从STM32到Jetson，无人机到底需要几颗“大脑”？

摘要： 无人机机载算力正在从数百MHz走向百TOPS，但“算力升级”没有带来一颗统一的主控芯片。实时飞控、自主计算、任务载荷和FPGA/异构计算仍承担不同任务。随着AI进入自主飞行，几套计算体系开始靠近，芯片竞争也从单项参数转向实时性、功耗、软件生态和系统集成能力。

过去几年，无人机的机载算力提升得很快。

英伟达Jetson Orin Nano Super已经可以提供67 TOPS AI算力，Orin NX进一步进入百TOPS级；高通Flight RB5则把15 TOPS AI能力、计算机视觉、多摄像头和无线连接放进同一套无人机平台。目标识别、视觉避障、SLAM、VIO和路径规划，越来越多地从地面服务器转移到机身内部。

但如果打开一块主流的无人机飞控板，会看到另一套完全不同的计算体系。

CUAV Pixhawk V6X采用的核心处理器仍然是STM32H753：Arm Cortex-M7架构，主频480MHz，2MB Flash。它没有GPU，也没有几十TOPS的NPU，却承担姿态解算、传感器融合、控制环和电机输出等飞行关键任务。

百TOPS与480MHz同时出现在一架无人机里，恰好说明“无人机主控芯片”这个概念已经越来越难准确描述市场。

无人机内部至少存在四类计算需求：实时飞控负责保证飞机稳定，AI自主计算负责感知和决策，任务载荷处理视频、测绘、巡检等业务数据，FPGA/异构计算则进入高速接口、雷达、预处理和确定性数据通路。

因此，需要把无人机的计算与控制芯片分成四个应用场景来进行比较。

四大应用场景，无人机主控芯片究竟是什么？

在无人机计算与控制芯片中，实时飞控是最基础的一层。IMU持续输出角速度和加速度，飞控处理器完成姿态估计、EKF等传感器融合，再运行姿态环、角速度环、位置控制算法，最后通过PWM、DShot等接口更新ESC和舵机。整个链路按照固定周期运行，控制周期、最坏时延、中断响应和I/O时序决定了系统能否稳定闭环。

因此，意法半导体STM32H7、恩智浦i.MX RT1176、英飞凌AURIX TC3xx和兆易创新GD32H7这一类MCU或实时处理器，评价重点从来都不是TOPS。

自主计算面对的是另一类负载。摄像头、激光雷达和毫米波雷达会产生大量并行数据，SLAM、VIO、目标检测、语义分割、路径规划和视觉避障都需要GPU、NPU或AI SoC参与。英伟达Jetson Orin、高通QRB5165和Hailo分别代表通用GPU、异构SoC和低功耗AI加速三种路线。

任务载荷则解决“飞上去以后干什么”。消费无人机要拍4K、8K视频，巡检和测绘无人机还要处理红外、多光谱、高分辨率图像，部分行业无人机还会搭载光电吊舱、SAR等专用传感器。这里更看重ISP、多摄像头输入、视频编解码和视觉AI，安霸CV5、海思Hi3516CV610属于这一类产品。

FPGA的位置更复杂。它可以做高速接口转换、时间同步、数据聚合、视觉和雷达预处理，也可以承担部分低延迟、确定性任务。随着赛灵思Zynq/Versal、复旦微电FPAI、安路DR1等产品把CPU、实时核、FPGA和AI单元整合进同一平台，FPGA已经开始从辅助逻辑向异构计算底座延伸。

从板级架构看，这种分工还会直接反映在数据路径上。IMU、气压计和GNSS通常优先进入飞控域，摄像头和雷达则更可能先进入视觉或伴随计算平台；高层路径规划给出速度、航点或姿态目标后，再交给底层控制环执行。任务载荷则可能拥有独立的ISP、编码器和AI单元。

笔者认为，“谁是主控”往往取决于讨论的是哪一条数据链。对飞行安全最关键的处理器，不一定是整机里算力最高的那颗芯片。

无人机计算与控制芯片参数对比，来源：与非研究院整理（针对不同应用场景，不可简单对比TOPS算力）

为何依然是飞控首选？STM32的护城河

如果按照消费电子的评价习惯看，STM32H753很难称得上高算力芯片。

它的Cortex-M7最高主频480MHz，拥有2MB Flash和1MB RAM。今天的无人机已经可以搭载几十甚至上百TOPS的AI平台，单纯比较峰值计算能力，两者根本不在一个数量级。

