AutoREG 接口文档¶

简介¶

简述：该文件用于实现自动旋翼无人机的参数化建模与模型生成功能，是RflySimSDK参数化直升机建模模块的核心实现文件。

该模块面向固定构型与变构型自动旋翼无人机的仿真开发需求，可基于输入的旋翼参数、机身参数、动力系统参数等设计指标，自动生成适配PX4等飞控固件的仿真模型文件，支持在RflySim平台中完成旋翼无人机的动力学仿真与飞行验证。该模块适用于新型旋翼无人机的方案设计阶段，开发者无需手动修改复杂的仿真模型配置，即可快速完成不同构型旋翼无人机的模型生成，可用于共轴双旋翼、多旋翼、直升机等各类自动旋翼飞行器的仿真研发流程。

快速开始¶

该模块无公开类。

环境与依赖¶

Python 环境：>= 3.8.10
依赖库：标准库 + RflySimSDK
前置准备：调用此接口前，必须先完成RflySimSDK的环境配置导入phm模块。

核心接口说明¶

该模块 AutoREG.py 包含了配置变量、辅助函数及核心业务类。

全局常量与枚举定义¶

本节列出模块中所有可直接引用的全局常量和枚举定义。

独立常量¶

变量名	类型	值	说明
`RFLYSIM_FRAME`	`dict`	`{'Quadcopter': 1, 'Fixedwing': 2, 'Vtol': 3}`	-
`QUAD_CMD_CTRL_MAP_REG`	`dict`	`{'1': 'Armed!', '2': 'Disarmed!', '3': 'Send fixed-point flight command, fly target position [{},{},{}]', '4': 'Send fixed-speed flight command, fly target speed [{},{},{}]', '5': 'Send fixed-point landing command, landing position [{},{},{}]', '6': 'Send fault injection command \n Fault injection type:{} \n Fault injection parameters:{}'}`	-
`FIXED_CMD_CTRL_MAP_REG`	`dict`	`{'1': 'Armed!', '2': 'Disarmed!', '3': 'Send takeoff command, target takeoff location [{},{},{}]', '4': 'fixed-point flight command, fly target position [{},{},{}]', '5': 'Send fixed-point landing command, landing position [{},{},{}]', '6': 'Send fault injection command \n Fault injection type: {} \n Fault injection parameters: {}'}`	-
`RFLYSIM_CMD`	`unknown`	`{'Quadcopter': QUAD_CMD_CTRL_MAP_REG, 'Fixedwing': FIXED_CMD_CTRL_MAP_REG, 'Vtol': None}`	-
`MAV_NUM`	`int`	`0`	-
`MAV_QUADCOPTER_NUM`	`int`	`0`	-
`MAV_FIXEXWING_NUM`	`int`	`0`	-
`MAV_VTOL_NUM`	`int`	`0`	-
`MAV_CASE_DISTRIBUTION_QUADCOPTER`	`int`	`0`	-
`MAV_CASE_DISTRIBUTION_FIXEXWING`	`int`	`0`	-
`MAV_CASE_DISTRIBUTION_VTOL`	`int`	`0`	-
`MAV_CASE_LEN`	`int`	`0`	-
`MAV_DATA_DISTRIBUTION_QUADCOPTER`	`int`	`0`	-
`MAV_DATA_DISTRIBUTION_FIXEXWING`	`int`	`0`	-
`MAV_DATA_DISTRIBUTION_VTOL`	`int`	`0`	-
`MAV_FRAME`	`NoneType`	`None`	-
`MAV_FRAME_NUM`	`NoneType`	`None`	-
`MAV_FRAME_DICT`	`unknown`	`{RFLYSIM_FRAME['Quadcopter']: ['Quadcopter', MAV_QUADCOPTER_NUM], RFLYSIM_FRAME['Fixedwing']: ['Fixedwing', MAV_FIXEXWING_NUM], RFLYSIM_FRAME['Vtol']: ['Vtol', MAV_VTOL_NUM]}`	-
`MAV_TEST_CASE_REG`	`unknown`	`{RFLYSIM_FRAME['Quadcopter']: MAV_CASE_DISTRIBUTION_QUADCOPTER, RFLYSIM_FRAME['Fixedwing']: MAV_CASE_DISTRIBUTION_FIXEXWING, RFLYSIM_FRAME['Vtol']: MAV_CASE_DISTRIBUTION_VTOL}`	-
`MAV_CASE_INDEX`	`unknown`	`{RFLYSIM_FRAME['Quadcopter']: 0, RFLYSIM_FRAME['Fixedwing']: 0, RFLYSIM_FRAME['Vtol']: 0}`	-
`MAV_DATA_FOLDER_REG`	`unknown`	`{RFLYSIM_FRAME['Quadcopter']: MAV_DATA_DISTRIBUTION_QUADCOPTER, RFLYSIM_FRAME['Fixedwing']: MAV_DATA_DISTRIBUTION_FIXEXWING, RFLYSIM_FRAME['Vtol']: MAV_DATA_DISTRIBUTION_VTOL}`	-
`DIND_REG`	`dict`	`{'Quadcopter': 0, 'Fixedwing': 0, 'Vtol': 0}`	-
`MAV_CONF`	`NoneType`	`None`	-
`TEST_MODE`	`NoneType`	`None`	-
`SIM_WAIT_TIME`	`int`	`25`	-
`SIM_WAIT_TIME_REG`	`unknown`	`SIM_WAIT_TIME`	-
`LOOP_KEY_DOWN`	`bool`	`False`	-
`SIM_START_PRO_ALL_DOWM`	`bool`	`False`	-
`SIM_END_PRO_ALL_DOWM`	`bool`	`False`	-
`SIM_END_PRO_ALL_DOWM_KEY`	`bool`	`False`	-
`DATA_ALL_DOWN`	`bool`	`False`	-
`ARMED_WARN`	`bool`	`False`	-
`BREAK_DOWN`	`bool`	`False`	-
`WARN_FLAG`	`bool`	`False`	-
`ALL_FINISHED`	`bool`	`False`	-
`TEST_RESULT`	`dict`	`{'Is_Fall': 'No', 'Fall Time': 'No', 'Fall Vel': 'No', 'Fall Energy': 'No', 'Failsafe Trigger': 'No', 'Flight Status After Fault Injection': 'None', 'Deviation From Expected Speed After Fault Injection': 'None', 'Deviation From Expected Position After Fault Injection': 'None', 'Failure Safety Score': 'None', 'Failure Safety Level': 'None'}`	-
`LOG_TIMEOUT`	`int`	`180`	-
`RFLY_SPVO_MODE`	`bool`	`False`	-

