简介本资源是面向无人机算法开发者与智能机器人研究者的实践型学习材料聚焦复杂环境下基于AirSim的自主飞行技术实现解决真实场景中避障、定位、路径规划等核心问题。压缩包共2个文件7KB含1个Python主控脚本Hard_Environment_9_9_my.py用于实现高难度地形下的无人机控制逻辑以及1份README.md文档说明环境配置、运行步骤与关键参数含义结构精炼、即开即用。已有339人学习下载适合具备Python基础与一定控制理论知识的中级开发者快速切入仿真验证环节。读者可直接复现复杂建筑群与动态障碍条件下的飞行任务深入理解六自由度建模、传感器融合感知、RRT路径规划及AirSim API调用细节并通过源码调试掌握从仿真到算法迭代的完整闭环流程。1. 从零到一为什么选择AirSim作为你的无人机仿真起点如果你正在琢磨无人机自主飞行无论是做算法研究、系统集成还是单纯想验证一个想法我猜你大概率已经听过AirSim这个名字。但你可能也听过Gazebo、PX4 SITL甚至是一些商业仿真软件。为什么我建议尤其是对于复杂环境下的自主飞行研究AirSim应该成为你的首选这背后不是简单的“微软出品必属精品”的逻辑而是因为它精准地踩中了几个关键痛点。首先是逼真度与效率的平衡。Gazebo很强大生态成熟但它的物理引擎和传感器模型尤其是视觉传感器要达到照片级的真实感需要投入大量的建模和渲染资源。而AirSim直接构建在虚幻引擎Unreal Engine或Unity之上这意味着你几乎可以“白嫖”游戏工业级别的图形渲染能力。复杂环境——无论是高楼林立的城市峡谷、枝叶茂密的森林还是室内杂乱的空间——在AirSim里搭建和呈现其视觉真实感是传统机器人仿真器难以比拟的。这种高保真视觉对于依赖摄像头进行感知、定位、避障的无人机算法至关重要你训练的神经网络或调试的视觉算法能直接面对接近真实世界的图像噪声、光照变化和纹理特征。其次是对硬件在环HIL和软件在环SIL的友好支持。AirSim不仅仅是一个“看”的模拟器它内置了基于物理的动力学模型默认是SimpleFlight也支持更专业的PX4和ArduPilot可以通过标准的MAVLink协议与外部飞控如Pixhawk通信。这意味着你可以把写好的自主飞行代码直接部署到一块真实的飞控硬件上让飞控在仿真环境中“驾驶”无人机这就是硬件在环。它极大地降低了真机试飞炸机的风险和成本。对于纯算法验证软件在环模式更是开箱即用你的代码通过API与仿真器交互快速迭代。最后是API的简洁与强大。AirSim提供了Python和C的客户端API调用方式非常直观。获取图像、读取IMU数据、控制无人机飞到某个位置几乎就是几行代码的事。这种低门槛让你能快速搭建原型把精力集中在核心的“自主”算法上而不是耗费在仿真环境的琐碎配置里。结合它丰富的传感器套件深度相机、语义分割相机、激光雷达等你完全可以构建一个从多传感器融合到决策控制的完整仿真验证管线。所以当你拿到一个“基于AirSim仿真平台的复杂环境无人机自主飞行”的任务时你选择的不仅仅是一个工具而是一个能够提供高保真感知输入、可靠动力学响应、并便于与真实软硬件对接的完整试验场。接下来我们就一步步把这个试验场搭建起来并让它真正跑起来。2. 搭建你的数字天空AirSim环境配置与核心传感器设置万事开头难但AirSim的安装配置其实已经比几年前友好太多了。这里我以最常用的Windows 11/10 Unreal Engine AirSim组合为例分享一条最稳妥的路径并重点解析那些容易踩坑的细节。2.1 基础环境部署避开版本依赖的“雷区”第一步安装Visual Studio 2019。注意不是VS Code。AirSim的编译需要完整的C开发环境。在安装VS2019时工作负载务必勾选“使用C的桌面开发”和“Windows 10 SDK”即使你是Win11通常也兼容。这一步是后续用源码编译AirSim插件的基础缺了它会报各种找不到头文件的错误。第二步安装Unreal Engine 4.27。这是当前与AirSim兼容性最广、最稳定的版本。不建议追新用UE5除非你有明确的理由且愿意处理可能的兼容性问题。通过Epic Games启动器安装即可。安装路径不要有中文和空格这是所有软件开发的通用准则。第三步获取并编译AirSim。打开一个普通的命令提示符不需要管理员权限执行以下命令git clone https://github.com/microsoft/AirSim.git cd AirSim克隆完成后不要急着运行安装脚本。