但PX4支持的Holybro Pixhawk 6X、CUAV Pixhawk V6X仍然以STM32H753作为核心FMU处理器。后者还配有独立I/O处理器，板上提供多组IMU、双气压计和大量PWM输出，强调的重点始终是冗余、实时接口和可靠性。

原因在于飞控首先受确定性约束。

IMU读取、姿态估计、控制算法和电机输出需要在固定周期内完成。平均速度很快没有意义，系统更关心worst-case latency：最坏情况下，这一次控制能不能仍然准时结束。

STM32H753配置TCM，时间敏感代码可以减少Cache和普通总线带来的不确定性；同时提供ADC、Timer、PWM、SPI、UART、CAN等大量面向控制的外设。这些接口直接连接IMU、磁力计、气压计、GNSS、遥控链路和ESC。对飞控工程师来说，这类资源往往比再增加几个CPU核心更实用。

STM32真正难被替代的部分还在软件和硬件生态。

Pixhawk硬件标准、PX4、ArduPilot以及大量IMU、GPS、ESC和外围驱动，长期围绕STM32积累。更换飞控MCU意味着重新移植BSP、驱动和RTOS相关代码，还要重新完成时序、稳定性、EMC、温度、异常状态和长期飞行验证。

后来者已经在硬件参数上追得很快。

恩智浦MR-HGK-RT采用i.MX RT1176，内部集成1GHz Cortex-M7和400MHz Cortex-M4，并提供三路CAN FD、12路PWM、多组IMU接口，直接支持PX4、Zephyr和CogniPilot。恩智浦显然希望通过“芯片+飞控板+软件栈”进入实时控制市场。

兆易创新GD32H7的Cortex-M7主频达到600MHz，配有512KB TCM和硬件滤波算法加速器FAC，同时提供CAN FD、Timer、ADC和Ethernet等外设。单看主频、存储和接口，国产高性能MCU已经具备进入主流无人机飞控的基础。

所以，对于无人机飞控系统来说，生态成熟才是最重要的。这也是英飞凌AURIX这类高可靠控制器与STM32形成差异化竞争的原因。AURIX强调多核实时处理、GTM定时器和CAN FD等资源，更适合把高可靠和冗余放在优先级更高的位置。对于成本敏感的消费级飞控，STM32的生态更有优势；当无人机进入大型工业、复杂任务或更高安全要求场景时，芯片选择会更多受到冗余设计、故障隔离和系统安全约束。

AI赋能无人机的三种路径

无人机开始承担复杂环境感知任务后，AI计算快速上机，但芯片厂商并没有走向同一种产品形态。

英伟达的优势首先来自GPU和软件生态。Jetson Orin Nano Super提供67 TOPS，Orin NX达到百TOPS级，配合CUDA、TensorRT、JetPack、ROS2和Isaac ROS，大量原本运行在GPU服务器或机器人上的视觉模型可以较快迁移到无人机。Alphabet旗下Wing已经在配送无人机机队中使用Jetson Orin Nano Super，这说明Jetson已经从开发平台走向实际运营系统。

这条路线的代价是功耗。Jetson Orin Nano工作在数瓦到二十多瓦范围，Orin NX更高。无人机增加十几瓦功耗，会同时影响电池、散热器、结构重量和续航。对高性能工业无人机而言，这种成本可以接受；小型无人机则会更谨慎。

高通选择提高集成度。

QRB5165把CPU、GPU、Hexagon DSP、AI Engine、ISP、多摄像头和无线通信集中到一颗SoC。ModalAI VOXL 2进一步让Arm CPU承担Linux和高层应用，Hexagon DSP运行QuRT实时系统，PX4中的flight-critical任务可以进入DSP实时域执行。

这个案例很关键，因为它修正了一个过于简单的判断：AI SoC并非天然不能做飞控。真正的门槛在于芯片内部有没有独立的实时执行域，以及能否提供足够稳定的控制I/O。

QRB5165本身并没有传统飞控MCU那样丰富的原生PWM、CAN等接口，实际设计中仍需要I/O扩展，部分方案也继续保留独立Flight Controller。未来更可能出现的形态，是把实时飞控域收入异构SoC内部，而不是让Linux直接接管姿态闭环。

