当前位置：首页 > news >正文

基于Simulink与Cube飞控的自主系统开发：从模型到嵌入式部署全流程解析

news 2026/6/24 20:11:54

1. 项目概述：当Simulink遇见Cube Autopilots

如果你正在开发无人机、无人车或者任何需要自主决策的移动机器人，那么“如何在仿真中验证算法，并平滑地部署到真实的飞行控制器上”这个问题，大概率会让你头疼过。传统的开发流程常常是割裂的：算法工程师在MATLAB/Simulink里搭好模型，跑通仿真，然后手写一堆C代码，交给嵌入式工程师移植到Pixhawk、Cube这类飞控硬件上。这个过程不仅耗时，而且极易出错，一个参数传递的错误就可能导致实机测试时“炸机”。

这正是“利用Simulink和Cube Autopilots进行自主系统开发”这个组合拳要解决的核心痛点。简单来说，它构建了一条从模型化设计（MBD）到自动代码生成，再到硬件在环（HIL）测试，最终无缝部署到Cube系列飞控的完整链路。Simulink作为顶层的算法设计和仿真环境，而Cube Autopilots（以Cube Orange、Cube Black等为代表）则作为强大、稳定且生态成熟的真实硬件载体。这个工作流的核心价值在于，它将控制工程师、算法工程师的思维（框图、数学模型）直接转化为可运行的嵌入式代码，极大地提升了复杂自主系统（如视觉导航、集群协同、先进控制）的开发效率和可靠性。

我过去参与过多个农业无人机和巡检机器人的项目，从最初的纯手工代码到后来全面转向基于模型的设计，感触最深的就是“一次建模，多处复用”带来的变革。你不再需要为一个PID控制器写两遍代码（一遍仿真验证，一遍飞控实现），Simulink模型本身就是最高优先级的“文档”和“可执行规范”。而Cube飞控凭借其开源的PX4/ArduPilot生态、丰富的传感器接口和强大的处理能力，成为了承载这些自动生成算法的最佳平台之一。接下来，我将拆解如何搭建这条高效流水线，并分享其中每一步的关键细节和避坑经验。

2. 开发环境搭建与工具链深度解析

工欲善其事，必先利其器。这条开发链路涉及多个软件工具和环境配置，一步错可能导致后续步步维艰。我将基于最稳定、最通用的组合进行说明，并解释每个选择的理由。

2.1 MATLAB/Simulink版本与关键工具箱选型

首先，MATLAB和Simulink是基石。但并非所有版本和工具箱都同等重要。

核心版本建议：我强烈建议使用MATLAB R2021a或更新版本。原因在于，MathWorks从R2020b左右开始，对嵌入式代码生成的支持，特别是对ARM Cortex-M系列处理器（Cube飞控的核心）的优化达到了一个非常成熟的阶段。更老的版本（如R2018b）可能在支持PX4固件版本或某些硬件支持包时遇到兼容性问题。

必须安装的工具箱：

Simulink Coder：这是自动代码生成的引擎。没有它，你的模型永远只是仿真图。
Embedded Coder：这是重中之重。它基于Simulink Coder，但提供了针对嵌入式系统的深度优化功能，比如生成更高效、更紧凑的代码，支持数据字典、函数原型控制、代码替换库等。这对于资源受限的飞控MCU至关重要。
MATLAB Coder：如果你的算法中包含复杂的.m文件函数（比如图像处理、规划算法），需要将其也转化为C代码，那么这个工具箱是必需的。
Simulink Support Package for PX4 Autopilots：这是MathWorks官方提供的硬件支持包。它不是一个独立的工具箱，而是需要通过MATLAB的“附加功能”管理器在线安装。这个包提供了与PX4固件（Cube飞控的主流系统）深度集成的模块库、编译工具链和部署接口。安装后，你会在Simulink库浏览器中看到一个“PX4 Autopilots”的库，里面包含了读取传感器、发布姿态目标、订阅无人机状态等专用模块。

注意：网络上的安装教程可能提到手动配置工具链（如GCC ARM工具链），但通过官方支持包安装，它会自动帮你下载并配置好大部分依赖，包括适用于Cube飞控的交叉编译工具链，这能避免大量环境变量和路径问题。

