本文介绍了一项关于无人机视觉导航的研究，题为《一种用于自然环境无人机引导的稀疏快照导航策略》。该研究由Aymeric Denuelle和M. V. Srinivasan完成，机构分别为昆士兰大学昆士兰脑研究所、信息技术与电气工程学院，以及澳大利亚联邦科学与工业研究组织自主系统项目。论文发表于2016年在瑞典斯德哥尔摩举行的IEEE机器人与自动化国际会议论文集。
研究背景与目标 该研究的科学领域属于机器人学、计算机视觉与自主导航的交叉领域。近年来，无人飞行器（UAS）在农业测绘、环境监测、搜索救援等民用领域应用日益广泛。在低空飞行任务中，传统的卫星导航可能因信号遮挡或反射而不可靠。视觉传感器因其多功能、轻量化的优点，成为实现自主导航的理想选择。然而，典型的视觉导航算法（如视觉同时定位与地图构建VSLAM）通常计算成本高昂，且依赖高分辨率图像，难以在计算资源有限的小型无人机上实时运行。与此同时，昆虫（如蜜蜂）展现出卓越的导航能力，它们仅依赖低分辨率的视觉和有限的大脑容量，就能通过记忆视觉快照进行导航（称为视觉归巢）。这为开发高效、低计算成本的导航算法提供了生物灵感。
本研究的核心目标是：受昆虫导航策略启发，开发一种无地图的视觉导航策略，能够引导小型旋翼无人机在未知、非结构化的三维户外环境中，进行长距离归巢。具体而言，该策略旨在解决“长距离归巢”问题，即引导无人机返回一个超出当前视野范围的先前访问地点，而不是仅能进行当前可见目标的“本地归巢”。该方法希望仅依赖在初始探索旅程中获取的一系列稀疏的快照，就能实现无漂移的导航，无需构建全局地图，也无需与其他传感器（如IMU）进行数据融合，从而为需要长期运行、中途补给或遭遇卫星信号中断的无人机任务提供一种可靠的替代方案。
详细工作流程 该研究主要包含两个核心模块：路线学习与基于路线的自主导航。整个系统运行于一个定制的小型四旋翼无人机平台，搭载了仿生视觉系统和机载计算机。
快照匹配的自身运动估计： 这是整个导航策略的基础算法。研究采用了一种分层的块匹配算法，计算当前相机帧与特定记忆快照之间的稀疏光流（Optic Flow, OF，400个点）。这种基于快照的光流计算方法避免了传统帧间光流积分会产生的累积里程计误差。无人机使用的视觉系统由两个背对背安装的鱼眼摄像头组成，提供接近全景的视野和一个前向立体视觉重叠区域。图像被拼接成一幅360x180像素的全景灰度图（帧率25Hz）。利用这些光流测量值，并通过一个优化的迭代过程，在假设地面为平面的前提下，可以解算出无人机相对于该记忆快照所在位置的最佳三维平移和旋转组合（即相对位姿）。机载姿态航向参考系统提供滚转和俯仰角，用于确定无人机相对于地面的朝向。最后，使用立体视觉测量的高度信息对这些运动估计进行尺度标定，从而获得可用于控制回路的三维位置和速度（通过对位置估计微分并低通滤波得到）的度量信号。
稀疏路线描述构建（路线学习）： 在从“家”位置到“目标”位置的初始探索旅程中，系统构建一条视觉路线。路线由一系列“快照-向量”对组成。每个快照定义一个三维视觉区域（称为“捕获区”，Catchment Area, CA）。捕获区可以看作一个半径为r_ca（约0.3个高度单位）的球体，在此区域内，基于上述快照匹配的定位方法是有效的。为了构建一个最小化且稀疏的路线描述，研究采用了一种智能的存储策略：初始时，在“家”位置存储第一个快照。随后，无人机飞行时持续使用OF-SM方法估计其相对于最后一个存储快照位置的位姿。一旦估计距离超过r_ca（即离开当前捕获区），系统就会临时存储当前的全景图像（作为一个潜在的快照航点）以及一个指向上一航点的向量。这个新快照随即成为OF-SM方法的新参考视图，用于判断何时存储下一个快照。然而，最终被永久记忆的路线航点，是每隔一个临时存储的快照才被保留下来，同时存储的“指向上一航点”的向量是前两个临时向量的合成。通过这种方式，最终形成的路线描述中，相邻捕获区恰好相切（d = 2 * r_ca），实现了最大程度的稀疏化，且无需依赖路径积分。这个过程确保了在归巢过程中，无人机始终处于至少一个捕获区内，从而能持续与某个记忆快照进行匹配，获得位置和速度估计。