Hailo则从功耗切入。

Hailo-8提供26 TOPS推理能力，典型功耗约2.5W，需要与Host CPU配合。对于视觉避障、目标识别这类任务，如果20多TOPS已经足够，那么以几瓦功耗完成任务，可能比追求更高峰值算力更适合小型无人机。

无人机的能源预算远比地面机器人严格。多消耗10W意味着更大的电池、更复杂的散热和更高的重量，增加的重量又会继续消耗飞行动力。因此，TOPS/W在无人机上的意义远高于很多固定式边缘AI设备。

英伟达、高通和Hailo实际上在解决三个不同问题：开发效率、系统集成和能效。无人机AI芯片的选择，最终也会从单一TOPS扩展到功耗、重量、内存带宽、摄像头接口、软件栈以及与飞控协同的能力。

这里还有一个容易被忽略的系统成本：数据搬运。

多路高分辨率摄像头、深度相机和雷达会持续占用内存带宽，AI模型的实际性能很大程度上取决于Sensor数据能否高效进入计算单元。峰值TOPS很高，如果ISP、MIPI CSI、内存带宽或软件流水线成为瓶颈，最终可利用的算力仍会下降。高通把ISP、AI和通信做进同一SoC，安霸强调视觉流水线，英伟达持续加强Jetson的软件栈，本质上都在解决“算力之外”的系统效率。

飞行平台对功耗的反馈也更直接。芯片功耗增加后，散热片和供电设计会增重，飞行器为维持同样的航时又需要更大的电池。这个连锁关系决定了无人机AI计算很难照搬地面机器人的“堆算力”思路。

独立的计算市场——任务载荷

当无人机飞到天上后，更多的价值越来越多地来自任务载荷。

航拍需要4K、8K视频，巡检需要可见光、红外和多光谱，测绘需要处理大量高分辨率图像，行业无人机还可能搭载光电吊舱、雷达和其他专用Sensor。这一层芯片更看重ISP、多路摄像头、视频编解码、图像增强、AI推理和功耗。

安霸CV5是典型代表。它集成双Cortex-A76 CPU、CVflow视觉计算、ISP和高分辨率视频编解码能力，并已经进入Antigravity A1。安霸的路线与Jetson有明显区别：Jetson更偏通用AI计算，安霸则把视频链路和视觉AI尽可能压进一颗SoC，减少外部芯片和数据搬运。

海思Hi3516CV610也集成CPU、NPU和视觉处理能力，并把消费无人机列为目标应用。它没有追求百TOPS级算力，重点放在图像处理、轻量AI和视频系统集成。目前公开资料中，具体无人机客户和机型仍然有限。

近年来，随着无人机从航拍扩展到巡检、测绘、公共安全和工业检测，本地处理的数据量持续增加。任务载荷已经从“摄像头模组”演变成独立计算平台。对芯片厂商来说，ISP能力、视频编码效率、多摄像头支持和每瓦AI性能，正在成为进入无人机核心BOM的另一条路径。

本地计算能力提高还会改变图传链路。

过去很多任务依赖把高清视频或原始数据送回地面站，再由人或服务器判断；当机载SoC能够直接完成缺陷识别、目标筛选和图像增强后，下行链路可以只传结果、告警或经过压缩的关键数据。对长距离巡检和带宽受限场景而言，这会同时影响通信带宽、响应时间和任务效率。

任务载荷芯片由此开始与AI、图传甚至自主决策产生更多交叉。

GPU、FPGA，还是一颗单芯片集成？

在无人机应用中，GPU和NPU擅长神经网络，FPGA解决的是另一组问题。

摄像头、IMU、激光雷达、毫米波雷达、GNSS和数据链同时工作时，不同格式、不同速率的数据需要经过接口转换、时间同步、聚合、滤波和预处理。FPGA可以把固定处理流程做成并行硬件通路，减少操作系统调度影响，并在数据进入CPU、GPU或NPU之前先完成整理。

这种能力在复杂工业无人机上更有价值。多路摄像头和雷达同时工作时，FPGA可以完成格式转换、时间戳对齐、数据裁剪甚至部分特征提取，再把结果交给主处理器，从而降低内存搬运和总线压力。

