1、無人機在自主導航方面的挑戰

無人機在未知環境上導航，面臨著很多挑戰，由于未知環境下，并不知道當前環境的地圖可能會存在一些威脅，主要原因在于沒有先驗知識。這里主要有兩個方面去解決或處理自主導航的研究。 第一個是在視覺方面，由于自身定位是無人機可以正常飛行的前提，所以首先可以定位自己。然后是視覺感知，無人機只能依靠攝像頭去感知周圍的環境。 第二個是控制方面，如果飛的比較快或受到攻擊，無人機可能會出現故障，另外方面，在極端的情況下的某些情況會導致無人機失控，這些情況下依舊需要維持無人機的正常飛行。

2、基于事件相機的快速定位

因為在未知環境下是不存在先驗信息，所以，要無人機能夠飛行且知道自己的位置，首先要解決的問題是定位問題。由于在一些緊急情況下，快速飛行會帶來一些問題，一個比較顯著的問題就是運動模糊，運動模糊對視覺定位的影響很大。另外在未知環境上的感知該如何避開動態障礙物，也是一個比較具有挑戰性的問題。還有無人機的負載比較小，有時要運行比較大的計算量會很受限制。 通常用的RGB相機在快速移動的情況下，會產生較大的運動模糊,導致追蹤效果不佳。如圖1所示，左圖是是相機不動，但相機中的物在快速移動，會受到很強的運動模糊。右圖是相機和鏡頭中的物在一起高速移動，圖片則更加模糊，那對于無人機的識別和定位都存在問題。

圖1 運動模糊 對于此，解決的思路是采用世界相機，即輸出一組事件。事件是只有當物體運動的時候，才會進行感知。其優勢在于不存在運動模糊，低時延。如圖2所示，一個人在跑的時候，左邊的傳統相機完全看不清楚是什么東西，但是右邊的事件相機可以明顯的看到是一個人在跑步。

圖2 傳統相機和事件相機對比 此方法與一些有名的算法比較如表1所示。各種算法在不同的環境下，在各種不同的數據也都進行了對比，綜合來看，本算法效果是比價好的。 表1 性能對比

3、位置環境的避障

避障的一些工作還是基于深度相機去做，因為可以利用深度相機去感知周圍的障礙物，然后去避障。那有時需要去躲避一些高速運動的物體，這是很有挑戰性，因為無人機本身在飛行，但如果一個更快的東西朝你飛來，肯定是難度很高。 首先是無人機的感知必須非常快，否則還沒反應過來則被擊中了，這也是主要處理的問題。目前主要是采用事件相機進行感知，其優勢在于非常快，約兆赫茲每秒，所以十分適合去做高速運動物體的避障，但是事件相機價格昂貴，約4萬人民幣，對于幾千塊的無人機來說是不太劃算的。所以還是希望去使用低成本的深度相機。 由于深度相機會存在運動模糊的影響，同時反應時間也沒有事件相機快，要想達到和事件相機差不多的避障效果，那唯一能做的是從軟件方面去提高它的避障性能。 首先提出fast object detection，因為深度相機仍然受運動模糊的影響，所以在訓練的時候將其考慮進行。當出現運動模糊時，也會知道物體的樣子。這里提出了3D SORT目標跟蹤算法。具體參考論文《Perception and Avoidance of Multiple Small Fast Moving Objects for Quadrotors with Only Low-cost RGBD Camera》。然后進行實驗可以看到跟事件相機有差不多的避障效果。

4、基于強化學習的導航與控制

剛才的大部分方法是用傳統算法，導致有時候會受一些光照等條件影響，那這些問題是可以用深度學習或強化學習去解決。比如可以給定一張圖，可以用深度網絡進行訓練，然后去估計它的姿態，最后利用深度學習去在線估計框離無人機的位置，然后躲避這些框。如圖3所示。

圖3 采用深度學習方法進行避障 然后，采用強化學習可以去實現無人機的一些自動飛行，比如可以讓無人機自主學習去穿過一個框，所以就不需要用一些傳統算法去設計這個框到底是在哪或如何穿過框。還可以用自由控制去做穿框，即只要穿過這個框，就給一個獎勵，讓他去自主的學習，進而體現出無人機的智能性。

5、總結

目前的自主導航依舊存在很多挑戰性，比如需要更好的感知，因為深度相機可以感知，但運動模糊比較大，事件相機沒有運動模糊，但成本太高。所以如何在這中間做一個權衡是需要去做的。 另外，激光雷達的精度比較高，但是一方面是比較重，另一方面是也不便宜，一個更好的視覺解決方案目前還是不存在，所以，更好的解決視覺感知的傳感器是比較重要的。 由于目前沒有出現比較更好的傳感器的情況下，只能去改善算法，提高算法的軟件性能。另外一方面是路徑規劃以及控制方面也是很重要，因為要躲避一些障礙物，無論是靜態的還是動態的，所以這也是面臨的一些挑戰。還有一方面是在一些比較復雜的關系中，無人機進行自主導航，即如何擁有更高的智能性。

編輯：黃飛

?