一个仅重56克的微型无人机实现了自主视觉导航，这听起来似乎不可思议。

然而，荷兰代尔夫特理工大学的研究人员通过向大自然学习，成功让这样一个轻如鸿毛的小家伙完成了长达100米的自主视觉路径跟随。

这一突破性成果不仅为微型机器人的自主导航开辟了新的道路，更为未来微型机器人的广泛应用奠定了基础。该研究近日以“Visual route following for tiny autonomous robots”为题发表于Science Robotics封面，让我们来深入了解以一下这项令人振奋的研究！

论文链接：

https://www.science.org/doi/10.1126/scirobotics.adk0310

▍微型机器人的导航困境：大脑太小，路途太远

对于机器人来说，导航是一项至关重要的能力。无论是完成任务还是返回基地，都离不开准确的导航。然而，对于微型机器人来说，实现自主导航却是一个巨大的挑战。

首先，微型机器人无法携带重量较大或耗电量高的传感器。例如，激光雷达（LiDAR）虽然可以为大型机器人提供高精度的定位，但对于56克重的微型无人机来说却是不可承受之重。这就限制了微型机器人可以使用的传感器类型。

其次，主流的视觉导航算法对计算资源的需求极高。例如，同时定位与地图构建（SLAM）算法需要构建和维护详细的环境地图，还要考虑测量的不确定性。这些复杂的计算需要强大的处理器和大量的内存，远远超出了微型机器人的承载能力和能源预算。研究表明，即使是中等规模空间（几十平方米）的地图构建，也可能需要数百兆甚至几个吉字节的内存。

虽然一些研究者尝试通过拓扑SLAM方法来减少计算和内存需求，但这些方法仍然需要复杂的视觉处理来进行场景识别。另一些研究者则致力于开发更小、更强大的处理器，如谷歌Coral的张量处理单元（TPU）、英特尔的神经计算棒等。然而，即使处理能力在未来得到提升，考虑到实际应用中还需要进行障碍物避免、任务相关物体识别等其他计算任务，导航算法的资源效率仍然是一个关键问题。

那么，面对这些限制，微型机器人该如何实现自主导航呢？研究人员将目光投向了大自然，从昆虫的导航行为中寻找灵感。

▍向蚂蚁学习：昆虫导航的奥秘

在自然界中，蚂蚁和蜜蜂等昆虫能够在复杂的环境中进行长距离导航，尽管它们的大脑非常小。例如，沙漠蚁（Cataglyphis）可以在长达1公里的觅食旅程中准确地找到回家的路。生物学家们经过长期研究，揭示了昆虫导航的两个核心要素。

第一个要素是路径积分，相当于机器人世界中的里程计（odometry）。蚂蚁通过计算步数来估算行走距离，同时利用腹部视觉流来感知地面移动的速度。它们还能根据太阳位置和天空偏振来判断方向。通过综合这些信息，蚂蚁可以实时估算自己相对于巢穴的位置。最近的研究甚至追溯到了神经层面，发现中央复合体中的环形吸引子在路径积分中扮演着重要角色。

然而，路径积分存在一个主要缺点：它会累积测量误差，导致位置估计随时间漂移。为了解决这个问题，昆虫演化出了第二个导航要素：视觉记忆。昆虫会记住环境中的视觉特征，以此作为定位和导航的额外线索。

关于昆虫如何使用视觉记忆，生物学家们提出了几种模型。其中最相关的是Cartwright和Collet提出的快照模型，用于描述蜜蜂的归巢行为。这个模型假设蜜蜂会记住目标位置周围的地标及其在视野中的位置。当需要返回时，它们会尝试调整自己的位置，使视野中的地标回到记忆中的位置。

这种高效的昆虫导航策略为机器人研究者提供了宝贵的灵感。然而，要将其应用到微型机器人上，还需要进一步的创新和优化。

▍突破性策略：里程计与视觉归巢的巧妙结合

代尔夫特理工大学的研究团队提出了一种高度节省内存的视觉路径跟随策略，巧妙地结合了里程计和视觉归巢两种方法。

在这个框架中，机器人首先执行一次外出飞行，到达任务目标位置。在这个过程中，机器人会存储一系列高度压缩的全景图像，以及这些图像之间的空间关系（通过里程计测量）。这些存储的图像和空间关系信息构成了机器人的"路径记忆"。

