KeyChan's blog

1. 从物理世界到“可控信息”——飞控软件的使命

在前几篇内容中，我们已经从系统工程视角初步对无人机有了一定的理解，从空气动力学角度探讨了“为什么能飞”，从传感器与硬件角度认识了无人机如何感知世界，并在控制算法篇中建立了“飞控如何决策与调节”的基础框架。

然而，所有物理量、传感器读数与控制规律最终都必须通过软件进行组织、调度与执行，才能形成一个真正稳定、可控的飞行器。本章从软件角度展开，属于飞控软件的基础部分，为保证后续章节的连贯性，建议完整阅读，使后续的体系结构、调度机制、通信框架等内容更易衔接。

1. 为什么 async/await 不能解决并发问题

Swift Concurrency 带来的第一个直观变化，是 async/await 让异步调用读起来像同步代码。之前一长串回调嵌套，现在可以按顺序写清楚：先请求网络，再解析，再更新状态。但在真实项目里，异步“写起来舒服”只是表面，很多时候真正的痛点不在于“怎么写异步逻辑”，而在于“多个任务同时访问同一份状态时发生的问题”。线程变多、任务变多、入口变多之后，只要可变状态没有明确的限制，就可能带来问题。

获取服务端配置就是一个非常典型的并发场景：有本地缓存，有后台刷新，有多处调用，有UI依赖结果，还有可能叠加服务端推送。表面上只是“拉一份配置下来”，但内部状态在多个任务之间来回穿插，如果不做隔离，async/await 并不能有效处理这些逻辑。

1. 为什么 UIKit 项目也需要现代异步能力？

现在的应用，无论是前端、Flutter 还是移动端原生，都有一个共同趋势：异步操作越来越多、界面状态变化也越来越频繁。Web 有 async/await + Promise 统一异步流程，用事件流和状态管理驱动 UI；Flutter 用 sync/await + Future/Stream 处理异步，用 BLoC、Provider、Riverpod 聚合状态并更新界面。这些体系之所以能稳定，是因为都遵循了同一种现代异步模型：异步逻辑线性化、事件流可组合、UI 完全由状态驱动。

UIKit 项目同样也面临这些问题，随着 Swift Concurrency、Combine 和 @Published 逐渐成熟，UIKit 也具备了和 Web、Flutter 类似的现代异步能力：async/await 负责逻辑，Combine 管事件流，状态集中在 ViewModel，由 UI 自动响应变化。

1. 从零搭建一个 PyTorch 模型

在正式讨论 PyTorch 之前，我们先从一个最小可用训练流程入手：用最少的代码搭建并训练一个小型神经网络。通过这个过程来快速建立对 PyTorch 的整体认知：数据从哪里来？如何流入模型？损失如何计算？梯度如何反向传播？参数又是如何被更新的？ 后面章节会对这些环节再做细致拆解，我们先做一个“总览式体验”。

1.1 整体思路：从数据到参数更新

我们开始搭建的最小神经网络包含四个核心阶段：

1. 数据准备：把原始数据转换为张量，并按批次（batch）组织；
2. 模型构建：用 nn.Module 定义前向计算逻辑；
3. 损失与优化器：定义“好坏标准”和“如何更新参数”的规则；
4. 训练循环：反复执行前向、反向和参数更新。

1. 时间依赖与梯度消失：序列建模的困境

在很多经典的图像任务中，我们通常假设不同样本之间是独立同分布的（i.i.d.）——也就是说，一张图片与另一张图片在统计上是相互独立的，模型只需要把一张图片看作一个整体输入来处理即可。卷积网络（CNN）则利用图像内部像素之间强烈的局部相关性，通过卷积核在空间上提取局部到全局的层级特征。

但在处理序列任务（sequence modeling）时情况就完全不同了：语言、语音、时间序列信号都具有明显的时间依赖，同一个序列内部，不同时间步之间往往高度相关。要正确预测下一个值、下一个词或下一个声音，模型必须记住同一条序列中之前发生过什么。这一点正是循环神经网络（Recurrent Neural Network, RNN）诞生的核心动机。

1. 控制系统的物理与数学基础

在研究飞控算法（Flight Control Algorithm）之前，理解姿态描述方式、闭环反馈思想及采样周期的作用至关重要。本章节主要介绍这些基础概念，为后续的建模与 PID 控制奠定直观认知。

1.1 坐标系与姿态描述

无人机的姿态描述通常基于两个参考系：惯性系（Inertial Frame）与机体系（Body Frame）。

• 惯性系：固定在地面或某个空间参考点上，其坐标轴多采用“东北下（NED）”方式定义，即以北（North）、东(East)、下(Down)三个方向作为基准，用来描述无人机相对于地球的运动状态。
• 机体系：固定在无人机机体上，原点通常位于质心，$x_b$ 轴沿机头方向，$y_b$ 轴指向右翼，$z_b$ 轴指向机体下方。

1. 飞控结构与数据流

飞控系统（Flight Controller, FC）是无人机的“大脑”，负责接收传感器信息、进行状态估计、计算控制量，并最终驱动电机或舵机执行动作。要理解一台无人机如何保持稳定飞行，我们首先要弄清楚飞控的内部结构组成与数据流动路径。

1.1 模块组成：从“感知”到“执行”

一个典型的飞控系统由四大核心模块构成，每个模块既有明确的功能分工，又通过标准化接口实现数据协作。

1. 从滤波到认知：卷积的结构假设

在计算机视觉领域，卷积（Convolution）不仅是一种数学运算，更是一种关于世界结构的假设。这一假设的核心思想在于：图像的语义信息是局部相关的。换言之，空间上相邻的像素往往属于同一个物体或纹理区域，它们的统计特征并非独立存在，而是具有强烈的局部依赖性。卷积神经网络（Convolutional Neural Network, CNN）正是基于这一假设构建的。

1. 什么是深度学习？——从函数到映射的思想

在讨论深度学习的“智能”之前，我们必须回答一个更基础的问题——深度学习到底在学什么？ 它究竟是神经元的堆叠，还是某种数据结构？为什么看似简单的线性代数运算，能孕育出近似人类思维的能力？

从本质上讲，深度学习不是魔法，而是一种函数逼近的科学。所有的神经网络，无论是用于图像识别、语言理解还是游戏博弈，其根本目标都是——寻找一个能够将输入 $x$ 映射到输出 $y$ 的函数 $f_\theta(x)$。这里的 $\theta$ 表示函数中的可学习参数，也就是神经网络中的权重与偏置。

1. 为什么无人机能飞？——从推力说起

想象一下，当你打开一台电风扇时，风扇叶片旋转，会将空气往前“推”，而你能感受到一股反方向的力。这股力其实就是空气反作用在风扇上的推力。无人机的螺旋桨与此类似，只不过它不是把空气往前吹，而是把空气往下推，于是空气反过来向上“托起”整台无人机。

这就是无人机能悬停在空中的根本原因：它依靠桨叶高速旋转，使气流形成“下洗”（Downwash），从而获得一个向上的空气动力。