, at) | s0 = s]

Qπ(s,a) = Eπ[Σ γ^t * R(st, at) | s0 = s, a0 = a]

Vπ(s) = Σ π(a|s) * [R(s,a) + γ * Σ P(s'|s,a) * Vπ(s')]
Qπ(s,a) = R(s,a) + γ * Σ P(s'|s,a) * Σ π(a'|s') * Qπ(s',a')

算法流程：
1. 初始化经验回放缓冲区D
2. 初始化Q网络和目标网络
3. for episode = 1, M do
    初始化状态s
    for t = 1, T do
        以ε概率随机选择动作，否则选择a = argmax Q(s,a)
        执行动作a，观察r和s'
        存储(s, a, r, s')到D
        从D采样小批量
        计算目标：y = r + γ * max Q_target(s', a')
        更新Q网络：最小化(y - Q(s,a))^2
        定期更新目标网络
    end for
end for

关键技巧：
- 经验回放：打破数据相关性
- 目标网络：稳定训练
- ε-贪心：平衡探索和利用

目标函数：
L(θ) = E[min(r(θ) * A, clip(r(θ), 1-ε, 1+ε) * A)]

其中：
r(θ) = π_θ(a|s) / π_θold(a|s)  （重要性采样比）
A = 优势函数估计

优点：
- 稳定训练
- 样本效率高
- 易于实现

目标函数：
J(π) = E[Σ γ^t (R(s_t, a_t) + α H(π(·|s_t)))]

其中：
H(π(·|s)) = -Σ π(a|s) log π(a|s)  （策略熵）
α：温度参数

特点：
- 最大熵强化学习
- 探索能力强
- 鲁棒性好

状态空间：
- 位置、速度、姿态、角速度
- 目标相对位置
- 障碍物信息

动作空间：
- 连续：推力、角速度
- 离散：上、下、左、右、前、后

奖励函数：
- 到达目标：+100
- 碰撞障碍：-100
- 每步：-0.1（鼓励快速到达）
- 平滑控制：-0.01 * |动作|

端到端学习：
传感器输入 ──→ 神经网络 ──→ 控制输出

挑战：
- 样本效率低
- 安全性问题
- 仿真到现实迁移

解决方案：
- 仿真训练 + 域适应
- 安全强化学习
- 模仿学习初始化

方法：
min Σ L(π(a|s), a_expert)

优点：简单直接
缺点：分布偏移问题

算法流程：
1. 使用初始策略收集轨迹
2. 请专家标注动作
3. 将新数据加入训练集
4. 重新训练策略
5. 重复直到收敛

优点：解决分布偏移问题
缺点：需要专家在线标注

自注意力机制：
Attention(Q, K, V) = softmax(QK^T / √dk) V

多头注意力：
MultiHead(Q, K, V) = Concat(head1, ..., headh) W^O
其中 headi = Attention(QWi^Q, KWi^K, VWi^V)

位置编码：
PE(pos, 2i) = sin(pos / 10000^(2i/d))
PE(pos, 2i+1) = cos(pos / 10000^(2i/d))

应用场景：
- 任务理解："飞到那栋高楼旁边拍一张照片"
- 对话交互：多轮对话澄清任务细节
- 语音控制：结合语音识别实现语音控制

技术方案：
语音 ──→ ASR ──→ LLM ──→ 任务解析 ──→ 飞控指令

任务分解：
用户指令 ──→ LLM ──→ 子任务序列

示例：
"巡检整个园区" → [
    "起飞到50米高度",
    "飞到园区入口",
    "沿园区边界飞行",
    "拍摄关键区域",
    "返回起飞点",
    "降落"
]

CLIP架构：
图像 ──→ 图像编码器 ──→ 图像特征 ──┐
                                   ├──→ 对比学习
文本 ──→ 文本编码器 ──→ 文本特征 ──┘

