KeyChan's Notes

1. 飞控结构与数据流

飞控系统（Flight Controller, FC）是无人机的“大脑”，负责接收传感器信息、进行状态估计、计算控制量，并最终驱动电机或舵机执行动作。要理解一台无人机如何保持稳定飞行，我们首先要弄清楚飞控的内部结构组成与数据流动路径。

1.1 模块组成：从“感知”到“执行”

一个典型的飞控系统由四大核心模块构成，每个模块既有明确的功能分工，又通过标准化接口实现数据协作。

1. 从滤波到认知：卷积的结构假设

在计算机视觉领域，卷积（Convolution）不仅是一种数学运算，更是一种关于世界结构的假设。这一假设的核心思想在于：图像的语义信息是局部相关的。换言之，空间上相邻的像素往往属于同一个物体或纹理区域，它们的统计特征并非独立存在，而是具有强烈的局部依赖性。卷积神经网络（Convolutional Neural Network, CNN）正是基于这一假设构建的。

1. 什么是深度学习？——从函数到映射的思想

在讨论深度学习的“智能”之前，我们必须回答一个更基础的问题——深度学习到底在学什么？ 它究竟是神经元的堆叠，还是某种数据结构？为什么看似简单的线性代数运算，能孕育出近似人类思维的能力？

从本质上讲，深度学习不是魔法，而是一种函数逼近的科学。所有的神经网络，无论是用于图像识别、语言理解还是游戏博弈，其根本目标都是——寻找一个能够将输入 $x$ 映射到输出 $y$ 的函数 $f_\theta(x)$。这里的 $\theta$ 表示函数中的可学习参数，也就是神经网络中的权重与偏置。

1. 为什么无人机能飞？——从推力说起

想象一下，当你打开一台电风扇时，风扇叶片旋转，会将空气往前“推”，而你能感受到一股反方向的力。这股力其实就是空气反作用在风扇上的推力。无人机的螺旋桨与此类似，只不过它不是把空气往前吹，而是把空气往下推，于是空气反过来向上“托起”整台无人机。

这就是无人机能悬停在空中的根本原因：它依靠桨叶高速旋转，使气流形成“下洗”（Downwash），从而获得一个向上的空气动力。

Karpathy 的最终洞见极具哲学意味：也许 AGI 的关键，不在于让机器记住更多，而在于让它学会智能地遗忘。”记忆不是智能的核心，抽象与反思才是。人类的遗忘能力，正是我们能够理解、概括、创造的基础。未来的 AI 发展方向，也许不是更大的模型，而是更像人脑的模型—— 能遗忘、能重组、能在噪声中找到秩序。

1. 无人机是什么：从航模到系统

在多数人的印象里，无人机似乎就是一架“能飞起来的玩具”。但当我们深入一点去看就会发现，真正意义上的“无人机”，并不仅仅指一台可以在空中保持平衡的飞行器，而是一套复杂的无人系统（Unmanned System）。它既包含飞行平台，也包含控制、通信、感知、能源等完整子系统。换句话说——无人机不仅仅是能飞，而是一个能自主感知、判断与执行的系统工程。

1. 概述

可能有人刚使用 Flutter 时，会有类似疑问：“为什么我在 Flutter 里调用不了系统相机？”，“蓝牙、NFC、推送这些底层能力怎么都得靠插件？”
这类问题背后，其实反映了一个事实——Flutter 并不是一个“包揽一切”的框架。它的核心职责，是负责跨平台 UI 渲染和逻辑运行，而真正和系统打交道的，仍然是 Android、iOS、Web、桌面这些原生层。

1. 从感知到数据驱动

性能问题，往往是从“感觉”开始的。比如——滑动列表时明显掉帧、点击按钮后界面迟迟不响应、应用启动时间漫长、或突然出现 OOM（内存溢出）从而导致崩溃。这些“感知问题”是用户最先接触到的体验信号，也是性能优化的出发点。
但“感觉”并不等于“原因”。一个卡顿，可能是因为主线程被阻塞，也可能是图片解码过慢，甚至只是动画过渡时 CPU 和 GPU 同时被抢占。

1. 为什么要声明式导航

在 Flutter 的早期开发中，我们几乎都是通过 Navigator.push() 来完成页面跳转的。
这种方式直观、易上手，但当应用体量一旦变大、业务流程变复杂，命令式导航（imperative navigation）就会开始暴露出一系列问题。

1. 从“能跑”到“可扩展、可维护”

平时开发中，很多开发者虽然能把视图（Widgets）按页面或组件拆成不同的文件，但业务逻辑和状态处理往往直接写在 Widget 内部，依赖 setState 或零散的单例/全局变量来管理。这种“分文件但逻辑内聚”的灵活方式虽然能在小项目里能快速迭代、方便验证想法，但不讲究长期维护，就像临时搭建的一间小屋。