高速飞行的无人机用SLAM怎样导航

谷歌SLAM算法Cartography的闭环演示

目前，无人机大多依靠周围环境地图完成导航。地图的绘制需要深度传感器对周围的实时环境进行扫描，再以此为基础创建3D模型。如此，无人机能够知晓自己所在的位置，以及该如何前往目的地。这便是SLAM (即时定位与地图构建) 技术。

虽然，SLAM已在自动驾驶领域得到广泛应用，但这项技术依然存在局限性，即需要大量高保真数据以及处理数据所依赖的强大运算能力。而高速飞行的无人机，如果要在严格的时间限制之内完成大量精确数据的收集和处理，便会对硬件和软件提出更高的要求，从而令成本大幅增加。

针对这一问题，麻省理工学院计算机科学与人工智能实验室 (CSAIL) 推出了名为NanoMap的运动规划框架，用于高速飞行无人机的导航和避障。这一系统依然需要收集周围环境的三维数据，但并不会将所有信息整合成一张完整的地图，而只需将信息存储在一系列3D快照中。这样一来，系统每秒需要处理的数据量得到有效减少，反应速度便可以更快。

NanoMap的工作原理是这样的 (如图) ——

一系列3D快照反映出无人机的运动轨迹， 如灰色三角形 (左一) ，而蓝色曲线则表示人类为其设定的下一步运动轨迹。如要达到预定轨迹中的红点 (左二/右二/右一) ，则需回溯之前的3D快照，直至找到包含目标红点的视图。通过这一方式，系统可以判断障碍物的位置并以此为无人机制定运动规划。

虽然，这一方案中系统需要处理的数据量与SLAM相比明显降低，但其不足之处在于，需要回溯的3D快照越久远，便越难以确定拍下快照时无人机所在的位置。

针对不确定度 (uncertainty) ，传统的解决方案是让同一参照物的多个视图互相校准，从而绘制较为精确的周围地图。NanoMap则不同，依靠一系列3D快照进行建模，得出每幅快照的不确定度，选出不确定度最小的快照，再将这一不确定度计入无人机的运动规划。不确定度设定越高，无人机便会越远离障碍物。

无人机的不确定度主要来自惯性测量单元 (IMU) 测量加速度的准确度。如果加速度测量不够准确 (即相对位移不够准确) ，随着时间的推移，位置判定则会越发不准确，这一误差称为漂移 (drift) 。无人机飞行速度越快，漂移值也越大。因此，对高速飞行的无人机来说，尽管机身搭载有深度传感器，计算不确定度仍然非常重要。

研究人员在测试过程中发现，当漂移值达到25cm/s，不确定度的建模开始发挥明显作用。当漂移值接近75cm/s，NanoMap做出的运动规划避障成功率超过97%。而当漂移值达到1m/s，避障成功率为10%——而未计入不确定度时，成功率仅有3%。

测试结果表明，NanoMap可以支持10m/s的高速飞行。这一方案在提升导航避障系统性能的同时，又不会使小型无人机的计算设备负担过重。不过，这一方案依然有一些不足——

CSAIL的科研人员Peter Florence说，在需要周围环境高清地图的场景下 (比如灾难搜救) ，NanoMap可能并非合适的选择。另外，自动驾驶汽车制造商或许也更倾向于使用SLAM，因为汽车本身造价高昂，导航系统的成本可能并不那么引人注意。即便NanoMap不像超人一样全能，科学家们依然希望有一天，它能帮助无人机如苍鹰一般矫健地穿过茂密的丛林。

安创空间

安创空间（Arm Accelerator）是Arm全球唯一加速器，聚焦于人工智能和物联网产业的创新服务平台。安创一直致力于帮助技术驱动型创新创业企业精准对接生态资源、投资机构、销售渠道、宣传渠道，提供一站式深度加速服务；帮助资本市场对接最具投资潜力的创新团队，挖掘早期优质项目；帮助大企业寻找所需要的创新型项目，加速项目落地，做真正的创新引擎；帮助国外先进技术在国内落地，以及国内项目在国外渠道布局，注重国际合作与交流，推动全球创新。