Project AirSim简介(1)：无人机避障算法解析
目录
一、为什么选择 Project AirSim
近年来，微软开源的AirSim 项目成为了无人机与自动驾驶研究中的重要仿真平台，但AirSim有个限制：同一仿真中无法同时使用车辆（Car）和无人机（Multirotor）。在 AirSim 中，我们需要通过修改 SimMode（SimMode=Multirotor 或 SimMode=Car）来切换模式，这意味着两种载具无法在一个世界中同时存在。
Project AirSim在原版 AirSim 的基础上进行了大量改进和重构，可以在同一场景中同时渲染无人机与地面车辆。(Issue #61 - Can ProjectAirSim support both cars and UAVs simulation?）
二、无人机避障算法解析
项目中自带了多个示例脚本，其中一个典型案例是：
ProjectAirSim/client/python/airsimv1_scripts_migrated/multirotor/navigate.py它展示了如何让无人机基于深度图(Depth Image)实现一个简单的前向避障算法。下面我将结合源代码来详细分析其执行逻辑。
2.1 初始化与连接
首先，脚本通过 ProjectAirSimClient() 连接到仿真服务器，并加载场景与无人机对象：
client = ProjectAirSimClient() client.connect() world = World(client, "scene_drone_classic.jsonc", delay_after_load_sec=2) drone = Drone(client, world, "Drone1")其中，ProjectAirSimClient 模块负责与后端进行通信。World 会加载与 navigate.py 位于同一目录下的 sim_config 文件夹中的 scene_drone_classic.jsonc 配置文件。该配置文件中通过 "robot-config": "robot_quadrotor_classic.jsonc" 指定了机器人配置，从而进一步导入 robot_quadrotor_classic.jsonc 中的详细参数设置。
2.2 图像订阅与显示
前面，脚本使用ImageDisplay()创建显示窗口，并分别订阅追踪相机(ChaseCam)和前向深度相机(front_center depth)。
image_display = ImageDisplay() chase_cam_window = "ChaseCam" image_display.add_chase_cam(chase_cam_window) client.subscribe( drone.sensors["Chase"]["scene_camera"], lambda _, chase: image_display.receive(chase, chase_cam_window), ) depth_name = "Depth-Image" image_display.add_image(depth_name, subwin_idx=0) client.subscribe( drone.sensors["front_center"]["depth_planar_camera"], lambda _, depth: image_display.receive(depth, depth_name), )这一步的目的是在本地实时显示仿真画面，便于调试。相机传感器(sensors)中第一个键(key)的获取，是根据前文提到的 robot_quadrotor_classic.jsonc 文件中的 id 进行匹配得到的。部分配置内容如下所示。
"sensors": [ { "id": "Chase", "type": "camera", "enabled": true, "parent-link": "Frame", "capture-interval": 0.03, "capture-settings": [2.3 起飞与准备工作
image_display.start() drone.enable_api_control() drone.arm() await drone.takeoff_async()无人机起飞后，将进入主循环。
2.4 深度图避障逻辑核心
主循环中，算法每一帧执行如下步骤：
2.4.1 获取前置深度图
result = drone.get_images("front_center", [ImageType.DEPTH_PLANAR]) depth_image = unpack_image(result[ImageType.DEPTH_PLANAR])这里的 depth_image 是一个 NumPy 数组，表示视场内每个像素的深度信息。值越小表示越近。
2.4.2 取图像上半部分
top = np.vsplit(depth_image, 2)[0]算法只分析上半部分（前方视野），忽略地面区域。
2.4.3 横向分割为五个区域
bands = np.hsplit(top, [50,100,150,200]) mins = [np.min(x) for x in bands]将画面从左到右分为 5 个区域，并计算每个区域的最小深度值（代表最近的障碍距离）。
例如：索引 0 → 最左侧，索引 2 → 正前方，索引 4 → 最右侧。
2.4.4 判断最近障碍与最开阔方向
max = np.argmax(mins) distance = mins[max] current = mins[2]mins[max] 最大的区域表示“最开阔的方向”； current 是当前正前方的障碍距离。
2.4.5 悬停操作避免碰撞
if (current < 20): await drone.hover_async() projectairsim_log().info("whoops - we are about to crash, so stopping!") input()若正前方障碍过近（阈值为 20），无人机悬停并等待人工干预。
2.4.6 动态调整航向（yaw）
if (distance > current + 300): if (max == 0): change = -2*pi/10 elif (max == 1): change = -pi/10 elif (max == 2): change = 0 elif (max == 3): change = pi/10 else: change = 2*pi/10 yaw += change vx = math.cos(yaw) vy = math.sin(yaw)算法把 90° 视场分为 5 段，每段约 18°。当检测到某侧更“开阔”时，无人机偏航一定角度（±18° 或 ±36°），并重新计算速度向量。
2.4.7 以固定高度和速度前进
await drone.move_by_velocity_z_async( vx, vy, -6, 1, YawControlMode.ForwardOnly, yaw=0, yaw_is_rate=False )move_by_velocity_z_async 是 Project AirSim 提供的用于控制无人机飞行的 API 接口。该函数使无人机在 高度 z = -6（由于 Project AirSim 采用 NED 坐标系，即 North–East–Down）时，以指定的 水平速度 vx、vy 飞行 1 秒。飞行结束后，系统会重新采样图像，并进入下一次循环。
值得注意的是，YawControlMode.ForwardOnly (= 1)(在drone.py中定义) 表示偏航角（Yaw）被限制为与运动方向保持一致，即无人机的机头始终朝向其当前的运动方向。 这也解释了在 2.4.6 节中，vx 和 vy 是根据偏航角的正弦与余弦计算得到的原因。除此之外，在drone.py文件中还定义一个MaxDegreeOfFreedom = 0，表示偏航与速度向量相互独立，即可以让无人机头朝向和移动方向不一致。
2.5 循环退出与资源释放
按下 Esc / q / x 键退出，程序会停止显示并断开连接：
image_display.stop() client.disconnect()三、相关连接
AirSim：https://github.com/microsoft/AirSim.git
Project AirSim：https://github.com/iamaisim/ProjectAirSim.git
本文仅为个人学习与理解笔记，水平有限，如有错误或理解偏差，欢迎评论区指正，轻喷。
希望这篇文章能帮到正在研究 Project AirSim 的同学！