应用：
- 图像描述生成
- 视觉问答
- 图像-文本检索

语言导航：
"飞到那栋红色建筑旁边"
    ↓
场景理解 + 目标识别 + 路径规划
    ↓
导航到目标位置

联邦学习流程：

参与方1 ──→ 本地训练 ──→ 参数上传 ──┐
参与方2 ──→ 本地训练 ──→ 参数上传 ──┼──→ 参数聚合 ──→ 全局模型
参与方N ──→ 本地训练 ──→ 参数上传 ──┘
    ↑                                        ↓
    └──────────── 参数下发 ←─────────────────┘

算法：
1. 服务器初始化全局模型w0
2. for t = 1, 2, ... do
    服务器选择参与方子集S_t
    每个参与方k ∈ S_t:
        接收全局模型w_t
        本地训练：w_k = w_t - η ∇L_k(w_t)
        上传参数w_k
    服务器聚合：w_{t+1} = Σ nk/n * w_k
end for

应用场景：

协同建图：
多架无人机各自采集数据 → 本地训练建图模型 → 聚合得到全局模型

协同目标识别：
多架无人机各自采集目标图像 → 本地训练识别模型 → 聚合得到鲁棒模型

协同异常检测：
多架无人机各自记录飞行数据 → 本地训练检测模型 → 聚合得到准确模型

目标：估计后验概率
p(x1:t, m | z1:t, u1:t)

其中：
x1:t：机器人轨迹
m：地图
z1:t：观测序列
u1:t：控制输入序列

ORB特征提取流程：
1. FAST角点检测
   - 比较中心像素与周围像素亮度
   - 连续N个像素亮度差异超过阈值则为角点

2. 方向计算
   - 计算角点邻域的图像矩
   - 得到角点主方向

3. BRIEF描述符
   - 在角点邻域选择点对
   - 比较点对亮度得到二进制描述符

4. 旋转不变性
   - 根据角点方向旋转点对

优化问题：
min Σ ||pi - π(Ti * Pj)||²

其中：
pi：观测的2D点
π：投影函数
Ti：相机位姿
Pj：3D点

求解方法：
1. 线性化：J * δx = r
2. 求解：δx = (J^T J)^(-1) J^T r
3. 更新：x = x + δx
4. 迭代直到收敛

稀疏性利用：
- Hessian矩阵具有稀疏结构
- 使用Schur消元加速求解

ICP算法：
1. 初始化变换T0
2. for k = 0, 1, ... do
    建立对应关系：对每个点找最近点
    计算最优变换：Tk = argmin Σ ||Tk * pi - qi||²
    检查收敛
end for

NDT算法：
1. 将目标点云划分为体素
2. 每个体素计算正态分布参数（均值、协方差）
3. 优化变换使源点云落入高概率区域

融合层次：
- 数据级融合：原始数据融合
- 特征级融合：特征向量融合
- 决策级融合：决策结果融合

融合结构：
- 集中式：所有数据发送到中心节点
- 分布式：各节点独立处理后交换信息
- 混合式：结合集中式和分布式

多传感器融合EKF：

预测步骤：
x̂(k|k-1) = f(x̂(k-1|k-1), u(k-1))
P(k|k-1) = F * P(k-1|k-1) * F^T + Q

更新步骤（顺序处理各传感器）：
for 每个传感器i do
    Ki = P(k|k-1) * Hi^T * (Hi * P(k|k-1) * Hi^T + Ri)^(-1)
    x̂ = x̂ + Ki * (zi - hi(x̂))
    P = (I - Ki * Hi) * P
end for

因子图表示：
- 变量节点：待估计的状态
- 因子节点：观测约束

优化问题：
min Σ ||hi(xi) - zi||²_Σi

求解框架：
- g2o：通用图优化
- GTSAM：因子图优化工具箱
- Ceres Solver：通用非线性优化

算法流程：
1. 初始化开放列表和关闭列表
2. 将起点加入开放列表
3. while 开放列表不为空 do
    从开放列表取出f值最小的节点n
    if n是终点 then
        返回路径
    end if
    将n加入关闭列表
    for 每个邻居节点m do
        if m在关闭列表 then
            continue
        end if
        计算g(m) = g(n) + cost(n,m)
        if m不在开放列表 or g(m)更小 then
            更新m的父节点为n
            f(m) = g(m) + h(m)
            将m加入开放列表
        end if
    end for
end while

