PX4-Autopilot中NMEA协议GPS数据统计问题分析与修复方案
2025-05-25 09:51:24作者:温玫谨Lighthearted
问题背景
在PX4自动驾驶系统中,GPS模块是飞行控制的关键传感器之一。当使用NMEA协议的GPS设备(如UM980)时,系统无法正确统计GPS数据的读取速率和更新频率,导致状态显示中所有速率指标均为零值。
问题现象
当PX4系统通过串口连接NMEA协议的GPS设备并配置为GPS输入源时,执行gps status命令会显示以下异常信息:
rate reading: 0 B/s
rate position: 0.00 Hz
rate velocity: 0.00 Hz
rate publication: 0.00 Hz
这些统计数据的缺失会影响用户对GPS设备工作状态的判断,也无法准确评估GPS数据的实时性能。
问题根源分析
经过代码审查,发现该问题主要由两个方面的缺陷导致:
-
数据读取统计缺失:在GPS基类的
pollOrRead方法中,虽然实现了数据读取功能,但没有对实际读取的字节数进行统计记录。 -
NMEA协议解析统计逻辑不完善:在NMEA协议解析器中,位置和速度更新的统计条件设置不合理,只有当两者同时更新时才进行统计,导致单独更新时无法正确计数。
技术解决方案
1. 数据读取统计修复
在gps.cpp文件的pollOrRead方法中添加字节数统计逻辑:
if (_interface == GPSHelper::Interface::UART) {
ret = _uart.readAtLeast(buf, buf_length, math::min(character_count, buf_length), timeout_adjusted);
if (ret > 0) {
_num_bytes_read += ret; // 记录实际读取的字节数
}
}
2. NMEA协议解析统计优化
修改nmea.cpp文件中的handleMessage方法,分离位置和速度更新的统计逻辑:
// 速度更新统计
if (_VEL_received) {
ret = 1;
_VEL_received = false;
_rate_count_vel++; // 单独统计速度更新
}
// 位置更新统计
if (_POS_received) {
ret = 1;
_gps_position->timestamp_time_relative = (int32_t)(_last_timestamp_time - _gps_position->timestamp);
_clock_set = false;
_POS_received = false;
_rate_count_lat_lon++; // 单独统计位置更新
}
修复效果
应用上述修改后,GPS状态显示恢复正常:
rate reading: 3299 B/s
rate position: 5.00 Hz
rate velocity: 2.00 Hz
rate publication: 6.79 Hz
技术意义
-
系统监控完善:修复后可以准确反映GPS设备的实际工作状态和数据更新频率,为飞行安全提供更可靠的监控信息。
-
性能评估准确:用户可以通过统计数据评估GPS设备的实际性能,包括数据传输速率和位置/速度更新频率。
-
调试支持增强:在系统调试和故障排查时,准确的统计数据有助于快速定位GPS相关的问题。
扩展思考
该问题的修复不仅解决了NMEA协议GPS的统计问题,也为其他GPS协议实现提供了参考。在实际开发中,对于类似的传感器数据统计需求,应当注意:
- 统计点应设置在数据实际获取的位置,而非条件判断处
- 不同类型的更新应当独立统计,避免耦合
- 统计逻辑应简单直接,减少条件依赖
这种设计原则可以确保统计数据的准确性和可靠性,为系统监控和性能分析提供坚实的基础。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137