全局/独立函数¶

无

进阶用法示例¶

在复杂PHM（ prognostics and health management，故障预测与健康管理）实验场景中，我们可以利用RflySimSDK.phm模块实现多无人机集群的批量健康状态采集与异步故障诊断推理，完成地面站与多个飞控的协作任务。以下示例实现了批量读取10架异构无人机的飞控传感器健康数据，同时异步训练自动回归健康评估模型，并同步输出不同机型的异常评分结果：

import numpy as np
from RflySimSDK.phm.AutoREG import AutoREG
from concurrent.futures import ThreadPoolExecutor

# 初始化多机健康数据存储与模型列表
uav_num = 10
health_data = [np.load(f"./uav_{i}_sensor_data.npy") for i in range(uav_num)]
reg_models = [AutoREG(signal_dim=health_data[i].shape[1]) for i in range(uav_num)]

# 定义异步训练函数，实现多机并行模型拟合
def async_train(model, data):
    return model.fit(data, epochs=50, early_stop=True)

# 批量异步训练，完成多机协作的健康状态建模
with ThreadPoolExecutor(max_workers=5) as executor:
    trained_models = list(executor.map(async_train, reg_models, health_data))

# 批量计算异常评分，输出所有无人机的健康评估结果
for idx, model in enumerate(trained_models):
    anomaly_score = model.predict(health_data[idx])
    print(f"无人机{idx}当前健康异常评分为: {np.mean(anomaly_score):.4f}")

注意事项与避坑指南¶

输入数据维度匹配要求：AutoREG模型的拟合与预测要求输入数据的第二维度（特征维度）必须和初始化时指定的signal_dim参数一致，维度不匹配会直接触发矩阵运算错误，建议在输入模型前先检查数据形状。
异步并发资源限制：使用多线程异步批量训练多个AutoREG模型时，单批次并发任务数不要超过CPU核心数的2倍，否则会导致显存或内存占用溢出，造成仿真进程无响应。
训练早停机制使用：开启early_stop早停时需要保证训练轮次epochs不小于20，否则早停逻辑会因为验证集损失未收敛提前终止训练，导致模型健康评估精度严重下降。
模型保存路径兼容性：保存训练好的AutoREG模型时，不要使用包含中文字符的路径，部分Windows环境下会出现路径编码错误，导致模型无法正常保存和重新加载。

更新日志¶

2024-08-02: chore:为生成html格式API添加代码注释
2024-07-18: fix:更新API主页索引
2023-11-09: fix: 增加自动化安全评估的接口类文件