启发函数：
- 欧几里得距离：h(n) = ||n - goal||
- 曼哈顿距离：h(n) = |xn - xgoal| + |yn - ygoal|

算法流程：
1. 初始化树T，根节点为起点
2. for i = 1 to N do
    随机采样点xrand
    在T中找最近节点xnearest
    从xnearest向xrand方向扩展，得到xnew
    if xnew无碰撞 then
        将xnew加入T
        if xnew接近终点 then
            返回路径
        end if
    end if
end for

RRT*改进：
1. 扩展新节点后，在邻域内重新选择父节点
2. 尝试重连邻域内的节点
3. 具有渐近最优性

优化问题：
min J = Σ (x(k+i)^T Q x(k+i) + u(k+i)^T R u(k+i))
s.t. x(k+i+1) = f(x(k+i), u(k+i))
     x_min ≤ x(k+i) ≤ x_max
     u_min ≤ u(k+i) ≤ u_max

求解步骤：
1. 在当前状态x(k)求解优化问题
2. 得到最优控制序列u*(k), u*(k+1), ...
3. 只执行第一个控制u*(k)
4. 在下一时刻重复上述过程

势场定义：
- 引力场：目标点产生引力
- 斥力场：障碍物产生斥力

合力计算：
F = Fatt + Frep
Fatt = katt * (xgoal - x)
Frep = krep * Σ (1/di - 1/d0) * ∇di

优点：计算简单，适合实时避障
缺点：可能陷入局部最小值

速度障碍定义：
VO = {v | ∃t > 0, p + v*t ∈ O}

安全速度选择：
Vs = {v | v ∉ VO}

选择策略：
在安全速度集中选择最接近期望速度的速度

算法流程：
1. 计算可达速度空间Vs
   Vs = {v | v ∈ V, v' ∈ V', 可达}
2. 计算安全速度空间Va
   Va = {v | v ∈ Vs, 安全}
3. 选择最优速度
   v* = argmax H(v)

评价函数：
H(v) = α * heading(v) + β * dist(v) + γ * velocity(v)

恒速模型（CV）：
x(k+1) = x(k) + v(k) * Δt
v(k+1) = v(k)

恒加速模型（CA）：
x(k+1) = x(k) + v(k) * Δt + 0.5 * a(k) * Δt²
v(k+1) = v(k) + a(k) * Δt
a(k+1) = a(k)

LSTM预测模型：
输入：历史轨迹 [x(t-n), ..., x(t)]
输出：未来轨迹 [x(t+1), ..., x(t+m)]

架构：
历史轨迹 ──→ LSTM编码器 ──→ 隐状态 ──→ LSTM解码器 ──→ 未来轨迹

检测跟踪范式：
1. 检测：在每帧中检测目标
2. 关联：将检测框与已有轨迹关联
3. 更新：更新轨迹状态
4. 管理：创建新轨迹、删除丢失轨迹

关联算法：
匈牙利算法：求解最优二分图匹配
代价矩阵：位置距离 + 外观相似度

消息结构：
| STX | LEN | SEQ | SYSID | COMPID | MSGID | PAYLOAD | CRC |
|  1  |  1  |  1  |   1   |   1    |   1   |  0-255  |  2  |

字段说明：
- STX：起始标志（0xFD）
- LEN：负载长度
- SEQ：消息序列号
- SYSID：系统ID
- COMPID：组件ID
- MSGID：消息ID
- PAYLOAD：消息负载
- CRC：循环冗余校验

