【PX4+ROS完全指南】从零实现无人机Offboard控制:模式解析与实战

【PX4+ROS完全指南】从零实现无人机Offboard控制:模式解析与实战

引言

无人机自主飞行是机器人领域的热门方向,而PX4作为功能强大的开源飞控,配合ROS(机器人操作系统)的灵活性与生态,成为实现高级自主飞行的黄金组合。然而,许多初学者对PX4的飞行模式理解不清,更不知道如何通过ROS编写可靠的Offboard控制程序。

本文将带你彻底搞懂PX4 6大核心飞行模式,实现无人机的自动起飞、悬停、轨迹跟踪(圆形/方形/螺旋)与降落。

亮点一览:

  • ✅ 深度解析PX4飞行模式(稳定/定高/位置/自动/Offboard)
  • ✅ 明确ROS可控制的模式与指令接口
  • ✅ 完整的ROS功能包(C++实现,状态机设计)
  • ✅ 支持位置控制与速度控制双模式
  • ✅ 内置圆形、方形、螺旋轨迹生成器
  • ✅ 详细的安全机制与失效保护配置

无论你是准备参加比赛、做科研,还是想入门无人机开发,这篇文章都将是你宝贵的参考资料。


第一部分:PX4飞行模式深度剖析

PX4的飞行模式可以看作一个控制权逐级递增的层级结构。理解这些模式是编写控制程序的前提。

1. 稳定模式(STABILIZED / MANUAL / ACRO)

  • 核心特点:纯手动姿态控制。飞控仅保证机体自身姿态稳定,但不进行位置或高度锁定
  • 操控方式:摇杆控制俯仰/横滚角;油门直接控制升力。松开摇杆,飞机会回正到水平,但会随风漂移。
  • 应用场景:起飞、降落、特技飞行、紧急手动接管。

2. 定高模式(ALTCTL)

  • 核心特点高度保持 + 姿态稳定。飞控将油门通道重映射为爬升率指令
  • 操控方式:俯仰/横滚摇杆控制姿态和水平速度;油门摇杆中位时维持高度,上下推动控制爬升/下降速率。
  • 应用场景:低空侦察、无GPS或光流情况下的高度稳定飞行。

3. 位置模式(POSCTL)

  • 核心特点全自主位置与高度锁定。飞控使用GPS/视觉定位将飞机稳定在固定的三维坐标点。
  • 操控方式:俯仰/横滚摇杆控制水平速度;油门摇杆控制垂直速率。松开摇杆,飞机立即刹车并悬停
  • 应用场景:最常用、最安全的辅助模式,是进入Offboard模式前的理想过渡。

4. 自动模式(AUTO)

包括任务模式(MISSION)返航模式(RTL)降落模式(LAND)起飞模式(TAKEOFF)等。由飞控内部逻辑执行预设任务,无需外部持续指令。

5. Offboard模式

  • 核心特点外部控制模式。飞控的位置/姿态/速度期望值完全由通过MAVLink接收的外部指令设定。这是ROS/PX4集成的核心接口
  • 工作方式:外部计算机(如机载电脑)以>10Hz频率持续发送设定点指令。一旦指令流中断,飞控触发失效保护,自动切换到预设安全模式(如RTL或LAND)。
  • 应用场景:SLAM建图、视觉伺服、集群编队、复杂轨迹跟踪等所有需要高级算法的场景。

第二部分:ROS可控制的模式分析

通过ROS(通常借助MAVROS)控制PX4,主要有两种方式:模式切换直接指令发送

1. 可切换的模式

MAVROS理论上可以切换到任何已配置的飞行模式,最常用于:

  • OFFBOARD:最关键的模式,切换到此模式才能发送流式控制指令。
  • POSCTL:作为Offboard前的准备,或安全回退模式。
  • AUTO.MISSION / AUTO.RTL / AUTO.LAND:启动自动任务、触发返航或降落。

服务调用示例:

rosservice call /mavros/set_mode "base_mode: 0 custom_mode: 'OFFBOARD'"

2. 可发送实时控制指令的模式

模式是否接受ROS流式控制控制方式
OFFBOARD发送setpoint_position/setpoint_velocity等指令
POSCTL/ALTCTL否(可模拟RC)通过mavros/rc/override模拟遥控器输入,不推荐
其他仅能通过服务切换模式,不能实时控制