在返回飞行过程中，机器人主要依靠里程计来移动。但是，里程计会不可避免地积累误差。为了纠正这种误差，机器人会周期性地使用视觉归巢方法返回到已知的位置（快照位置）。

在视觉归巢过程中，机器人会将当前的全方位图像与存储的快照进行比较。归巢完成后，机器人就回到了一个已知位置，可以重置其位姿估计，从而消除累积的里程计误差。重置后，机器人开始新的一段里程计和视觉归巢组合的飞行，此时初始误差仅包含上一个快照位置的归巢不准确性。

这个策略的一个重要创新在于，它将快照之间的距离尽可能地拉大。具体来说，快照之间的距离最终取决于里程计的精度。只要机器人能够可靠地落在下一个快照的"捕获区域"内，这个策略就能成功。考虑到合理的里程计精度，这个距离可以远大于传统方法中要求相邻快照的捕获区域重叠的情况。

这种方法大大减少了需要存储的快照数量，从而显著降低了内存需求。这对于资源受限的微型机器人来说是一个巨大的突破。

▍56克"小飞侠"的惊人表现

为了验证这个策略的可行性，研究团队将其实现在一个仅重56克的微型无人机上。这个小家伙配备了一个微控制器，只有192KB的内存，处理器主频为168MHz。

在实验中，这个"小飞侠"成功完成了长达100米的自主视觉路径跟随。研究人员发现，周期性地向快照位置归巢确实能够消除里程计误差的累积。更令人惊喜的是，这个策略仅需要极少的计算和内存（每100米0.65千字节），展现了极高的内存效率。

除了直线轨迹，研究团队还在更复杂的轨迹和环境中测试了这个策略，结果同样令人满意。这意味着，即使在资源极其有限的微型平台上，自主视觉导航也成为了可能。

这项研究的意义不仅在于它解决了微型机器人的导航问题，更在于它为微型机器人的广泛应用铺平了道路。想象一下，在未来，这些轻如鸿毛的"小飞侠"可能会在搜索救援、环境监测、农业巡查等领域大显身手。它们可以飞入人类难以到达的狭小空间，执行各种复杂任务，而不必依赖外部定位系统的支持。

特别是在一些GPS信号受限的场景，如密集的城市环境、洞穴等极端环境，或者GPS信号被干扰的情况下，这种自主导航能力将发挥巨大作用。同时，在一些需要快速部署的场景，如搜救行动，或者在温室、仓库等受控环境中，这种无需额外基础设施的导航方法也能大大降低成本和部署时间。

▍未来展望与挑战

尽管这项研究取得了令人瞩目的成果，但要将这种技术广泛应用于实际场景，还有一些挑战需要克服。

首先，如何在动态环境中保持导航的稳定性是一个重要问题。当环境中的物体发生移动或变化时，存储的视觉快照可能会失效。未来的研究可能需要探索如何动态更新快照，或者如何识别和忽略环境中的动态元素。

其次，如何处理更长距离的导航任务也是一个挑战。虽然100米的导航距离对于微型无人机来说已经很难得，但在某些应用场景中可能需要更长的导航距离。这可能需要进一步优化算法，或者探索分段导航的策略。

再者，如何在保持低计算复杂度的同时提高导航的精度和鲁棒性也是一个重要问题。这可能需要探索新的视觉特征提取方法，或者结合其他轻量级传感器的信息。

此外，如何将这种导航策略与其他必要的功能（如障碍物避免、任务规划等）结合，以实现真正的自主任务执行，也是未来研究的一个重要方向。

尽管还有这些挑战，但这项研究无疑为微型机器人的自主导航开辟了一条崭新的道路。它展示了如何通过向自然学习，用简单而高效的方法解决复杂的工程问题。正如自然界中的小蚂蚁能够在广袤的沙漠中找到回家的路，这些微型"小飞侠"也可能在不久的将来，凭借着简单而高效的导航策略，在复杂的人类世界中自主高效地完成各类任务。