心跳消息（HEARTBEAT）：
- 消息ID：0
- 包含：系统类型、自动驾驶仪类型、飞行模式

姿态消息（ATTITUDE）：
- 消息ID：30
- 包含：滚转角、俯仰角、偏航角、角速度

位置消息（GLOBAL_POSITION_INT）：
- 消息ID：33
- 包含：经度、纬度、高度、速度

控制消息（SET_POSITION_TARGET_LOCAL_NED）：
- 消息ID：84
- 用于：发送控制指令

数传链路：
- 传输飞行数据、控制指令
- 要求：低延迟、高可靠性

图传链路：
- 传输视频图像
- 要求：高带宽、低延迟

遥测链路：
- 传输传感器数据
- 要求：高可靠性

视频编码：
- H.264：广泛使用，兼容性好
- H.265/HEVC：更高压缩效率

传输协议：
- RTSP：实时流协议
- WebRTC：网页实时通信，低延迟

抗干扰技术：
- 跳频：频率跳变避免干扰
- 自适应编码：根据信道质量调整

关键特性：
- 更大带宽：支持更高数据速率
- 更低时延：满足实时控制需求
- 更多连接：支持大规模设备连接
- 通感一体：通信与感知融合

无人机探测：
- 基站发射信号
- 信号被无人机反射
- 基站接收反射信号
- 分析信号特征估计无人机位置

探测能力：
- 探测距离：数公里
- 探测高度：覆盖低空空域
- 探测精度：米级定位精度

延迟组成：
- 传播延迟：信号在介质中传播的时间
- 传输延迟：数据包发送的时间
- 处理延迟：节点处理数据包的时间
- 排队延迟：数据包在队列中等待的时间

无人机通信延迟要求：
- 飞行控制：< 100ms
- 视频传输：< 200ms
- 遥测数据：< 500ms

协议优化：
- 使用UDP代替TCP
- 使用轻量级协议
- 使用QUIC协议

网络优化：
- 边缘计算
- 专用网络
- QoS机制

应用优化：
- 增量编码
- 预测算法
- 流水线处理

┌─────────────────────────────────────────┐
│              应用层                      │
│  任务管理 │ 用户交互 │ 日志记录          │
├─────────────────────────────────────────┤
│              服务层                      │
│  导航服务 │ 感知服务 │ 通信服务          │
├─────────────────────────────────────────┤
│              中间件层                    │
│  消息中间件 │ 数据管理 │ 日志服务        │
├─────────────────────────────────────────┤
│              硬件抽象层                  │
│  传感器驱动 │ 执行器驱动                │
├─────────────────────────────────────────┤
│              硬件层                      │
│  传感器 │ 执行器 │ 通信模块              │
└─────────────────────────────────────────┘

服务划分：
- 飞控服务：负责飞行控制
- 导航服务：负责路径规划和导航
- 感知服务：负责环境感知
- 通信服务：负责数据通信
- 任务服务：负责任务调度
- 数据服务：负责数据存储和分析

服务通信：
- RESTful API：同步通信
- 消息队列：异步通信
- gRPC：高性能RPC通信

架构层次：
- IaaS：基础设施即服务
- PaaS：平台即服务
- SaaS：软件即服务

核心功能：
- 设备管理：无人机注册、状态监控、远程控制
- 数据管理：飞行数据存储、分析、可视化
- 任务管理：任务规划、调度、执行监控
- 空域管理：空域申请、飞行计划审批

数据采集：Kafka消息队列
数据存储：HDFS、S3、数据湖
数据处理：Spark、Flink
数据分析：Hive、ClickHouse
数据可视化：Grafana、ECharts

- 低延迟：计算在本地进行
- 高带宽效率：减少数据传输量
- 隐私保护：敏感数据不上传云端
- 离线能力：网络断开时仍可工作

模型压缩：
- 剪枝：移除冗余连接
- 量化：降低参数精度
- 知识蒸馏：小模型学习大模型

高效网络：
- MobileNet：深度可分离卷积
- ShuffleNet：通道混洗
- EfficientNet：复合缩放

定义：物理实体的虚拟映射

特点：
- 实时性：虚拟模型与物理实体实时同步
- 双向映射：物理世界和虚拟世界双向交互
- 全生命周期：覆盖实体的全生命周期
- 智能分析：基于数据进行预测和优化