结论: 实现ROS程序控制的唯一标准方法是使用Offboard模式


第三部分:项目概述

我们将创建一个名为px4_offboard_control的ROS功能包,实现以下功能:

  • 自动起飞:上升至指定高度并悬停。
  • 悬停等待:稳定数秒后开始轨迹飞行。
  • 轨迹跟踪:支持圆形、方形、螺旋三种预设轨迹。
  • 速度/位置控制可选:通过参数切换控制模式。
  • 状态机管理:安全处理各阶段转换。
  • 失效保护:与PX4的Offboard超时保护无缝配合。

技术栈:ROS Melodic/Noetic、C++14、MAVROS、PX4 SITL、Eigen、TF2。


第四部分:代码结构设计

整体架构

px4_offboard_control/ ├── CMakeLists.txt ├── package.xml ├── launch/ │ └── offboard_control.launch # 主启动文件 ├── config/ │ └── params.yaml # 参数配置文件 ├── include/ │ └── px4_offboard_control/ │ └── trajectory_generator.h # 轨迹生成器头文件 └── src/ ├── offboard_control.cpp # 主控制节点(含状态机) └── trajectory_generator.cpp # 轨迹生成器实现

核心类设计

TrajectoryGenerator:负责生成各种轨迹点,并提供从当前位置到目标点的速度指令计算(P控制器)。

OffboardControl:主控制类,包含:

  • ROS通信(订阅状态/位置,发布设定点/轨迹)
  • 状态机(初始化、解锁、起飞、悬停、轨迹跟踪、降落、锁定)
  • 参数加载
  • 模式切换/解锁服务调用
  • 主循环控制逻辑

状态机流转图

INIT -> ARMING -> TAKEOFF -> HOVER -> FOLLOW_TRAJECTORY -> LAND -> DISARM -> 结束

每个状态都有超时或条件判断,确保安全转换。


第五部分:核心代码详解

1. 轨迹生成器(trajectory_generator.cpp)

生成圆形轨迹

std::vector<geometry_msgs::PoseStamped> generateCircleTrajectory( const geometry_msgs::PoseStamped& start_pose, double radius, double height, int points, int num_loops) { std::vector<geometry_msgs::PoseStamped> traj; for (int loop = 0; loop < num_loops; ++loop) { for (int i = 0; i < points; ++i) { double angle = 2.0 * M_PI * i / points; pose.pose.position.x = start_pose.pose.position.x + radius * cos(angle); pose.pose.position.y = start_pose.pose.position.y + radius * sin(angle); pose.pose.position.z = height; // 使无人机始终指向圆心(可选) double yaw = atan2(-sin(angle), -cos(angle)); pose.pose.orientation = getQuaternionFromYaw(yaw); traj.push_back(pose); } } return traj; }

速度指令计算:使用简单的P控制器,将位置误差转换为速度指令,并限制最大速度。

2. 主控制节点(offboard_control.cpp)

状态机处理示例(起飞状态)

void handleTakeoffState(ros::Rate& rate) { geometry_msgs::PoseStamped target_pose; target_pose.pose.position.z = home_pose_.pose.position.z + takeoff_height_; if (use_position_control_) { local_pos_pub_.publish(target_pose); if (fabs(current_pose_.pose.position.z - target_pose.pose.position.z) < pos_tolerance_) { ROS_INFO("Reached takeoff altitude"); control_state_ = HOVER; } } else if (use_velocity_control_) { auto vel_cmd = trajectory_gen_.calculateVelocityCommand(current_pose_, target_pose, ...); local_vel_pub_.publish(vel_cmd); if (vel_cmd.twist.linear.z == 0) { control_state_ = HOVER; } } }

Offboard模式切换与解锁

bool setMode(std::string mode) { mavros_msgs::SetMode srv; srv.request.custom_mode = mode; return set_mode_client_.call(srv) && srv.response.mode_sent; } bool arm(bool arm) { mavros_msgs::CommandBool srv; srv.request.value = arm; return arming_client_.call(srv) && srv.response.success; }

主循环:以20Hz运行,根据当前状态调用对应的处理函数,并持续发送设定点以维持Offboard模式。


第六部分:配置与参数说明

参数文件(params.yaml)