先打开AirSim\AirSim.sln这个解决方案文件用Visual Studio 2019打开。在解决方案资源管理器中右键点击“解决方案‘AirSim’”选择“重定解决方案目标”确保SDK版本与你安装的Windows SDK一致。然后在顶部将解决方案配置设置为“Release”平台设置为“Win64”。最后右键点击“解决方案‘AirSim’”选择“生成解决方案”。这个过程会编译出我们需要的插件文件AirSim.dll和AirSim.lib。编译成功是后续一切的前提。第四步准备仿真环境地图。AirSim本身不带炫酷的地图需要你自己添加。有两个推荐来源一是AirSim官方提供的 内置环境 比如“Blocks”环境适合基础测试二是Unreal Engine商城里的免费或付费场景比如“Landscape Mountains”、“City Sample”等这些环境复杂更适合做复杂环境测试。以“Blocks”为例下载后是一个.ue4或.zip文件解压后得到一个文件夹例如Blocks。将这个文件夹整个复制到你的Unreal Engine项目目录下通常位于文档\Unreal Projects\。2.2 Settings.json深度解析定义无人机的“感官系统”环境搭好了无人机在哪它有什么“超能力”这全靠一个名为settings.json的配置文件来定义。这个文件需要放在你的Unreal项目文件夹的根目录下与.uproject文件同级。它是AirSim的大脑告诉仿真器生成什么样的无人机、搭载什么传感器、初始位置在哪、物理参数如何。下面我们拆解一个针对复杂环境自主飞行的强化配置{ SeeDocsAt: https://github.com/Microsoft/AirSim/blob/master/docs/settings.md, SettingsVersion: 1.2, SimMode: Multirotor, // 仿真模式多旋翼 ClockSpeed: 1.0, // 仿真时间倍率1.0为实时 Vehicles: { Drone1: { // 你的无人机名字可自定义 VehicleType: SimpleFlight, // 飞控模型简单但够用 DefaultVehicleState: Armed, // 默认上电解锁方便测试 PawnPath: AirSim/VehicleAdv/Pawns/QuadrotorBP, // 无人机模型蓝图路径 EnableCollisionPassthrough: false, // 碰撞穿透务必设为false EnableCollisions: true, // 启用碰撞检测 AllowAPIAlways: true, // 允许任何状态下调用API RC: { RemoteControlID: 0, // 遥控器ID仿真时通常不用 AllowAPIWhenDisconnected: true }, Sensors: { // **核心传感器配置** LidarSensor1: { SensorType: 6, // 6代表激光雷达 Enabled: true, // 启用 NumberOfChannels: 16, // 16线雷达平衡性能与真实性 RotationsPerSecond: 10, // 每秒10转10Hz PointsPerSecond: 100000, // 每秒点数 HorizontalFOV: 360, // 水平360度全景 VerticalFOV: 30, // 垂直30度 X: 0, Y: 0, Z: -0.1, // 传感器安装位置偏移相对于机体中心 Roll: 0, Pitch: 0, Yaw: 0, // 安装角度 DataFrame: SensorLocalFrame // 数据在传感器本地坐标系 }, FrontCenterCamera: { SensorType: 0, // 0代表摄像头 Enabled: true, CaptureSettings: [ { ImageType: 0, // 0Scene场景图 3DepthPlanner深度图 5Segmentation语义分割 Width: 640, Height: 480, FOV_Degrees: 90 } ], X: 0.3, Y: 0, Z: 0, // 相机安装在机头前方 