(5)(5.9) 推力损失和偏航不平衡警告

简介: (5)(5.9) 推力损失和偏航不平衡警告

前言

如果你看到推力损失或偏航不平衡的警告,这个页面概述了一些应该做的检查和修改来解决这个问题。在大多数情况下,这些警告是由于错误的硬件选择或设置造成的。

这些警告是为了检测推进系统的硬件故障,如果它们开始出现在一个一直没有警告的飞行器上,则应检查推进系统。警告更有可能发生在较大的有效载荷和强烈/恶心的风中。


1 潜在的推力损失

如果在 GCS 上或数据闪存日志中看到潜在的推力损失信息,应进行调查以找到原因和补救措施。该警告将给出一个电机编号,例如:

`Potential Thrust Loss (3)`

这些警告是由于一个或多个电机在 100% 油门时饱和的结果。由于这种饱和,ArduCopter 不能再达到要求的横滚、俯仰、偏航和油门输出。如果这种情况持续很长时间,飞行器将降低高度和姿态控制,并可能崩溃。

如果在悬停或放松的飞行中看到这些信息,必须在硬件上解决这个问题。飞行器的推力与重量比应该增加,要么改变推进器,要么减少质量。

如果只在爬升和攻击性机动中看到,它可能足以降低要求的加速度和速度。同样,飞行器的推力与重量比可以增加,以允许更高的加速度和速度。

2 偏航不平衡

偏航不平衡警告是衡量飞行器努力偏航的程度,警告将在偏航输出饱和之前触发。如果偏航输出达到饱和,飞行器保持偏航的能力将受到影响。而且,在最坏的情况下,这将导致飞行器快速旋转。该警告信息给出了最大偏航输出的百分比。在 100% 的时候,它是饱和的。比如说:

`Yaw Imbalance 87%`

如果在悬停中看到,这个问题应该在硬件中解决。如果该值在没有飞行员偏航输入的情况下增加,飞行器应立即降落。偏航不平衡可以通过比较对置电机的 PWM 输出在数据闪存日志中被识别出来。它将表现为顺时针和逆时针电机之间较大的油门水平差异,如下图所示:

57534c9eefbe42ce917949ae6c2588c4.png

这应该在硬件中得到解决。最常见的原因是电机在圆臂上不垂直。如果不平衡现象仍然存在,可以将电机稍稍倾斜,使推力角协助偏航,以实现其旋转方向。有些飞行器对电机的推力矢量非常敏感。

如果警告只出现在积极的偏航机动中,可以通过提高 ATC_RAT_YAW_IMAX 来增加警告阈值。然而,也可能值得重新审视偏航的微调。

Note

推力损失和偏航不平衡警告都可以通过 FLIGHT_OPTIONS 参数禁用。这应该在广泛的日志审查和测试之后进行,以验证警告没有发现真正的问题。


相关文章
|
7月前
|
编解码 并行计算 算法
除了NMS参数,还有哪些因素会影响YOLOv3模型的检测性能?
除了NMS参数,还有哪些因素会影响YOLOv3模型的检测性能?
|
7月前
R语言ECM误差修正模型、均衡修正模型、受限VECM、协整检验、单位根检验即期利率市场数据
R语言ECM误差修正模型、均衡修正模型、受限VECM、协整检验、单位根检验即期利率市场数据
|
1月前
|
存储 监控 算法
在进行精度控制时,如何避免舍入误差的累积?
【10月更文挑战第29天】通过选择合适的精度控制方法、优化计算顺序和方式、运用误差补偿技术以及建立数据验证与监控机制等多种手段的综合运用,可以有效地避免舍入误差的累积,提高计算结果的精度和可靠性,满足各种对精度要求较高的应用场景的需求。
|
2月前
|
机器学习/深度学习 存储 人工智能
梯度累积的隐藏陷阱:Transformer库中梯度累积机制的缺陷与修正
在本地微调大规模语言模型时,由于GPU显存限制,通常采用梯度累积技术来模拟大批次训练。然而,实际研究表明,梯度累积方法在主流深度学习框架中会导致模型性能显著下降,尤其是在多GPU环境中。本文详细探讨了梯度累积的基本原理、应用场景及存在的问题,并通过实验验证了修正方案的有效性。研究指出,该问题可能在过去多年中一直存在且未被发现,影响了模型的训练效果。
118 4
梯度累积的隐藏陷阱:Transformer库中梯度累积机制的缺陷与修正
|
1月前
|
机器学习/深度学习 Serverless 定位技术
深入理解多重共线性:基本原理、影响、检验与修正策略
本文将深入探讨多重共线性的本质,阐述其重要性,并提供有效处理多重共线性的方法,同时避免数据科学家常犯的陷阱。
43 3
|
7月前
|
算法 计算机视觉
YOLOv3 的非极大值抑制(NMS)算法是如何工作的,它对最终检测结果有何影响?
YOLOv3 的非极大值抑制(NMS)算法是如何工作的,它对最终检测结果有何影响?
|
7月前
|
人工智能
小模型性能饱和、表现不佳,根源是因为Softmax?
【5月更文挑战第15天】研究人员发现小型语言模型性能受限于Softmax瓶颈,即隐藏维度与目标上下文概率分布不匹配,导致模型在预测时表现不佳。通过实验,他们证实小于1000个隐藏维度的模型易在训练后期出现退化表示,影响性能。该发现为改进小模型性能提供了新视角,但需要更多后续研究验证。[[240 characters]]
64 1
|
7月前
|
算法 测试技术
R语言基于Garch波动率预测的区制转移交易策略
R语言基于Garch波动率预测的区制转移交易策略
|
7月前
|
算法 测试技术
Garch波动率预测的区制转移交易策略
Garch波动率预测的区制转移交易策略
|
7月前
|
算法 测试技术
Copula估计边缘分布模拟收益率计算投资组合风险价值VaR与期望损失ES
Copula估计边缘分布模拟收益率计算投资组合风险价值VaR与期望损失ES