# 基本参数 takeoff_height: 2.0 hover_duration: 5.0 pos_tolerance: 0.1 # 控制模式(只能选一个) use_position_control: true # 位置控制模式 use_velocity_control: false # 速度控制模式 # 轨迹类型(circle / square / spiral) trajectory_type: "circle" # 速度限制 max_linear_vel: 1.0 max_angular_vel: 0.5 # 可视化 publish_trajectory: true

Launch文件(offboard_control.launch)

启动MAVROS和Offboard控制节点,可传参:

<arg name="trajectory_type" default="circle"/> <arg name="takeoff_height" default="2.0"/> ... <node name="offboard_control" pkg="px4_offboard_control" type="offboard_control" output="screen"> <param name="trajectory_type" value="$(arg trajectory_type)"/> ... </node>

第七部分:编译与运行

环境要求

  • Ubuntu 18.04/20.04
  • ROS Melodic/Noetic
  • PX4-Autopilot(用于SITL仿真)
  • MAVROS

编译步骤

cd ~/catkin_ws catkin_make source devel/setup.bash

运行仿真

roslaunch px4_offboard_control offboard_control.launch trajectory_type:=circle

将看到无人机自动起飞、悬停、执行圆形轨迹,最后降落。


第八部分:测试与结果

测试场景

  • 圆形轨迹(半径2m,高度3m)
  • 方形轨迹(边长4m)
  • 螺旋轨迹(最大半径3m,最大高度5m)

观察指标

  • 轨迹跟踪精度(<0.2m误差)
  • 状态转换平滑性
  • Offboard模式保持(无超时断开)

可视化:程序会发布/planned_trajectory话题,可在RViz中显示路径。


第九部分:安全注意事项

  1. 真机飞行前务必在SITL中充分测试
  2. 设置PX4失效保护参数
    • COM_RCL_EXCEPT:允许在遥控器丢失时仍保持Offboard(谨慎)。
    • COM_OF_LOSS_T:Offboard指令超时后切换到什么模式(建议设为21或20,即降落或返航)。
  3. 确保GPS信号良好(真机),或使用视觉定位。
  4. 保持紧急切换能力:遥控器设置为Position模式,以便随时接管。
  5. 代码中增加心跳机制:持续发送指令,并监控mavros/state中的armedmode,异常时自动降落。

第十部分:总结与扩展

本文详细解析了PX4飞行模式,并提供了一个完整的ROS Offboard控制实现。你可以在此基础上:

  • 扩展更多轨迹:如八字形、自定义路径点。
  • 添加传感器融合:结合VIO或激光雷达实现室内导航。
  • 实现集群控制:多机协同。
  • 集成视觉算法:目标跟踪、避障。

参考文献

  • PX4用户指南
  • MAVROS文档
  • ROS Wiki

作者:佳木逢钺
日期:2026年3月8日
版权:本文为原创文章,转载请附原文链接。

Read more

xcchat 是一个基于 Django 和 Django Channels 构建的轻量级在线客服系统。它支持实时聊天、人工/机器人客服切换、访客信息追踪和多站点接入

xcchat 是一个基于 Django 和 Django Channels 构建的轻量级在线客服系统。它支持实时聊天、人工/机器人客服切换、访客信息追踪和多站点接入

xcchat - 开源在线客服系统 * 作者:北小菜 * 邮箱:[email protected] * QQ:1402990689 * 微信:bilibili_bxc * 哔哩哔哩主页:https://space.bilibili.com/487906612 * gitee地址:https://gitee.com/Vanishi/xcchat * github地址:https://github.com/beixiaocai/xcchat xcchat 是一个基于 Django 和 Django Channels 构建的轻量级在线客服系统。它支持实时聊天、人工/机器人客服切换、访客信息追踪和多站点接入。 🌟 项目特点 * B2C架构:面向企业对客户的客服场景 * 实时双向通信:基于 WebSocket