Pitch: -5, // 略微下倾有利于观察前方地面障碍 Roll: 0, Yaw: 0 } }, X: 0, Y: 0, Z: 0 // 无人机初始位置世界坐标系 } }, CameraDefaults: { CaptureSettings: [ { ImageType: 0, Width: 960, Height: 540, TargetGamma: 2.0 // 调整图像伽马值影响亮度 } ] }, PhysicsEngineName: FastPhysicsEngine, // 物理引擎FastPhysicsEngine性能好 LocalHostIp: 127.0.0.1, // API通信IP ApiServerPort: 41451, // API端口 Compress: true // 压缩网络传输数据 }关键配置解读与避坑指南传感器位置 (X, Y, Z, Pitch, Roll, Yaw): 这是最容易出错的地方之一。坐标系遵循Unreal引擎惯例X向前Y向右Z向上。单位是米。如果你发现获取的深度图距离不对或者激光雷达点云飘在空中首先检查这里的偏移量。Z: -0.1意味着雷达安装在机体中心下方10厘米这很常见以避免桨叶进入视野。激光雷达参数:PointsPerSecond设置过高会导致数据吞吐巨大拖慢仿真速度。对于实时规划10Hz、16线、每秒10万点是一个在精度和性能间不错的折衷。HorizontalFOV: 360给了你全景感知这对复杂环境避障至关重要。图像类型:ImageType是魔法数字。0是普通RGB图3是深度图像素值代表到相机平面的垂直距离单位米5是语义分割图每个像素带有物体类别的ID。在复杂环境中同时获取RGB和深度信息是进行视觉SLAM或障碍物距离估计的基础。碰撞设置:EnableCollisionPassthrough: false和EnableCollisions: true必须像上面这样设置。如果EnableCollisionPassthrough被设为true无人机将穿墙而过碰撞检测失效这对于自主飞行测试是灾难性的。2.3 首次运行与基础控制验证配置好settings.json后双击你的Unreal项目文件.uprojectUE4编辑器会启动并提示“缺少模块”选择“是”来编译AirSim插件。编译成功后点击编辑器中的“播放”按钮仿真世界就启动了。此时打开一个Python环境安装AirSim客户端库pip install airsim。然后运行以下脚本进行基础验证import airsim import time # 连接到仿真器 client airsim.MultirotorClient() client.confirmConnection() # 等待连接建立 client.enableApiControl(True) # 取得API控制权 client.armDisarm(True) # 解锁电机 # 起飞到2米高度 client.takeoffAsync().join() time.sleep(2) # 向前飞5米 client.moveToPositionAsync(5, 0, -2, 5).join() # Z轴负值代表高度NED坐标系 time.sleep(1) # 获取前方相机图像 responses client.simGetImages([airsim.ImageRequest(FrontCenterCamera, airsim.ImageType.Scene)]) img_rgb responses[0] # 此时img_rgb.image_data_uint8就是RGB图像的字节数据可以用OpenCV处理 # 降落 client.landAsync().join() client.armDisarm(False) client.enableApiControl(False)如果无人机能顺利起飞、移动并传回图像恭喜你你的数字天空已经就绪。如果连接失败请检查settings.json中的LocalHostIp和ApiServerPort是否与代码中默认的127.0.0.1:41451一致以及防火墙是否阻止了连接。3. 复杂环境下的感知基石多传感器数据获取与融合实战在简单的空场飞行或许一个GPS和IMU就够了。但在复杂环境中——想象一下在堆满货箱的仓库里穿行或在有行人、车辆的街道上空飞行——无人机必须有一双“慧眼”和“触角”。