0
| 本文作者： 吳思夢 | 2026-05-29 14:28 | 專題：ICRA 國際機器人與自動化會議 |
原文作者：Michal Werner, David ?apek 等4名
原文鏈接：https://www.themoonlight.io
雷峰網(公眾號：雷峰網)注：該系統由捷克理工大學（CTU in Prague）著名的多機器人系統小組（MRS）開發。它是針對德國 SPRIN-D Funke 挑戰賽（完全自主飛行挑戰賽） 專門研發的奪冠方案。比賽要求無人機在沒有 GNSS 信號、沒有預先構建的稠密地圖的情況下，在 25 米以下（AGL）的低空自主飛行 9 公里進行航點導航。
本文介紹了一個為SPRIN-D Funke全自主飛行挑戰賽開發的機載無人機（UAV）系統，該系統旨在解決GNSS拒絕環境下長距離導航的難題。在挑戰賽中，無人機需要在無GNSS或預先密集建圖的情況下，完成9公里長的低空（低于25米AGL）航點導航。該系統通過將LiDAR生成的局部Heightmap與先驗地理數據Heightmap進行基于梯度Template matching的匹配，并通過一個聚類粒子濾波器（clustered particle filter）融合Odometry和匹配結果，從而實現了輕量級的漂移校正。該系統在僅CPU的硬件上實時運行，成功完成了跨越城市、森林和開闊地帶的公里級飛行，并顯著減少了相對于原始Odometry的漂移。
系統架構 (System for GNSS-Denied Autonomous Flight)
該系統集成了感知、定位、規劃和控制功能，具體包括：
硬件平臺 (Hardware): 基于[19]的UAV平臺，配備Livox Mid-360 LiDAR（用于障礙物檢測、局部建圖和Heightmap生成）、Intel RealSense D435深度相機（用于近距離障礙物感知）、Bluefox RGB相機與慣性測量單元（IMU）（用于OpenVINS VIO），以及一個Intel NUC i7機載計算機（僅CPU）。IMU和VIO相機通過3D打印的靜音塊機械解耦，以衰減高頻振動。車載磁力計提供絕對航向測量。
視覺慣性里程計 (Visual Inertial Odometry - VIO): 使用OpenVINS [20]提供單目VIO，其魯棒性通過IMU和相機與電池包的機械解耦來提高，以隔離電機和螺旋槳產生的高頻振動。
建圖、規劃和反饋控制 (Mapping, Planning and Feedback Control): Livox Mid-360 LiDAR點云被增量集成到局部占有率地圖（OctoMap [21], [22]）中，該地圖以UAV機身框架為中心，大小為40x40米，以10 Hz更新。碰撞自由路徑通過A*算法在歐幾里得符號距離場上找到，然后通過多項式軌跡生成模塊[23]轉換為動態可行軌跡，并由底層模型預測參考跟蹤和控制管道[24]進行跟蹤。
任務控制 (Mission Control): 采用有限狀態機管理任務執行，包括無人機準備、起飛、航點導航、航點檢測（進入15米半徑后激活）、超飛（檢測到旗幟后）、方形搜索模式（未檢測到旗幟時），以及返航和降落。
數字孿生驅動開發 (Digital twin driven development): 在FlightForge模擬器[3]中創建環境數字孿生，基于公開地理數據（DEM、衛星圖像等）進行地形、植被和建筑物建模。該模擬環境用于系統開發、定位模塊迭代測試以及航點檢測器訓練數據的生成。
航點檢測器 (Waypoint Detector): 基于YOLOv8 [26]架構。首先使用在FlightForge模擬器中生成的合成數據集訓練YOLOv8m模型，然后利用該預訓練模型輔助標注真實世界數據，最終在合成和真實數據上訓練輕量級的YOLOv8n模型，以滿足機載CPU計算約束，實現約100毫秒的實時檢測。
機載長距離GNSS拒絕定位 (Onboard Long-Range GNSS-Denied Localization)
這是該系統的核心創新點，其流程如圖8所示：
Heightmap預處理 (Heightmap Pre-Processing):
先驗數據 (Prior Data): 利用公開點云數據（LAStools [27]）或航空RGB圖像深度估計模型[28], [29]生成地理參考、北向對齊的大尺度環境Heightmap（數字高程模型DEM）。
局部Heightmap (Local Heightmap): 從機載LiDAR數據生成的在線占有率地圖中構建，假設Odometry漂移在局部地圖范圍內受限。地圖分辨率為1米寬的bin，通過計算給定點云（來自DEM或局部地圖占用單元格）的最大高度來構建。