2.2 PX4固件与开发环境的准备

Cube飞控通常运行PX4或ArduPilot固件。这里以更贴近科研和复杂自主功能开发的PX4固件为例。

固件版本选择：不要盲目使用最新的主分支（main）。对于项目开发，稳定性优先。建议使用PX4 v1.13或v1.14这样的长期支持（LTS）版本。这些版本经过了大量测试，与MATLAB支持包的兼容性也更好。你可以在PX4的GitHub仓库中切换到对应的tag或分支。

本地PX4开发环境：虽然MATLAB支持包能处理编译和上传，但我强烈建议在本地（如Ubuntu 20.04/22.04虚拟机或WSL2）搭建一个完整的PX4开发环境。这不是为了替代MATLAB，而是为了：

理解底层结构：便于你阅读生成的代码如何融入PX4的uORB消息框架。
灵活调试：当自动生成的代码出现问题时，你可以在本地用make命令编译整个固件，利用GDB进行更底层的调试。
自定义修改：你可能需要修改PX4的启动脚本或添加新的uORB消息类型，这都需要本地环境。

搭建命令大致如下（以Ubuntu为例）：

# 1. 下载PX4固件源码 git clone https://github.com/PX4/PX4-Autopilot.git --recursive cd PX4-Autopilot # 2. 切换到稳定分支，例如v1.14 git checkout v1.14 git submodule sync --recursive git submodule update --init --recursive # 3. 运行安装脚本，安装所有依赖（编译工具链、Ninja构建系统等） ./Tools/setup/ubuntu.sh

这个过程会下载数GB的数据，请确保网络通畅。

2.3 Simulink与PX4的通信桥梁：uORB消息

这是整个流程中最核心的概念之一，理解它才能灵活建模。PX4内部采用一种名为uORB（微对象请求代理）的发布-订阅式进程间通信机制。所有模块（传感器驱动、姿态估计、控制器、你的算法）都通过发布和订阅uORB消息来交换数据。

例如，sensor_combined消息包含陀螺仪和加速度计原始数据，vehicle_attitude消息包含估算出的无人机姿态（四元数、欧拉角）。你的Simulink算法，本质上就是PX4系统中的一个或多个“模块”（app）。

在Simulink中，你不需要直接操作uORB的C++ API。PX4 Autopilots支持包提供了对应的Simulink模块：

PX4 uORB Read：用于订阅某个uORB消息（如vehicle_local_position获取本地位置）。
PX4 uORB Write：用于发布一个新的uORB消息（如trajectory_setpoint发布位置、速度或姿态设定点）。

关键配置：当你拖入一个“PX4 uORB Read”模块时，双击它，会看到一个消息下拉列表。你需要准确选择你想要的消息类型。更关键的是，你需要设置该消息的实例（Instance）。通常使用实例0。对于某些可能有多个发布者的消息（比如多个距离传感器），你需要指定正确的实例来读取对应的数据源。

3. Simulink建模核心思想与架构设计

有了工具和环境，下一步就是在Simulink中构建你的自主算法模型。这里的建模思路与纯仿真模型有显著区别，必须时刻考虑“这些模块最终要变成飞控板上的C代码”。

3.1 顶层架构：PX4 Main Template与算法模块集成

不要从空白模型开始。安装支持包后，MATLAB提供了预设的模板。最常用的是“PX4 Main Template”。打开MATLAB，在命令行输入px4demo_main_template可以打开它。

这个模板已经搭建好了基本框架：

输入部分：通常包含一组“PX4 uORB Read”模块，订阅飞控状态（如姿态、位置、电池信息）。
算法核心部分：一个空的子系统（Subsystem），这里就是你放置自定义控制、导航或决策逻辑的地方。
输出部分：通常包含一组“PX4 uORB Write”模块，用于向PX4发送控制指令（如姿态设定点、直接电机输出）。
定时触发：一个重要的“PX4 uORB Read”模块订阅了vehicle_status消息，并将其中的timestamp字段作为整个模型运行的绝对时间基准和触发源。这确保了你的算法与PX4系统时钟同步。