这就是感知系统的任务回答“我在哪”和“周围有什么”。3.1 视觉感知不只是“看到”更是“理解”AirSim的摄像头提供了远超RGB的信息。我们重点看两种对自主飞行至关重要的图像类型深度图和语义分割图。深度图的获取与处理深度图每个像素的值代表了该点到相机平面的垂直距离单位米。在AirSim中获取深度图responses client.simGetImages([ airsim.ImageRequest(FrontCenterCamera, airsim.ImageType.DepthPlanner, pixels_as_floatTrue) ]) depth_img responses[0] import numpy as np # 将浮点数组转换为图像矩阵 depth_array np.array(depth_img.image_data_float, dtypenp.float32) depth_array depth_array.reshape(depth_img.height, depth_img.width)这里pixels_as_floatTrue是关键它直接返回浮点型的距离值精度更高。拿到深度图后你可以障碍物检测设定一个距离阈值例如2米所有小于该阈值的像素点都被视为障碍物。可以进一步通过聚类算法如DBSCAN将这些像素点分组得到障碍物的位置和大小。生成点云结合相机的内参焦距、光心和外参安装位置可以将深度图反投影成三维点云。这为你提供了相机前方区域的稠密三维信息是进行局部地图构建和精细避障的基础。地面提取在无人机飞行中区分地面和障碍物至关重要。可以利用RANSAC等算法从深度图生成的点云中拟合出一个地平面将属于地面的点滤除专注于真正的障碍物。语义分割图的妙用语义分割图给每个像素打上了物体类别的标签如天空0建筑1道路2汽车3行人4等。在AirSim中你需要先在settings.json中为场景中的物体指定语义标签这通常需要修改环境资产然后才能获取。responses client.simGetImages([ airsim.ImageRequest(FrontCenterCamera, airsim.ImageType.Segmentation, pixels_as_floatFalse) ]) seg_img responses[0] seg_array np.frombuffer(seg_img.image_data_uint8, dtypenp.uint8).reshape(seg_img.height, seg_img.width, 3) # 注意返回的是BGR格式的彩色图不同颜色对应不同类别需要查表映射语义信息能极大提升决策的智能性。例如你的路径规划算法可以设定远离被标记为“行人”或“汽车”的动态物体区域可以靠近但需保持安全距离的“建筑”静态区域以及优先选择“道路”或“草地”这类可通行区域。这比单纯基于几何距离的避障要安全、合理得多。3.2 激光雷达三维空间的精确“触角”虽然视觉提供了丰富的语义和稠密信息但在光照剧烈变化、纹理缺失如白墙或需要精确测距的场景下激光雷达更加可靠。AirSim的激光雷达模拟生成的是三维点云。# 获取单帧激光雷达数据 lidar_data client.getLidarData(lidar_nameLidarSensor1, vehicle_nameDrone1) if len(lidar_data.point_cloud) 3: # 点云数据以浮点数数组形式存储 [x1, y1, z1, x2, y2, z2, ...] points np.array(lidar_data.point_cloud, dtypenp.float32).reshape(-1, 3) # points 现在是一个 Nx3 的矩阵每一行是一个点的(x, y, z)坐标激光雷达点云的处理流程通常包括降采样原始点云可能非常稠密使用体素网格滤波等方法降低数据量提高后续处理速度。地面分割同样使用RANSAC或平面模型拟合分离地面点与非地面点障碍物。聚类对非地面点使用欧几里得聚类或DBSCAN将属于同一物体的点云聚在一起得到一个个障碍物簇。边界框估计对每个聚类计算其最小外接长方体Bounding Box得到障碍物的位置、尺寸和朝向。一个实战技巧坐标系转换。激光雷达数据默认在传感器本地坐标系下。而你的路径规划算法很可能是在无人机机体坐标系或世界坐标系下工作。