飞控算法从入门到精通（144）：飞控中的深度学习基础——目标检测与跟踪从一次炸机说起去年夏天，我在测试一款基于PX4改装的四旋翼时，遇到一个让人抓狂的问题。飞机在跟踪地面移动目标时，明明视觉模块已经锁定了目标，但飞控却突然失控，直接侧翻炸机。事后分析日志发现，目标检测模型在某一帧输出了一个置信度极低的边界框，但跟踪算法没有做任何滤波，直接把这个“垃圾”框传给了位置控制器，导致期望位置瞬间跳变到几十米外，飞控为了追这个“幽灵目标”直接饱和输出。这个教训让我意识到，在飞控这种实时性要求极高的场景下，深度学习模型不能像在PC上那样“裸奔”。目标检测和跟踪的每一个输出，都必须经过严格的工程化处理，否则再好的模型也是定时炸弹。目标检测：不是跑个YOLO就完事了很多人觉得在飞控上做目标检测，无非就是把YOLO或者SSD移植到嵌入式平台。但实际调试中你会发现，模型推理速度、精度和飞控控制周期之间的匹配才是真正的坑。模型选型：别被mAP骗了我见过不少团队在Jetson Nano上跑YOLOv5s，mAP能到0.7以上，但实际飞行中目标检测的召回率惨不忍睹。原因很简单：飞控上的图像来自运动中的相机，存在运动模糊、光照突变、部分遮挡等问题。这些在标准数据集上很少出现的场景，恰恰是飞控应用中的常态。我的建议是，不要只看公开数据集上的指标，一定要做飞行场景的专项测试。具体做法：把飞控挂在一个六自由度平台上，模拟实际飞行中的振动和姿态变化，录制视频后离线标注，再用
)