- 空域管理：构建低空空域的数字孪生
- 无人机仿真：在虚拟环境中测试无人机系统
- 飞行模拟：提供逼真的飞行训练环境
- 故障预测：基于数字孪生进行故障预测

- 软件在环仿真（SITL）：飞控软件在PC上运行
- 硬件在环仿真（HITL）：飞控硬件连接仿真器
- 全数字仿真：所有组件都是软件模拟
- 半实物仿真：部分组件是真实硬件

Gazebo：
- 开源免费
- 支持ROS集成
- 丰富的插件生态

AirSim：
- 基于Unreal Engine
- 高保真视觉
- 支持深度学习

jMAVSim：
- 轻量级
- 支持多机仿真

通信安全威胁：
- 窃听：攻击者截获通信数据
- 篡改：攻击者修改通信数据
- 重放攻击：攻击者重放历史数据
- 拒绝服务：攻击者阻塞通信信道

控制安全威胁：
- 劫持：攻击者夺取无人机控制权
- 欺骗：攻击者发送伪造的控制指令

加密技术：
- 对称加密：AES
- 非对称加密：RSA、ECC
- 混合加密

认证技术：
- 数字签名
- 数字证书
- 双向认证

欺骗过程：
1. 攻击者获取真实GPS信号
2. 攻击者生成伪造信号
3. 攻击者逐渐增大伪造信号功率
4. 接收机锁定伪造信号
5. 攻击者控制定位结果

天线技术：
- 定向天线
- 天线阵列
- 抗干扰天线

信号处理：
- 自适应滤波
- 相关检测
- 多频接收

多传感器融合：
- IMU辅助
- 视觉辅助

- 传感器故障：传感器输出异常
- 执行器故障：执行器响应异常
- 通信故障：通信中断或数据错误
- 软件故障：软件运行异常

- 残差分析：比较实际输出与模型预测
- 参数估计：估计系统参数变化
- 状态估计：使用观测器检测异常
- 机器学习：使用分类或异常检测算法

分布式系统最多只能同时满足三项中的两项：
- 一致性（Consistency）
- 可用性（Availability）
- 分区容错（Partition tolerance）

- 冗余：使用冗余组件
- 复制：复制数据到多个节点
- 检查点：定期保存系统状态
- 恢复：故障后恢复系统状态

领导者-跟随者：
- 一架无人机作为领导者
- 其他无人机跟随领导者运动

虚拟结构：
- 将编队视为刚体
- 各无人机跟踪刚体上的对应点

一致性方法：
- 通过信息交换使状态趋于一致

集中式分配：
- 中央节点收集所有信息
- 求解最优分配

分布式分配：
- 各无人机协商分配任务

市场拍卖：
- 使用拍卖机制分配任务

感知层：传感器、执行器
网络层：WiFi、4G/5G、LoRa
平台层：设备管理、数据处理
应用层：物联网应用

- 智能巡检：采集巡检数据并上传
- 环境监测：监测空气质量、水质
- 智慧农业：精准灌溉、施肥
- 智慧城市：交通监控、安防巡逻

- 去中心化：没有中央控制
- 不可篡改：数据一旦写入不可修改
- 可追溯：可以追溯数据来源
- 透明性：所有参与者可以验证数据

- 飞行数据存证：保证数据不可篡改
- 空域管理：去中心化的空域分配
- 身份认证：防止伪造身份
- 数据共享：保护数据所有权

- 实体：节点，表示事物
- 关系：边，表示实体之间的联系
- 属性：实体的特征

- 空域知识图谱：空域类型、限制条件、申请流程
- 故障诊断知识图谱：辅助故障诊断和维修
- 法规知识图谱：支持法规查询和合规检查