因此拿到points后必须根据settings.json中定义的传感器安装位置X, Y, Z, Roll, Pitch, Yaw进行坐标变换将其转换到机体坐标系。AirSim的API提供了simGetVehiclePose获取机体位姿结合传感器外参才能得到点云在世界坐标系中的真实位置。3.3 多传感器融合112的策略单一传感器都有局限相机怕暗、怕反光激光雷达怕雾、怕雨且成本高。融合才是王道。一个简单而有效的融合策略是以视觉RGB-D为主进行中远距离的语义场景理解和稠密三维重建。它告诉你远处那个移动的物体是“汽车”并且大概有多远。以激光雷达为辅进行近距离尤其是无人机下方和侧方的高精度障碍物测距和轮廓勾勒。它确保你在贴近墙壁飞行或穿越狭窄通道时不会因为视觉误差而发生碰撞。IMU和GPS仿真中为Ground Truth提供高频的自身运动估计和全局定位作为感知数据的时间戳对齐和运动补偿的基础。在代码实现上你可以维护一个全局的“占据栅格地图”或“体素地图”。视觉深度图转换的点云和激光雷达点云在经过坐标系统一和时间同步后都被插入到这个地图中。每个栅格或体素记录被占据的概率。同时另一个“语义层”地图记录每个位置最可能的语义标签。你的路径规划器就基于这个融合后的“概率-语义”地图进行决策。注意仿真与现实的差距。AirSim的传感器模型是理想的没有真实的噪声、标定误差和延时。在仿真中验证算法逻辑是没问题的但一定要意识到将算法部署到真机时必须加入对噪声、延时和外参标定误差的鲁棒性处理。例如在融合时使用卡尔曼滤波器或更先进的贝叶斯滤波器来估计障碍物的状态而不是直接使用原始的观测值。4. 从感知到行动复杂环境路径规划算法实战集成有了对环境的感知下一步就是决策“怎么飞”。路径规划是自主飞行的核心大脑其任务是在已知或部分已知的环境中找到一条从起点到终点、满足各种约束避障、动力学、时间的安全路径。在复杂动态环境中这尤其具有挑战性。4.1 全局规划与局部重规划的分层架构一个鲁棒的自主飞行系统通常采用分层规划架构全局规划器基于一个先验的、粗略的可能是离线创建的地图规划一条从起点到终点的粗略路径。这条路径可能不考虑细微的障碍物和动态物体。常用的算法有A*、Dijkstra、RRT*快速探索随机树等。在AirSim中你可以利用其APIsimGetObjectPose获取关键路标点的位置或者使用之前构建的语义地图中的可通行区域如道路作为图搜索的节点。局部规划器/局部重规划器这是应对复杂动态环境的关键。它只关注无人机前方一小段距离例如未来5秒的飞行范围使用实时感知数据激光雷达点云、深度图来构建局部代价地图。它的任务是一方面跟踪全局路径另一方面实时避开全局路径上未预料到的静态障碍物和突然出现的动态物体。常用算法有DWA动态窗口法、TEB时间弹性带、MPC模型预测控制以及各种基于优化的局部规划器。4.2 基于采样的局部规划实战动态窗口法DWA示例DWA算法非常适合于像无人机这样的差分轮式或全向运动模型通过速度控制。其核心思想是在无人机当前的速度空间(v_x, v_y, v_z, ω_yaw)中采样大量的速度组合(v, ω)对每一个速度组合模拟无人机在未来一段短时间内如3秒的运动轨迹。然后用一个评价函数给每条轨迹打分选择得分最高的轨迹所对应的速度来执行。评价函数G(v, ω)通常包含以下几个目标对准目标轨迹的终点应朝向局部目标点从全局路径上截取。速度最大化在安全的前提下尽量快速前进。避障轨迹上的点应与最近障碍物保持距离距离越近得分越低甚至直接否决该轨迹。平滑性速度变化不宜过大。下面是一个在AirSim中实现DWA核心循环的简化伪代码框架def dwa_planner(client, local_goal, obstacle_list): client: AirSim客户端连接 local_goal: 局部目标点 [x, y, z] (机体坐标系) obstacle_list: 障碍物列表每个障碍物为[x, y, z, radius] # 1. 获取无人机当前状态 state client.getMultirotorState() current_pose state.kinematics_estimated.position # 当前位置 current_vel state.kinematics_estimated.linear_velocity # 当前速度 # 2. 