飞控算法从入门到精通（145）：飞控中的神经网络部署：TinyML与Edge AI一、从一次炸机说起去年夏天，我在调试一架四轴飞行器的避障功能。传统方案用的是超声波+光流，但遇到透明玻璃墙就翻车——飞机直直撞上去，桨叶碎了一地。当时团队里有人提议：“要不试试用摄像头跑个轻量级神经网络？识别玻璃边缘应该不难。”我第一反应是拒绝。飞控的STM32H7主频才400MHz，RAM不到1MB，跑神经网络？这不是开玩笑吗。但后来查了TinyML的资料，发现还真有人把MobileNetV1量化后塞进Cortex-M7里跑，推理一次只要30ms。于是我开始踩坑，也才有了今天这篇笔记。二、飞控上跑神经网络的三个硬约束飞控不是手机，也不是树莓派。它的资源限制非常具体：算力天花板：主流飞控MCU（STM32F4/H7、NXP i.MX RT）的MAC（乘累加）操作数通常在每秒几亿到几十亿之间。一个3x3卷积核在224x224图像上跑一遍，就是几百万次MAC。如果帧率要求30fps，留给推理的时间窗口只有33ms。别想着跑ResNet-50，那是给GPU准备的。内存紧箍咒：飞控的RAM通常只有256KB到2MB。模型权重、中间激活值、输入输出缓冲区，这三者必须共存。我见过有人把1.2MB的模型硬塞进512KB的芯片，结果DMA搬运时直接HardFault。别这样写——先算清楚模型的内存占用再选芯片。实时性红线：飞控的P