你的主要工作，就是精心设计那个“算法核心子系统”。你需要像设计一个独立的C函数一样去思考这个子系统：明确的输入、明确的输出、内部状态管理。

3.2 算法建模的“嵌入式思维”与注意事项

在Simulink中为嵌入式目标建模，必须遵守一些约束，否则生成的代码可能无法运行或效率低下。

1. 数据类型必须显式定义在桌面仿真中，Simulink默认使用double（双精度浮点数）。但在Cortex-M4/M7这类处理器上，双精度计算非常慢且占用大量资源。你必须：

将所有输入输出端口的数据类型设置为single（单精度浮点数）或int32、uint16等定点整数类型。
模型内部所有增益（Gain）、常量（Constant）模块的数据类型也要相应设置。
使用Data Type Conversion模块进行必要的类型转换。

2. 避免使用动态内存分配和可变尺寸信号嵌入式系统通常禁用malloc。因此，在模型配置中：

在Model Configuration Parameters->All Parameters中，搜索Variable-size signals，将其设置为No。
确保所有信号（连线）的维度在仿真开始时就是固定的。不要使用根据输入变化的矩阵维度。

3. 谨慎选择离散求解器与采样时间PX4是一个实时系统，你的算法将以一个固定的频率运行（例如100Hz）。

在Solver配置中，选择Fixed-step求解器，并指定一个与你的算法周期相匹配的固定步长，例如0.01（对应100Hz）。
你的算法子系统内部，所有模块的采样时间最好都继承自模型（-1），或者明确设置为与固定步长相同的值，以确保时间同步。

4. 状态初始化与持久化如果你的算法有内部状态（如积分器、滤波器状态、上一周期的值），必须正确初始化。

对于Discrete Integrator或Unit Delay模块，设置好初始值。
如果模型需要从一次运行到下一次运行保持状态（比如一个状态机），你需要将这些变量定义为Simulink.Signal对象，并将其存储类设置为ExportedGlobal。这样，Embedded Coder会将其生成为全局静态变量，在函数调用间保持值。

3.3 一个实例：构建位置PID控制器子系统

假设我们要在Simulink中实现一个用于位置控制的外环PID控制器。

输入：vehicle_local_position(当前位置)，vehicle_local_position_setpoint(目标位置)。
输出：vehicle_attitude_setpoint(姿态设定点，包含俯仰、横滚角指令)。

在算法子系统中，你会这样搭建：

首先，从vehicle_local_position消息中提取x,y,z字段，从setpoint中提取目标值。
分别对x, y, z三个通道搭建三个独立的PID控制器。使用Simulink自带的PID Controller模块，但务必将其**“Controller”** 参数设置为PID，“Form”设置为Parallel，“Time domain”设置为Discrete-time，并指定正确的采样时间。将输出限幅到一个安全范围。
将x通道的PID输出映射为横滚角指令，y通道输出映射为俯仰角指令（注意坐标系方向），z通道输出映射为油门或爬升率指令。
最后，将计算出的俯仰、横滚、油门指令打包成一个vehicle_attitude_setpoint消息，通过“PX4 uORB Write”模块发布。

关键技巧：使用Bus Selector和Bus Creator模块来高效地处理uORB消息这种结构体数据。Bus Selector可以方便地从消息中提取特定字段，Bus Creator可以将多个信号打包成一个符合消息格式的结构。

4. 代码生成、编译与部署实战

模型通过仿真验证后，就进入了从框图到机器码的关键阶段。

4.1 配置代码生成参数

在生成代码前，必须对模型进行针对性配置。打开Model Configuration Parameters(Ctrl+E)：

求解器 (Solver)：
- Type:Fixed-step
- Solver:discrete (no continuous states)
- Fixed-step size: 设置为你的算法运行周期，如0.01
- Tasking mode for periodic sample times:SingleTasking。PX4是单任务系统，使用中断触发不同频率的任务，这里选择单任务模式更安全。
代码生成 (Code Generation)：
- System target file: 选择ert.tlc。这是Embedded Coder针对嵌入式实时系统的目标文件。
- Language:C
- Toolchain: 选择支持包自动配置的PX4 Toolchain。
- 点击“Generate code only”复选框。我们通常先单独生成代码检查，然后再与PX4固件一起编译。
优化 (Optimization)：
- 在Custom Code标签页，可以添加自定义的包含头文件路径（如PX4固件中的头文件）。
- 在Interface标签页，确保Code replacement library设置为ARM Cortex-M。这会让编译器生成针对Cortex-M指令集的优化代码。