RT-2:Google DeepMind的机器人革命——如何让AI从网页知识中学会操控现实世界

RT-2:Google DeepMind的机器人革命——如何让AI从网页知识中学会操控现实世界

大家好,我是数据与算法架构提升之路,一个专注AI和机器人技术的博主。今天,我们来聊聊Google DeepMind在2023年推出的重磅模型——RT-2 (Robotic Transformer 2)。这个模型不是简单的聊天机器人,而是将互联网上的海量知识直接转化为机器人动作控制的“超级大脑”。想象一下,一个机器人能理解“捡起像锤子一样的东西”(比如石头),或者根据“我累了”自动递上能量饮料?这不是科幻,而是RT-2的真实能力! 如果你是AI爱好者、机器人工程师或科技投资者,这篇文章绝对值得一读。我们将从原理、架构、创新点到实验结果,一一拆解。文末还有视频和论文链接,帮你快速上手。走起! 1.为什么RT-2是机器人领域的游戏改变者? 传统机器人学习依赖于海量的演示数据:工程师手动操作机器人,记录动作,然后AI模仿。但这效率低下——要让机器人适应新物体、新环境,就得从头收集数据。RT-2的创新在于,它借力视觉-语言模型 (VLM) 的预训练知识,将网页上的常识(如物体识别、语义推理)直接迁移到机器人控制中。

「2025嵌赛」瑞芯微&飞凌嵌入式赛题全国一等奖|基于ELF 2开发板的多传感信息融合的多用途巡检机器人

「2025嵌赛」瑞芯微&飞凌嵌入式赛题全国一等奖|基于ELF 2开发板的多传感信息融合的多用途巡检机器人

全国大学生嵌入式芯片与系统设计竞赛以服务国家嵌入式芯片与相关应用产业的发展大局,加强全国高校学生在相关领域的创新设计与工程实践能力,深化产教融合,培养具有创新思维、团队合作精神、解决复杂工程问题能力等新工科要求的优秀人才为背景。 飞凌嵌入式作为本届大赛协办单位之一,联合瑞芯微在应用赛道中设立专项赛题,并采用基于瑞芯微RK3588芯片设计的ELF 2开发板作为参赛平台,该赛题吸引了超过500支参赛队伍报名,经过线上初审与分赛区复赛的严格选拔,最终64支队伍脱颖而出,成功晋级全国总决赛。备赛期间,飞凌嵌入式技术团队为参赛学生提供了全方位的技术支持与专业培训,助力他们在比赛中充分发挥实力、斩获佳绩。 其中,郑州轻工业大学“调试时长两月半队”团队凭借参赛项目“基于ELF 2开发板的多传感信息融合的多用途巡检机器人”,荣获全国一等奖。该团队由计算机科学与技术学院的李宗洋、靳家林、吴海源三位同学组成,并在于泽琦老师和王晓老师的指导下完成项目。接下来,让我们一起了解这一获奖项目的具体内容。 “调试时长两月半队”团队展示 “基于ELF 2开发板的多传感信息融合的多用途巡检机器人”项目介绍

【论文阅读】-《QUERY EFFICIENT DECISION BASED SPARSE ATTACKS AGAINST BLACK-BOX DEEP LEARNING MODELS》

【论文阅读】-《QUERY EFFICIENT DECISION BASED SPARSE ATTACKS AGAINST BLACK-BOX DEEP LEARNING MODELS》

针对黑盒深度学习模型的查询高效决策型稀疏攻击 摘要 尽管我们已竭尽全力,深度学习模型仍然极易受到施加在输入上的微小对抗性扰动的影响。仅从机器学习模型的输出中提取信息来为黑盒模型制作对抗性扰动的能力,是对现实世界系统(如自动驾驶汽车或作为服务暴露的机器学习模型)的实际威胁。其中特别值得关注的是稀疏攻击。在黑盒模型中实现稀疏攻击表明,机器学习模型比我们想象的要更加脆弱。因为,这些攻击旨在最小化误导模型所需的扰动像素数量——以 l0l_0l0 范数衡量——而方法仅仅是观察模型查询返回的决策(预测的标签);即所谓的基于决策的攻击设置。但是,这样的攻击会导致一个 NP 难优化问题。我们针对该问题开发了一种基于进化的算法——SparseEvo——并针对卷积深度神经网络和视觉变换器进行了评估。值得注意的是,视觉变换器尚未在基于决策的攻击设置下进行研究。SparseEvo 在非目标攻击和目标攻击中都比最先进的稀疏攻击 Pointwise 需要显著更少的模型查询。该攻击算法虽然在概念上简单,但在有限的查询预算下,与最先进的基于梯度的白盒攻击相比,在 ImageNet 等标准计算机视觉任务中仍具有竞