Langostino：给每个人一辆开源的"飞行 AI 车"

图1：Langostino 飞行平台 — 开源 AI 自动驾驶无人机

从"黑盒子"到"透明车"：一款不想藏私的自动驾驶无人机

想象这样一个场景：你花了几百块钱买零件，亲手焊好了飞控板接线，装好了螺旋桨，看着无人机摇摇晃晃飞上了天——然后它突然失控，一头栽进了灌木丛。

这是无数无人机爱好者都经历过的尴尬。问题不在于硬件，而在于飞行控制器里跑的算法，就像一台没有说明书的赛车引擎：你知道它能跑，但不知道它怎么跑，更别说改写它的行为。

Langostino 解决的就是这个问题。它是一个完全开源的自动驾驶无人机参考平台——从机械结构、飞控固件、ROS2 软件层到 AI 模型，全部代码透明披露，任何人都能看懂、复制、改进。用项目作者的话说：自动驾驶不应该像魔法，也不应该是封闭的黑盒子。

三个月的飞行日志，换来一个开源平台

Langostino 诞生于 swarm-subnet 团队对去中心化 AI 训练的研究。在尝试用 Bittensor 网络进行分布式 AI 模型训练时，团队发现了一个实际问题：真实世界的无人机数据（GPS 信号、LiDAR 点云、飞行姿态日志）比模拟数据更有价值，但市面上的无人机要么是闭源飞控（DJI），要么是缺乏 AI 能力的纯穿越机。

于是团队决定自己造一台——不是造出来卖，而是造出来开源。从设计 3D 打印机体结构，到编译自定义 INAV 飞控固件，再到写 ROS2 节点处理传感器数据、接入 AI 模型推理，最后让整机上天飞行，整套流程全部记录在 GitHub 和配套的 Substack 深度文章系列中。

目前项目已积累 142 stars，社区成员来自全球，包括欧洲的机器人学研究生、东南亚的创客玩家，以及美国的 AI 研究者。

核心架构：ROS2 + AI + 去中心化网络

Langostino 的软件架构分为三层，每一层都有明确的职责边界：

硬件抽象层（INAV 固件）：飞控板上烧录的是经过团队定制的 INAV 固件，支持 MSP（Multiwii Serial Protocol）协议，让树莓派可以通过串口实时读取飞行姿态、电池电压、GPS 坐标等数据。团队为此提供了详细的固件编译指南和预编译固件包，降低了新手的入门门槛。

中间件层（ROS2 Humble）：树莓派 5 运行 Ubuntu 24.04 + ROS2 Humble，是整个系统的"大脑"。主节点 swarm_ai_integration 负责订阅飞控数据主题、融合 LiDAR 传感器数据、运行 AI 推理模型，然后通过 PID 控制算法向飞控发送姿态指令。项目中还包含 mapproxy 离线地图服务，支持在无网络环境下使用地面站软件规划航线。

AI 层（Bittensor 网络）：这是 Langostino 与传统开源无人机最本质的区别。它通过 Bittensor 去中心化网络获取 AI 推理能力——简单说，飞行决策不是本地硬编码的规则表，而是由一个分布式 AI 网络实时生成。这意味着你可以接入一个更强大的模型，也可以自己训练一个新的模型并贡献给网络。

项目默认使用的 AI 模型存储在 model/ 目录下，包含了预训练权重的压缩包文件，配合 ROS2 参数配置文件（config/）一起使用。

硬件清单：从零搭建的真实成本

Langostino 不是一款买来即飞的产品，而是一套需要动手组装的套件。官方提供了完整的 BOM（Bill of Materials），以下是核心组件：

组件	推荐型号	作用
飞行控制器	INAV 兼容飞控（MATEKF405 等）	基础飞行姿态控制
机架	5 寸多旋翼机架（3D 可打印 STL 文件）	机体结构
单板计算机	树莓派 5（4GB+）	运行 ROS2 + AI 模型
传感器	LiDAR Lite v4 + GPS 模块	障碍检测 + 定位
通信	915MHz 遥测模块	地面站双向通信