4.2 生成代码与集成到PX4

点击模型工具栏的“Build”按钮（或按Ctrl+B）。如果配置正确，Simulink会在当前工作目录下创建一个以模型名命名的文件夹（如px4_controller_ert_rtw），里面包含了所有生成的C/C++源文件、头文件和一个重要的modelname.mk编译文件。

手动集成步骤（推荐用于理解流程）：

在PX4固件源码目录中，有一个src/examples文件夹。你可以在这里创建一个新的文件夹，例如src/examples/my_controller。
将Simulink生成文件夹下的所有.c和.h文件复制到这个新文件夹中。
你需要编写一个薄封装层，即一个C++文件（如my_controller_main.cpp），它包含PX4模块的入口函数（main），并在其中调用Simulink生成的初始化函数（modelname_initialize()）和步进函数（modelname_step()）。这个封装层还需要负责：
- 使用PX4的uORB::Subscription对象订阅输入消息。
- 在步进函数调用前，将订阅到的数据赋值给Simulink生成代码的输入结构体。
- 调用步进函数。
- 将步进函数输出结构体的数据，通过uORB::Publication对象发布出去。
- 处理任务调度，例如使用px4_poll等待传感器数据更新。
修改PX4的构建系统，将你的新模块加入编译。这通常需要修改boards/xxx/default.cmake（针对特定飞控）或更通用的src/modules/CMakeLists.txt，添加你的源文件路径。

自动集成（使用支持包）： MathWorks PX4支持包提供了更自动化的方式。在Simulink模型中，配置好硬件设置（选择Cube飞控型号、连接方式等），然后点击“Deploy to Hardware”按钮。支持包会：

自动生成代码。
启动一个后台进程，将生成的代码文件复制到PX4固件树的一个预定位置（通常是src/lib/mathlib/math/filter/下的一个专用目录，或src/examples下的一个生成目录）。
自动调用PX4的编译系统（make）进行交叉编译。
最后通过USB将生成的固件烧录到飞控。

实操心得：对于初次尝试，我强烈建议先走一遍手动集成的流程，哪怕只是一个简单的“回传传感器数据”的模型。这个过程能让你彻底理解生成代码与PX4框架的交互方式，后续遇到诡异问题时，你才有能力进行排查。自动化部署虽然方便，但当它出错时，报错信息可能比较晦涩。

4.3 编译、烧录与监控

无论手动还是自动，最终都会在PX4源码目录下执行编译命令：

# 针对Cube Orange飞控进行编译 make px4_fmu-v6x_default # 或者针对Cube Black (FMUv5) make px4_fmu-v5_default

编译成功后，会生成build/px4_fmu-v6x_default/px4_fmu-v6x_default.px4文件。

烧录：

使用USB线连接Cube飞控到电脑。
飞控上电。电脑应识别到一个串口设备。
使用地面站软件（如QGroundControl）的“固件”页面进行烧录，或者使用命令行工具px4_uploader。

监控与调试：

地面站：连接飞控后，你可以在MAVLink控制台或“Analyze Tools” -> “Log Download”中查看日志，验证你的算法模块是否被正确启动和调度。
NSH Shell：通过串口工具（如Putty、Picocom）连接到飞控的调试串口（通常是TELEM2口，波特率57600），进入PX4的NuttX Shell。输入ps命令查看所有运行的任务，找到你的模块名。输入top查看CPU使用率，确保你的算法没有占用过高资源。
uORB监听：在NSH Shell中，可以使用uorb top命令动态查看所有uORB消息的发布频率，或者使用listener vehicle_attitude_setpoint命令监听你算法发布的特定消息，查看数据是否正确。

