🛺 基于 Model Context Protocol (MCP) 的智能无人机控制服务器——用自然语言规划飞行、感知环境、生成可执行代码。
UAV-MCP 是一个运行在 MCP 协议上的无人机控制后端服务，让 AI 助手（如 Claude）直接通过对话控制无人机仿真系统。用户无需编写任何代码，只需用自然语言描述飞行意图，系统就能完成从指令解析、路径规划、障碍物感知、可视化预览到生成可执行代码的全流程。
核心特点：
- 🗣️ 自然语言驱动：直接用中文描述飞行任务，无需了解底层接口
- 🧠 AI 驱动避障：不依赖传统 A* 算法，通过引导 AI 理解障碍物分布，自主重规划绕障路径
- 📷 图像识别建模：上传真实照片或航线规划图，AI 自动提取障碍物坐标或航点
- 🗺️ 3D 栅格空间：10×10×10 米的三维仿真环境，起点在中心 (5,5,0)
- 💻 双版本代码生成：同一航线同时输出仿真版和 DroneKit 真实硬件版 Python 代码
用户自然语言 / 图片
↓
AI 翻译 / 图像识别
↓
指令解析 & 路径规划
↓
碰撞检测 → AI 避障重规划
↓
3D 可视化 & 2D 地图
↓
生成可执行代码（仿真 / DroneKit）
UAV-MCP/
├── server.py # MCP 服务器入口
├── config.py # 全局参数配置
├── core/ # 核心引擎
│ ├── grid_space.py # 3D 栅格空间管理
│ ├── flight_planner.py # 路径规划与碰撞检测
│ └── command_parser.py # 自然语言指令解析
├── ai/ # AI 智能层
│ ├── translator.py # 自然语言 → 动作序列转换器
│ ├── replanner.py # AI 障碍物避障重规划器
│ ├── vision_recognizer.py # 栅格地图视觉识别器
│ ├── image_flight_planner.py# 航线图片 → 动作序列规划器
│ └── real_image_recognizer.py# 真实照片障碍物识别器
├── visualization/ # 可视化层
│ ├── visualizer_3d.py # 3D 飞行轨迹可视化
│ ├── layer_visualizer.py # 分层 2D PNG 地图生成
│ └── environment_visualizer.py # 独立 3D 环境预览
├── codegen/ # 代码生成层
│ ├── generator.py # 仿真版代码生成器
│ └── dronekit_generator.py # DroneKit 真实硬件代码生成器
├── tools/ # MCP 工具适配层
│ └── layer_tools.py # 空间感知工具
└── missions/ # 任务脚本示例
├── simple_mission_sim.py
└── simple_mission_dronekit.py
| 工具名 | 功能描述 |
|---|---|
ai_translate_flight |
将自然语言轨迹描述（Z字形、螺旋、矩形等）转换为动作序列 |
ai_flight_image_planner |
识别航线规划图片中的航点，生成飞行动作序列 |
parse_command |
解析标准动作指令（上升/下降/前进/后退/左移/右移） |
plan_flight |
根据动作序列规划三维航线，生成航点列表 |
ai_replan_with_obstacles |
检测到障碍物碰撞后，AI 自动重规划绕障路径 |
generate_layer_maps |
生成各高度层的 2D PNG 俯视地图（供 AI 视觉感知） |
analyze_grid_space_vision |
AI 视觉识别 PNG 地图中的无人机和障碍物坐标 |
upload_map_image |
上传真实环境照片，AI 自动识别障碍物并转换为栅格坐标 |
add_obstacles |
手动向栅格空间添加障碍物 |
clear_obstacles |
清除所有障碍物，重置环境 |
get_obstacles |
获取当前环境中所有障碍物坐标 |
visualize_flight |
在 3D 窗口中实时可视化飞行轨迹 |
visualize_grid_environment |
独立预览 3D 栅格环境（无需航点） |
generate_uav_code |
生成可执行的无人机控制代码（仿真版 + DroneKit 版） |
reset_position |
重置无人机到初始位置，清除所有航点 |
get_flight_info |
获取当前航线详细信息 |
- Python 3.10+
- 支持 MCP 的 AI 客户端（推荐 Claude Desktop）
pip install -r requirements.txt或使用 pyproject.toml：
pip install mcp numpy matplotlib Pillow根据你使用的客户端，选择对应的配置方式：
找到并编辑 MCP 配置文件：
C:\Users\<你的用户名>\AppData\Roaming\Qoder\SharedClientCache\mcp.json
在 mcpServers 中添加以下内容：
"uav-mcp-server": {
"timeout": 60,
"type": "stdio",
"command": "D:\\Anaconda3\\python.exe",
"args": [
"i:\\UAV\\UAV-MCP\\server.py"
],
"env": {},
"disabled": false
}注意：
command填写你的 Python 解释器完整路径（推荐 Anaconda 环境）args填写server.py的实际绝对路径disabled必须设为false才会生效
找到并编辑：
C:\Users\<你的用户名>\AppData\Roaming\Claude\claude_desktop_config.json
添加：
{
"mcpServers": {
"uav-mcp-server": {
"command": "D:\\Anaconda3\\python.exe",
"args": ["i:\\UAV\\UAV-MCP\\server.py"]
}
}
}配置 stdio 类型服务器，命令为：
D:\Anaconda3\python.exe i:\UAV\UAV-MCP\server.py
修改配置后重启 MCP 客户端，在对话中输入：
获取无人机当前状态
如果返回位置信息（起点 5,5,0），说明连接成功。
用户: 上升2米，前进5米，右移3米，下降1米
AI → parse_command → plan_flight → visualize_flight
用户: 帮我规划一个Z字形飞行轨迹
AI → ai_translate_flight → parse_command → plan_flight
用户: [上传一张室内照片] 识别房间内的障碍物并规划飞行路径
AI → upload_map_image → add_obstacles → plan_flight → ai_replan_with_obstacles
用户: 生成可以在真实无人机上执行的代码
AI → generate_uav_code（同时输出仿真版和DroneKit版）
| 参数 | 值 |
|---|---|
| 空间大小 | 10×10×10 米 |
| 坐标范围 | X: [0,10]，Y: [0,10]，Z: [0,10] |
| 起始位置 | (5, 5, 0) — 地图中心底部 |
| 移动速度 | 0.5 米/秒 |
| 悬停时间 | 2.0 秒 |
| 坐标轴方向 | X→右，Y→前，Z→上 |
| 库 | 用途 |
|---|---|
mcp >= 0.9.0 |
MCP 服务器协议 |
numpy >= 1.20.0 |
数值计算 |
matplotlib >= 3.3.0 |
2D/3D 可视化 |
Pillow >= 8.0.0 |
图像处理 |
scipy >= 1.6.0 |
科学计算 |
不同于传统 A* 寻路，本项目采用 "指南引导" 模式：当检测到路径碰撞时，系统生成包含障碍物分布的详细描述，引导 AI 自行理解空间关系并输出绕障轨迹。这使得系统具备更强的灵活性，能处理复杂的空间推理任务。
Matplotlib 等重量级模块在 MCP 服务器启动时不加载（避免超时），仅在实际调用可视化工具时才初始化，确保服务器快速响应。
同一套航点数据可同时生成：
- 仿真版：使用
time.sleep()模拟飞行时序，可在任何电脑上直接运行 - DroneKit 版：通过 MAVLink 协议连接 Pixhawk 飞控，直接控制真实硬件
- GitHub: ATOI-Ming/UAV-MCP
- Email: [email protected]
- WeChat: flytoworldenddream
MIT License