图2：树莓派 5 与飞控的接线原理图

项目在 assets/ 目录下提供了大量硬件接线示意图和 3D 打印 STL 文件，包括电机座、摄像头支架等零件。特别值得一提的是团队提供的 INAV 配置界面截图，即使你没有飞控调参经验，跟着文档一步一步操作也能完成基础设置。

图3：INAV 飞控配置界面 — 关键参数一目了然

上手难度：有多大野心，就走多远

Langostino 提供了三种使用路径，对应不同的动手深度：

纯观察者：如果你只是想了解自动驾驶无人机的原理，最简单的方式是观看项目提供的三段 YouTube 演示视频——从"组装后悬停"到"户外自主飞行"再到"从零搭建全过程"。视频没有加速剪辑，真实呈现了飞行的稳定性和问题排查过程。

使用预训练模型：项目提供了快速安装脚本（setup_22_04.sh / setup_24_04.sh），Ubuntu + ROS2 Humble 环境可在 30 分钟内自动化配置完毕。AI 模型文件直接放在 model/ 目录，启动 launch 文件即可让无人机执行自主悬停、路径跟随等任务。适合有一定 Linux 经验的开发者。

从零构建：这需要最深的参与度——按照 docs/assembly/ 下的装配指南购买零件（预算约 200-400 美元）、3D 打印机体、编译固件、调试 PID 参数。项目文档质量较高，FAQ、故障排查指南、配置参数参考文档一应俱全。

团队还配套发布了 Substack 深度文章系列（4 章），系统讲解硬件解剖、接线逻辑、软件架构和调参技巧，是目前市面上少有的覆盖"从理论到上天"全流程的无人机开源文档。

当前局限：真实飞行的代价

Langostino 的最大局限在于它的物理性。与纯软件 AI 项目不同，无人机飞行涉及真实的物理安全风险：

1. 硬件成本与损坏风险：飞行测试中炸机（crash）是常态。一块 INAV 飞控约 30-50 美元，LiDAR 传感器约 100 美元，炸几次机就是几百块的损失。文档中明确标注了"装螺旋桨之前务必卸桨测试"，但新手仍需做好硬件损坏的心理准备。

2. 法规合规：各国民航法规对无人机飞行区域有严格限制。项目文档中特意加了 CAUTION 提示，建议用户在合法空域测试，并使用护桨。

3. 缺乏 Docker 支持：项目目前没有提供 Dockerfile 或 docker-compose，ROS2 环境的安装完全依赖 shell 脚本。对于习惯容器化部署的开发者来说，从零配置 Python 依赖和 ROS2 工作空间会略显繁琐。

4. Bittensor 网络依赖：AI 推理能力依赖 Bittensor 去中心化网络，这意味着飞行能力间接依赖于该网络的可用性。在网络不稳定或节点不足的地区，AI 决策的实时性可能受到影响。

行业意义：开源自动驾驶的平民化尝试

Langostino 代表的趋势是 AI 自动驾驶能力的"去中心化"和"可解释化"。

传统自动驾驶研究集中在少数大厂（Waymo、Tesla、DJI），核心技术是封闭的。而 Langostino + Bittensor 的组合，尝试用去中心化网络替代中心化 AI 服务商，让任何人都能训练自己的飞行模型并接入网络获取收益。这与开源大模型运动（Llama、DeepSeek）有着相似的逻辑——降低 AI 能力的使用门槛。

从技术成熟度看，Langostino 仍处于早期参考设计阶段，但它提供了一条清晰的路径：从"看懂别人的设计"到"飞自己的无人机"。对于机器人学学生、AI 研究者和硬件创客来说，这是目前门槛最低的、同时包含 AI 推理模块的完整开源无人机方案。

随着 Bittensor 网络的扩展和社区贡献的增加，这个平台的可玩性有望持续提升。如果你对"让 AI 真正在天上飞"这个命题感兴趣， Langostino 值得放进你的收藏夹。