定义速度采样空间 vx_samples np.linspace(0, max_speed, num10) # 前向速度 vy_samples np.linspace(-max_speed_side, max_speed_side, num8) # 侧向速度对于全向无人机 yaw_rate_samples np.linspace(-max_yaw_rate, max_yaw_rate, num15) best_trajectory None best_score -float(inf) # 3. 遍历所有速度组合 for vx in vx_samples: for vy in vy_samples: for yaw_rate in yaw_rate_samples: # 4. 模拟轨迹 traj simulate_trajectory(current_pose, current_vel, [vx, vy, 0], yaw_rate, sim_time3.0, dt0.1) # 5. 评估轨迹 score evaluate_trajectory(traj, local_goal, obstacle_list) # 6. 选择最优 if score best_score and is_trajectory_safe(traj, obstacle_list): best_score score best_velocity (vx, vy, yaw_rate) # 7. 执行最优速度指令 if best_trajectory: # AirSim中可以用速度控制API client.moveByVelocityZAsync(best_velocity[0], best_velocity[1], target_altitude, duration, drivetrainDrivetrainType.MaxDegreeOfFreedom, yaw_modeYawMode(is_rateTrue, yaw_or_ratebest_velocity[2])) else: # 没有找到安全轨迹紧急悬停或减速 client.hoverAsync()关键函数evaluate_trajectory的设计def evaluate_trajectory(traj, goal, obstacles): goal_dist distance(traj[-1], goal) # 终点与目标点的距离 avg_speed average_speed(traj) # 轨迹平均速度 clearance min_distance_to_obstacles(traj, obstacles) # 与障碍物的最小距离 # 加权求和权重需要仔细调试 score alpha * (1.0 / (goal_dist 1e-5)) beta * avg_speed gamma * clearance return score权值alpha,beta,gamma的调节是调参的关键。在复杂环境中我通常会给gamma清障项一个较高的权重确保安全第一。alpha目标项保证无人机不偏离大方向。4.3 应对动态障碍物预测与交互在仓库、街道等场景动态障碍物如AGV、行人、其他无人机是最大的挑战。单纯的局部避障可能陷入“震荡”或“死锁”。这时需要引入预测。简单预测假设动态物体保持当前速度匀速运动。根据其当前位置、速度预测其在未来几秒内的轨迹并将其作为一个随时间移动的“危险区域”加入到局部代价地图中。交互式预测更高级的做法是考虑无人机与动态物体之间的相互影响。例如使用社交力模型Social Force Model或基于博弈论的规划方法如iLQR。这能生成更自然、更拟人的避让行为比如在走廊中与人互相侧身让行。在仿真中你可以通过AirSim的API控制其他车辆或行人模型来测试你的规划器在面对有意交互时的表现。一个实用的技巧使用“安全走廊”。对于已知的静态全局路径可以将其膨胀成一个管状的安全区域走廊。局部规划器的任务不是完全自由地搜索而是在这个安全走廊内进行微调以避开动态障碍物。一旦动态障碍物离开无人机会自动回归到全局路径上。这大大提高了规划的效率和平滑性。5. 闭环验证与性能评估让你的算法在仿真中“跑”出可靠性算法写完了代码跑通了无人机在简单场景下也能飞了。但这远远不够。在复杂环境中你需要系统性地验证算法的鲁棒性、实时性和安全性。AirSim不仅是一个开发平台也是一个强大的测试平台。