5. 硬件在环仿真与实机测试策略

直接上实机测试风险极高。硬件在环仿真是在这条开发链路上降低风险、加速迭代的必备环节。

5.1 基于Simulink的HIL仿真

这是一种成本较低、设置灵活的HIL方式。你的Simulink模型不仅包含算法部分，还包含一个被控对象模型，即无人机或车辆的动力学模型。

架构：在一个Simulink模型中，你有两个并行的部分：你的PX4算法模型（准备生成代码的部分），和一个六自由度或更简化的无人机动力学模型（在PC上运行）。
接口模拟：动力学模型的输出（模拟的传感器数据：加速度、角速度、磁强计、气压计）通过一组“虚拟”的uORB Write模块发送。你的算法模型通过uORB Read模块接收这些数据，进行计算后，输出控制指令（电机PWM）给动力学模型，形成闭环。
价值：你可以在Simulink环境中，用桌面仿真的速度和便利性，完整地测试从传感器数据输入到控制指令输出的整个逻辑，包括极端情况和故障注入（如传感器失效）。所有调试工具（Scope、Display）都可用。

5.2 基于Gazebo等高级仿真器的SITL

软件在环仿真更进一步。你需要搭建PX4的SITL环境。

原理：在电脑上运行一个PX4固件的编译版本（不是针对ARM的，而是针对x86的），它作为一个普通的Linux进程运行。这个PX4进程通过UDP与Gazebo（或AirSim、jMAVSim等仿真环境）通信。
集成你的算法：将你生成的算法模块代码编译进这个x86版本的PX4固件中。
运行：启动Gazebo模拟一个无人机世界，启动SITL版本的PX4。你的算法就在这个“虚拟飞控”中运行，接收来自Gazebo的模拟传感器数据，并输出控制量驱动Gazebo中的虚拟无人机。
优势：比纯Simulink动力学模型更真实，包含了更完整的PX4中间件和驱动栈，能测试到更多与系统交互的细节。Gazebo能提供逼真的视觉和环境感知模拟，适合测试视觉SLAM、避障等高级功能。

操作流程简述：

# 在PX4源码目录下 # 1. 编译SITL版本的PX4，并包含你的模块 make px4_sitl_default # 2. 启动Gazebo仿真世界和PX4 make px4_sitl gazebo # 在启动的PX4 Shell中，你可以像操作真机一样，使用commander takeoff等命令。

5.3 实机测试的谨慎推进

在通过了充分的HIL和SITL测试后，才能考虑实机测试。

安全第一：始终在空旷、无人的场地进行。给无人机系上安全绳，或者使用保护罩。
分步测试：
- 第一步：纯数据流测试。让你的算法模块只订阅传感器数据，进行计算，但不发布任何控制指令，而是将计算结果通过vehicle_attitude_setpoint发布，并在地面站上观察这些数据是否合理。这验证了算法输入和内部逻辑。
- 第二步：控制权接管测试。将飞控切换到“特技（Acro）”或“定点（Position）”模式，但你的算法只发布一个非常保守、小幅度的姿态指令（例如让飞机缓慢地左右摇摆几度）。随时准备切换回手动模式接管。
- 第三步：闭环控制测试。在高度足够的安全环境下，尝试让算法完成完整的起飞、悬停、降落闭环。始终将遥控器开关映射到飞行模式切换，并安排一名安全员随时准备接管。
日志分析：实机测试一定要记录完整的ULog日志。事后用Flight Review或pyulog工具分析，对比算法期望输出与实际飞机响应，是调试和改进算法的最重要依据。

6. 常见问题、调试技巧与性能优化

在实际开发中，你会遇到各种各样的问题。这里记录一些典型问题和解决思路。

6.1 代码生成与编译问题

问题1：代码生成失败，提示“找不到类型定义”或“头文件缺失”。

原因：Simulink模型引用了PX4中的自定义数据类型（如matrix::Matrix，或某些uORB消息结构体），但在代码生成时，Simulink找不到这些类型的定义。
解决：在模型的Configuration Parameters->Custom Code中，在Include directories添加PX4固件的头文件路径，例如$(PX4_FIRMWARE_DIR)/platforms/common/include。更根本的方法是，在Simulink中使用Bus Object来明确定义你所用uORB消息的结构，而不是依赖隐式推断。