基于路线的导航（长距离归巢）： 在返航（从目标返回家）时，无人机从目标位置的捕获区开始。在每个捕获区内，算法计算一个“归巢向量”来引导无人机飞向下一个航点。该向量是两部分的和：(i) 本地向量：由OF-SM方法计算出的、指向当前捕获区中心（即当前记忆快照位置）的向量（该向量实际上应为零或很小，理想情况是无人机应飞向捕获区边界）; (ii) 航点间向量：从记忆中调取的、与当前快照相关联的、指向序列中前一个捕获区中心的向量。因此，归巢向量本质上是指向下一个目标捕获区中心的方向。当无人机离开当前捕获区（由OF-SM估计的距离≥ r_ca判断）时，系统自动切换到路线序列中的下一个快照（按学习顺序的倒序）作为新的参考，并重复上述过程。通过这种在捕获区之间连续切换和“抄近路”的方式，无人机能够沿着学习到的路线依次造访各个快照位置，最终返回“家”地点。值得注意的是，在返航过程中，路线学习模块也在同时运行，这意味着无人机可以学习并优化新的返程路线。
实验设计与验证： 研究在户外进行了闭环飞行测试以验证导航策略。无人机平台配备GPS接收器（仅用于获取地面真值数据，不用于导航控制）。测试了三种场景：
主要结果 实验数据显示，所提出的导航策略取得了成功：
归巢精度与路径优化：在场景1的单次归巢中，平均路径长度相比探索旅程缩短了16.45%，且“家”位置的到达误差平均仅为0.48米（GPS地面真值）。在场景2中，无人机能够成功学习并导航双向路线，到达“家”和“目标”的平均位置误差分别为0.32米和-0.36米。最令人印象深刻的结果来自场景3的重复导航。在多次往返飞行中，观察到动态路径优化现象：后续旅程的路径长度平均比前一次缩短约5.41%。在一次长时间的重复导航实验中（往返9次以上），总路径长度减少了41.90%，最终学习到的路线所需快照数量从最初的9个减少到5个，减少了44.44%。这表明，通过反复学习，无人机能够优化路线，使其更接近两点之间的直线。最终路线快照数量（5个）与理论最小值（“家”与“目标”相距约12米，捕获区直径约2米，至少需要5个相切的捕获区）相符，证明路线近乎直线。
无漂移导航：该方法的显著优势是实现了无漂移导航。作为对比，研究提到如果使用类似的帧间光流积分方法（不利用快照），在第9次前往目标位置时，离线计算的位置误差将达到9.2米。而本文的方法即使在累计飞行超过300米后，仍能将位置误差保持在捕获区半径（约1米）的一半以内，验证了其无漂移的特性。
路线稀疏性：路线学习过程成功生成了稀疏的路线描述，平均每2.38米存储一个快照，接近基于飞行高度（约5米）和设定捕获区半径（0.2个高度单位，即1米）的预期值。
结论与意义 本研究的核心结论是提出并成功验证了一种新颖的、基于快照匹配的、无地图的视觉导航策略。该策略能够在完全未知的户外三维环境中，仅依赖一系列稀疏的快照和向量，实时引导小型旋翼无人机实现精确的长距离归巢和重复导航。其科学价值在于：它不仅提供了一种适用于小型无人机、计算效率高、不依赖GPS或高精度传感器的实用导航方案，更重要的是，它为昆虫基于视图的导航理论（如蜜蜂使用快照和航点间向量进行导航的假设）提供了一个强有力的工程验证。研究表明，这类受生物启发的策略完全可行，能够成功应用于复杂的三维导航任务。
在应用层面，该策略为无人机在卫星导航失效或不可靠环境（如丛林、峡谷、城市楼群）中的自主运行提供了可行的替代方案。尤其适用于需要长期执行、中途需要返回基站进行充电或补给的任务（如农业喷洒、长期监视、搜索救援部署）。
研究亮点 1. 生物启发与工程实现的有效结合：成功将昆虫导航的“快照记忆”和“航点间向量”概念转化为可在真实无人机上实时运行的算法，并验证了其有效性。 2. 稀疏性与高效性：提出的路线学习机制能够自动生成最小化、稀疏的视觉路线描述，极大地减少了内存需求，并实现了动态路径优化。 3. 无漂移与自包含：整个导航过程完全基于视觉，不依赖任何其他传感器（如IMU）的数据融合来校正漂移，实现了纯视觉的无漂移状态估计和闭环控制。 4. 验证充分：通过详细的户外闭环飞行实验，定量地评估了导航精度、路径优化效果和重复导航的稳定性，数据详实，结论可靠。
其他有价值内容 论文也讨论了该方法的局限性。主要限制在于其导航空间被限制在学习路线的捕获区所覆盖的区域内。如果遇到强风等扰动将无人机吹离当前捕获区，可能会导致基于快照匹配的定位失效。作者提出了两种潜在的纠正行为思路：一是切换到正在学习的新路线快照进行状态估计，待扰动结束后再返回原路线；二是临时使用帧间光流估计状态并引导无人机返回捕获区。同时，通过监控快照匹配算法中的重投影误差，可以有效地检测无人机何时离开了捕获区，为实施纠正措施提供了条件。这些讨论为未来工作的改进方向提供了清晰的思路，例如增强系统在扰动下的鲁棒性，以及测试在不同高度（导致捕获区大小变化）环境下的导航性能。