本研究论文由Tom van Dijk、Christophe de Wagter和Guido C. H. E. de Croon共同完成，三位作者均来自荷兰代尔夫特理工大学航空航天工程系控制与运筹部。论文于2024年7月17日发表在期刊 Science Robotics 上，文章编号为eadk0310，卷号为9。

该研究属于空中机器人（aerial robots）与视觉导航（visual navigation）的交叉领域。研究的核心驱动力在于：现有视觉导航方法，尤其是基于同步定位与建图（Simultaneous Localization and Mapping, SLAM）的主流方案，虽然功能强大，但通常需要极高的计算能力和存储资源，难以在重量仅为数十克、搭载微控制器和极小内存的微型无人机上实现。而自然界中的昆虫，如沙漠蚂蚁，能够在极小的神经系统支撑下完成长达数百米甚至一公里的导航与归巢行为，这为设计面向资源受限机器人的高效导航算法提供了重要的仿生学启发。因此，本研究的目标是提出并验证一种受昆虫启发的、面向极低资源消耗的视觉路径跟随（route following）策略，使微型无人机能够在无需外部基础设施、仅使用机载摄像头和里程计（odometry）的前提下，沿已记录的路径自主返回。

研究的整体技术路线分为多个层次推进。首先，作者对视觉归航（visual homing）算法的存储效率进行了系统比较。他们将归航算法沿两个维度分类：一类是基于转向的方法（steering methods），另一类是基于向量的方法（vector methods）。由于本研究中的无人机是全向平台，且希望在里程计运动结束后无论快照（snapshot）位于机体的哪个方位都能进行归航，因此选择了基于向量的方法作为主体框架。在快照表征方面，作者对比了基于关键点的地标式表征（landmark-based representations）和整体式表征（holistic representations），认为整体式方法在压缩潜力上更具优势。他们具体比较了三种整体式向量归航算法：Franz等人提出的“搜索”算法（search）、Möller等人提出的“匹配滤波梯度下降”算法（matched-filter descent in image distances, MFDID），以及Stürzl和Mallot提出的基于傅里叶变换的低频压缩归航算法（Fourier-based homing）。评估采用一个公开的全景图像数据集，该数据集由Gaffin和Brayfield提供，包含100×100像素灰度图像，在7.3米×6.9米的房间及连通的走廊中以12.7厘米间隔拍摄。作者从环境中生成大量快照，计算每个快照的归航向量场，通过积分轨迹确定捕获区域（catchment area），并以成功起始单元格数量作为捕获区域大小的度量。结果显示，在快照小于32字节时，傅里叶方法具有最大的捕获区域；在更高的存储预算下，搜索算法表现更优。当以“捕获区域面积与快照字节数之比”作为效率指标时，傅里叶方法在全部测试范围内均表现最好，因此被选定用于后续实验。

在确定核心算法后，作者将视觉归航与里程计进行组合，形成路径跟随的完整闭环逻辑。其基本思想是：在出程飞行中，无人机按任意控制律飞行，途中以选定的间距拍摄并存储压缩后的快照及相邻快照之间的里程计位移向量。在返程飞行中，无人机先用里程计飞向下一张快照的估计位置，再启动视觉归航以消除累积的里程计漂移，然后进行位置与航向的重置，开始下一段行程。这一策略的关键在于快照间距可以远超传统纯视觉归航方法所要求的重叠捕获区域距离，因为只要里程计误差使无人机落在下一快照的捕获区域内即可成功。在一项概念验证实验中，无人机在5米线路段往返飞行总长100米，仅使用里程计时误差逐渐发散，而周期性归航成功防止了漂移积累，误差保持在有界范围内。此外，作者还在仿真中建立了误差模型，显示路径末端误差由归航初始误差和里程计过程误差共同构成，其中横向误差大于纵向误差。

在完整的路径跟随实验中，作者使用搭载STM32F4微控制器（192KB内存，168MHz主频）的56克Crazyflie Brushless无人机平台。该无人机配备全景相机组件（重10克）、下视光流与激光测距传感器。图像处理流程为：相机以128×96像素采集原始图像，自动曝光锁定地平线亮度，重投影至128×16像素柱面坐标，按估计北向对齐，灰度化并垂直平均为一维周期信号，再用快速傅里叶变换（FFT）变换至频域，仅保留8个低频复系数并量化为8位有符号整数对，每张快照占用16字节。归航实现中，作者根据Stürzl和Mallot推导的近似图像差异函数（image difference function, IDF）的二次型公式，利用快速傅里叶变换和3×3矩阵求逆高效求得归航向量，并用暴力搜索替代原相位法进行朝向粗对齐。到达快照点的判断由图像差异最小值检测改为固定超时，以缩短悬停时间。路径存储使用两个栈：里程计向量栈记录每0.3米采样的位移，每个向量由一对8位有符号整数表示（2字节），当新快照产生时，对已记录轨迹进行Ramer-Douglas-Peucker简化；快照栈存储每张16字节快照及对应的里程计栈计数。在实验中，无人机成功跟随了S形和U形复杂路径，出程与返程均完全依赖机载估计，动捕系统仅用于事后评估。U形路径总长56米，仅需31张16字节快照和若干2字节里程计向量，总内存消耗约0.65KB，折合每米不到20字节。作为对比，纯视觉顺序归航方法要求快照间距仅为25厘米，且因归航过程速度较慢导致电池耗尽而未能完成全程。作者还在代尔夫特理工大学航空航天工程系的三个不同室内环境（飞行模拟器大厅、办公走廊、微飞行器实验室）进行了飞行验证，证明了环境变化的鲁棒性。此外，在AirSim仿真中，模拟的Parrot AR无人机成功跟随了森林中长达300米的路径。

本研究的结论是：将里程计与视觉归航按“远间距快照”策略结合，可以在极低存储与计算预算下实现可靠的视觉路径跟随。这一策略虽然路径长度上并非最优，且不能像度量级SLAM那样在任意目标间规划路径，但对于以质量、能耗为关键约束的场景——如温室监测、仓储巡检等——具有突出价值。该方法将所有计算与存储需求控制在微控制器和数十KB内存级别，为自主导航功能从大型机器人向微型乃至昆虫尺度机器人迁移提供了现实可行的方案。研究的亮点包括：在已知公开文献中最轻的视觉导航无人机平台上实现完整路径跟随；提出了基于里程计精度上限的最远快照间距策略；通过傅里叶低频压缩实现每个快照仅16字节的极致存储；以及通过对照实验证明周期归航可有效抑制里程计漂移的累积。作者同时指出，该策略在生物学上并非对昆虫导航机制的精确建模，但支持路径积分与视觉记忆协同使用的生物假说，并为未来与拓扑建图方法的融合提供了启发。