问题2：编译PX4固件时链接错误，提示“未定义的引用”，指向你的生成函数。

原因：你的封装层（C++文件）没有正确声明和调用Simulink生成的C函数，或者CMakeLists.txt没有将你的.c文件加入编译。
解决：检查你的封装层.cpp文件，确保使用extern “C”包裹了对Simulink生成函数的调用（因为生成的是C代码）。确保CMakeLists.txt中通过add_library或add_subdirectory包含了你的源文件。

6.2 运行时逻辑问题

问题3：算法模块在飞控上启动了，但似乎没有运行（没有发布消息）。

排查：
1. 在NSH Shell中输入ps，查看你的模块任务是否存在，状态是“Running”还是“Blocked”。
2. 输入dmesg查看内核启动信息，看你的模块初始化时是否有错误。
3. 在模块的入口函数（main）开始处添加PX4_INFO(“My module started!”);打印语句，重新编译烧录，通过串口查看是否打印。
4. 检查你的模块是否在启动脚本（ROMFS/px4fmu_common/init.d/rcS或相关文件）中被正确调用。通常需要在启动文件中添加一行my_controller start。

问题4：算法运行了，但发布的数据全是0或NaN。

排查：
1. 检查输入：在算法第一步，添加调试输出，打印通过uORB订阅到的原始数据。确认数据源本身是有效的。
2. 检查数据对齐：确保你从uORB消息中提取数据的字段名与PX4定义完全一致，大小写敏感。使用listener <message_name>命令确认消息中确实包含你期望的字段。
3. 检查初始化：Simulink生成的modelname_initialize()函数是否被正确调用？模型内部状态变量是否被正确初始化？
4. 检查数值稳定性：模型中是否存在除零、开方负数、三角函数输入超界等操作？在Simulink中为这些模块添加饱和限制。

6.3 性能优化要点

Cube飞控的STM32H7系列MCU性能强大，但复杂的算法（如非线性优化、深度学习推理）仍可能成为瓶颈。

** profiling**：在NSH中使用top命令监控你的模块CPU占用率。如果持续高于30%-40%，就需要优化。
简化模型：
- 将采样率降到可接受的最低水平。100Hz的位置控制可能足够，50Hz的路径规划也许也行。
- 用查表法（Simulink的n-D Lookup Table）替代复杂的实时计算函数。
- 避免在模型中使用MATLAB Function块编写复杂的循环或矩阵运算，尽量使用Simulink内置的、针对代码生成优化过的模块（如Gain, Sum, MATLAB Function仅用于简单标量运算）。
内存优化：
- 在Configuration Parameters->Code Generation->Interface中，将Data initialization设置为None或Static，避免生成不必要的初始化代码。
- 检查生成的modelname.c文件，查看全局变量（模型内部状态）的大小。尝试减少离散状态的数量或精度。
使用ARM CMSIS-DSP库：Embedded Coder支持在生成代码时调用ARM优化的CMSIS-DSP函数库。在模型配置中启用此功能，可以大幅提升信号处理算法（如滤波器、FFT、矩阵运算）的性能。

最后，我想分享一个深刻的体会：基于Simulink和Cube飞控的开发，其精髓不在于追求建模的视觉美观，而在于构建一个可追溯、可验证、可无缝部署的工程化流程。每一个信号线都对应着未来飞控内存中的一段数据，每一个子系统都对应着一个可测试的软件单元。养成在建模时就思考“这将生成什么样的代码”的习惯，能让你避开绝大多数陷阱。从简单的模型开始，比如一个读取高度并打印的模块，逐步增加复杂度，每步都进行HIL或SITL验证，这条路径虽然前期需要投入学习成本，但一旦跑通，对于复杂自主系统的快速迭代和可靠实现而言，其回报是巨大的。

查看全文

http://www.jsqmd.com/news/1074110/