5.1 设计测试场景从简单到复杂从静态到动态不要一上来就在最复杂的地图里测试。建立你的测试金字塔单元测试单独测试你的感知模块如深度图转点云、聚类算法、规划模块DWA评价函数在特定输入下的输出是否正确。集成测试静态环境在“Blocks”这种简单静态环境中测试从感知到规划到控制的完整链路。设置不同形状、不同布局的障碍物验证无人机是否能规划出合理路径并安全通过。集成测试动态环境在自定义地图中加入移动的物体。可以从一个匀速直线运动的方块开始逐步增加到多个随机运动、变速运动的物体。观察无人机的避让行为是否平滑、是否会出现急停或震荡。压力测试在极端环境下测试。例如传感器失效模拟摄像头突然被遮挡在代码中随机丢弃图像数据测试系统能否依赖激光雷达或其他传感器继续工作。通信延迟在API调用中人为增加随机延迟模拟现实中的通信不稳定。高密度动态障碍物在狭窄通道中放入大量移动物体测试规划器的决策极限。在AirSim中你可以通过Python脚本程序化地生成和操控测试环境。例如你可以用simSpawnObjectAPI 动态生成障碍物用simSetObjectPose控制它们运动从而自动化你的测试流程。5.2 定义与收集关键指标没有度量就没有改进。你需要定义一组关键性能指标KPI来量化算法的表现任务完成率在N次试验中成功从起点到达终点且不发生碰撞的比例。平均任务时间从起飞到降落所花费的平均时间。平均路径长度实际飞行轨迹与理论最短路径的比值衡量路径效率。最小安全距离在整个飞行过程中无人机与任何障碍物之间的最小距离。这个值必须大于你设定的安全阈值例如0.3米。控制指令平滑度计算速度、加速度指令的方差或jerk加加速度值越小说明飞行越平稳。CPU/内存占用率你的算法在仿真机上的资源消耗这关系到未来在机载计算机如Jetson、树莓派上部署的可行性。在AirSim中你可以通过API轻松获取无人机位姿、速度、碰撞信息等结合你的算法内部状态将这些指标记录到文件如CSV或数据库中用于后续分析。5.3 可视化调试的利器“一图胜千言”。在开发过程中强大的可视化能帮你快速定位问题。感知可视化用OpenCV实时显示相机RGB图像、深度图伪彩色和语义分割图。将激光雷达点云用matplotlib或Open3D实时显示出来并用不同颜色标记地面点、障碍物聚类。规划可视化在二维或三维图中绘制全局路径蓝色线条局部代价地图用热力图表示红色代表高代价/障碍物DWA采样出的所有模拟轨迹灰色细线被选中的最优轨迹绿色粗线动态障碍物的预测轨迹红色虚线状态可视化绘制无人机的位置、速度、姿态随时间变化的曲线。AirSim本身自带了一个简单的可视化窗口但对于复杂的调试我强烈建议使用ROSRobot Operating System的Rviz或者Python的Matplotlib动画功能来搭建一个独立的可视化面板。将AirSim的数据通过API读出来再发布到你的可视化工具中。5.4 从仿真到现实的“鸿沟”与应对在仿真中表现完美的算法在真实世界可能一败涂地。你必须清醒地认识到并主动缩小这个“鸿沟”传感器模型差异给仿真传感器添加噪声。为相机图像添加高斯噪声、运动模糊为IMU数据添加偏置和随机游走噪声为激光雷达点云添加距离噪声和丢点。AirSim允许你通过修改源代码或配置来增加一些噪声模型但更灵活的做法是在你的算法输入层人为添加噪声。动力学模型差异AirSim的“SimpleFlight”模型是简化的。如果你使用PX4-in-the-loop情况会好很多因为PX4的软件在环SITL使用了更精确的模型。但即便如此真机的电机响应、电池电压衰减、风扰等都是仿真难以完全模拟的。因此你的控制环应该具有一定的鲁棒性或者使用自适应控制器。处理延时仿真中算法运行几乎是零延时的。现实中从图像采集、处理、规划到电机指令发出会有几十到几百毫秒的延时。在你的仿真测试中可以引入一个固定的延时环节测试算法在有时延情况下的稳定性。不完全与不确定感知仿真中你可以获取完美、完整的点云和图像。现实中会有遮挡、反光、传感器失效。测试时可以随机丢弃一部分感知数据或者模拟传感器视野被部分遮挡的情况确保你的融合与规划算法能处理这种不确定性。最终一个可靠的自主飞行系统是在仿真中经过成千上万次“摔打”测试不断迭代和优化出来的。AirSim提供的正是这样一个高效、安全且可重复的“摔打”环境。当你对仿真结果充满信心时再将代码小心翼翼地迁移到真机上进行小范围、低风险的实地测试这才是通往复杂环境无人机自主飞行的稳妥之路。本文还有配套的精品资源点击获取