因此，FPGA与GPU往往形成前后级配合。GPU处理复杂算法，FPGA负责确定性强、数据流固定和接口复杂的任务。

AMD旗下赛灵思的Zynq UltraScale+把Arm应用处理器、实时处理器和FPGA放到同一器件中；Versal进一步加入AI Engine。Altera Agilex也在强化CPU、FPGA和AI协同。莱迪思则强调低功耗和小尺寸，让FPGA承担Sensor aggregation、视觉预处理和接口桥接。

国产厂商也出现类似路线。复旦微电FPAI把CPU、实时处理器、NPU和FPGA组合成异构平台；安路DR1集成CPU、FPGA、NPU和JPU，并已经披露用于农用无人机的飞行控制和数据链路，形成客户和收入。

独立FPGA是否值得保留，需要看系统复杂度。简单消费无人机用MCU加AI SoC通常已经够用，多一颗FPGA会增加BOM、PCB面积、电源和开发成本。对于多路高速Sensor、雷达、非标接口、严格时序或硬件隔离要求，独立FPGA仍然有现实价值。

独立FPGA还可以与主处理器形成物理隔离，承担接口管理、时间同步、监控和部分安全逻辑。即使Linux或AI计算出现异常，某些底层功能仍可以继续工作。这一点对高可靠无人机有实际意义。

长期来看，可编程逻辑更可能进入异构SoC内部：CPU负责软件和高层任务，实时核负责控制，NPU负责AI，FPGA负责高速数据通路和专用加速。FPGA的形态可能会变化，但它在复杂无人机系统中的价值并没有因为GPU变强而消失。

展望未来，笔者认为无人机芯片的集成度还会继续提高。

高通已经把AI、视觉、通信和实时DSP放进一颗SoC，AMD Versal、复旦微电FPAI、安路DR1也在整合CPU、实时处理、FPGA和AI单元。未来的计算平台很可能从多颗独立芯片继续向更少的异构器件收敛。

但实时飞控、自主计算、任务载荷和高速数据处理仍然受到不同约束。更现实的方向是“单芯片、多计算域”：Linux和高层应用运行在应用处理器，飞行关键任务留在实时域，视觉和AI交给专用加速器，高速接口和确定性数据处理由可编程逻辑承担。

到那时，TOPS仍然重要，但要结合功耗看；CPU性能仍然重要，但要结合实时域和I/O看；集成度则要看能否真正减少BOM、缩短数据路径，并降低开发和验证成本。

无人机计算芯片最终竞争的，是在有限重量、功耗和散热条件下，把实时控制、感知、AI和任务处理组织起来的系统能力。

无人机国产算力芯片真正要追赶的是什么？

无人机真实客户与产品案例，来源：与非研究院整理

最后，中国已经拥有全球最有竞争力的无人机整机产业之一。从消费级航拍、农业植保，到工业巡检、测绘和物流，整机、动力、电池、图传和供应链配套都已经形成较强基础。

但是在计算与控制芯片的供应端，目前国产芯片仍然有一定的差距。

飞控MCU方面，GD32H7的主频和外设规格已经具备竞争力，短板集中在PX4/ArduPilot支持、驱动兼容、板级适配和长期验证。芯片进入候选清单并不难，真正困难的是让整机厂商低成本完成迁移。

AI和视觉SoC方面，海思已经具备CPU、NPU和ISP整合能力，但海外厂商可以找到Wing+英伟达、Antigravity A1+安霸这样的具体终端案例。国产AI SoC公开资料更多停留在“支持无人机”“面向低空经济”或产品方案层面。

在FPGA/异构计算方面，安路DR1已经披露农用无人机飞控、数据链路以及客户收入；复旦微电则把FPAI延伸到无人机感知、决策、飞控和载荷一体化计算。

总的来看，国产无人机芯片未必需要完全复制海外路径。中国整机产业拥有大量真实应用场景，芯片公司可以围绕农业、工业巡检、视觉和数据链寻找切入口。接下来真正需要补齐的，是开发工具、IP、操作系统适配、算法框架、PX4/ArduPilot生态以及持续的量产验证。芯片性能决定能否进入候选名单，软件生态决定迁移成本，客户验证决定最后能不能上机。