對齊 (Alignment): 利用機載指南針測量將Heightmap與北方方向對齊，確保與先驗DEM的一致性。
Heightmap梯度匹配 (Heightmap Gradient Matching):
目的 (Purpose): 解決UAV無法可靠獲取絕對高度（如氣壓計噪聲大、地面傾斜）的問題，通過匹配梯度而非絕對高度來消除垂直偏移。
梯度濾波 (Gradient Filtering): 僅考慮絕對值大于5米的梯度，以強調高大、穩定的結構（如建筑物和樹木），忽略小型或瞬態物體。
二值邊緣圖 (Binary Edge Maps): 將過濾后的強梯度區域標記為1，生成二值邊緣圖。
模板匹配 (Template Matching): 使用非歸一化相關系數（non-normalized correlation coefficient）將局部二值Heightmap（$T$）與先驗地圖（$I$）進行模板匹配。該指標在局部Heightmap不完整時表現更優。 $$R(x, y) = \sum_{x',y'} \left( T(x', y') - \bar{T} \right) \cdot \left( I(x + x', y + y') - \bar{I}{x,y} \right)$$ 其中，$T$是局部二值Heightmap，$I$是先驗地圖，$\bar{T}$是局部地圖的均值，$\bar{I}{x,y}$是匹配區域在$(x, y)$處的均值。
高斯模糊 (Gaussian Blur): 對生成的相似性地圖應用高斯模糊，以減少離散化偽影。
粒子濾波器 (Particle Filter):
融合 (Fusion): Odometry和相似性地圖在一個粒子濾波器中融合，以提供UAV位置的統一概率估計。
狀態維護 (State Maintenance): 粒子濾波器維護平移狀態的多個假設，而方向直接從指南針獲取。
傳播 (Propagation): 在重采樣步驟之間，粒子根據Odometry估計進行平移，并與指南針航向對齊。
加權 (Weighting): 每個粒子根據其投影位置在相似性地圖上的歸一化值分配權重。
重采樣 (Resampling): 當UAV根據Odometry移動10米后觸發重采樣，新粒子的位置由經驗估計的Odometry協方差高斯噪聲擾動。
聚類 (Clustering): 使用K-means算法對粒子集進行聚類，選擇最大簇的質心作為最終位置估計，以解決感知混疊和Odometry噪聲引起的多簇問題。
實驗結果 (Experiments)
該系統在SPRIN-D挑戰賽中進行了評估，比賽區域包含城市、森林和開闊地帶。
評估方法 (Evaluation Methodology): 由于禁止GNSS，UAV的真實軌跡通過VIO數據結合相機/LiDAR footage的手動估計獲得（0-5米精度）。部分測試飛行則有GNSS地面真值。
自主GNSS拒絕飛行 (Autonomous GNSS-denied flights):
在有GNSS地面真值的測試飛行中，即使初始定位誤差達32米，該方法也能通過觀測環境特征（如樹木）進行校正，最終將誤差減少到約4米。
在比賽期間，系統成功完成了多次公里級自主飛行，總定位RMSE低于11米，而僅靠指南針對齊的Odometry的RMSE高達53米。
飛行任務的終止通常是由于電池限制或硬件問題，而非定位漂移。
在城市環境中，由于特征點和可區分物體較多，該方法表現更好。在開闊地帶，系統主要依賴Odometry。
系統能夠校正磁力計在某些區域產生的高達30度的緩慢變化的偏差。
比賽結果 (Results of the competition): 在九支參賽隊伍中，本系統是唯一一支能夠成功完成公里級飛行并訪問多個航點的隊伍，最終獲得第一名。
經驗教訓 (Lessons learned): IMU和VIO相機的機械解耦對VIO魯棒性至關重要；磁力計在建筑物和鋼筋混凝土附近不可靠，傳感器融合是實現魯棒自主性的關鍵；系統整體性能受限于最弱的組件，如局部地圖大小限制了飛行速度；快速診斷和部署能力在時間緊迫的場景中至關重要。
結論 (Conclusions)
本文成功展示了一個用于GNSS拒絕環境下可靠長距離UAV導航的機載系統。該方法通過在聚類粒子濾波器中利用梯度匹配技術將局部LiDAR Heightmap與先驗地理數據對齊，有效校正了Odometry漂移，并在城市、森林和開闊地帶等多種地形中表現出魯棒性。在SPRIN-D挑戰賽中，系統在僅CPU的硬件上實現了公里級飛行，RMSE低于11米，驗證了其在實際場景中的自主運行能力。研究表明，在長距離任務中，從高不確定性時期恢復并重新定位的能力比維持持續低瞬時RMSE更為關鍵。盡管在續航能力和低特征環境操作方面仍存在挑戰，但這項工作為開發實際部署所需的彈性GNSS拒絕自主系統提供了基礎藍圖。
專題
