原文作者：Michal Werner, David apek 等 4 名
原文鏈接：https://www.themoonlight.io
雷峰網(wǎng)注：該系統(tǒng)由捷克理工大學（CTU in Prague）著名的多機器人系統(tǒng)小組（MRS）開發(fā)。它是針對德國 SPRIN-D Funke 挑戰(zhàn)賽（完全自主飛行挑戰(zhàn)賽） 專門研發(fā)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。
系統(tǒng)架構 ( System for GNSS-Denied Autonomous Flight )
該系統(tǒng)集成了感知、定位、規(guī)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(guī)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(tài)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(tài)機管理任務執(zhí)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(shù)字孿生驅動開發(fā) ( Digital twin driven development ) : 在 FlightForge 模擬器 [ 3 ] 中創(chuàng)建環(huán)境數(shù)字孿生，基于公開地理數(shù)據(jù)（DEM、衛(wèi)星圖像等）進行地形、植被和建筑物建模。該模擬環(huán)境用于系統(tǒng)開發(fā)、定位模塊迭代測試以及航點檢測器訓練數(shù)據(jù)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(shù)據(jù)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(shù)據(jù)，最終在合成和真實數(shù)據(jù)上訓練輕量級的 YOLOv8n 模型，以滿足機載 CPU 計算約束，實現(xiàn)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(tǒng)的核心創(chuàng)新點，其流程如圖 8 所示：
Heightmap 預處理 ( Heightmap Pre-Processing ) :
先驗數(shù)據(jù) ( Prior Data ) : 利用公開點云數(shù)據(jù)（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(huán)境 Heightmap（數(shù)字高程模型 DEM）。
局部 Heightmap ( Local Heightmap ) : 從機載 LiDAR 數(shù)據(jù)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(wěn)定的結構（如建筑物和樹木），忽略小型或瞬態(tài)物體。
二值邊緣圖 ( Binary Edge Maps ) : 將過濾后的強梯度區(qū)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(shù)（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(xiàn)更優(yōu)。 $$R ( x, y ) = sum_{x',y'} left ( T ( x', y' ) - bar{T} right ) cdot left ( I ( x + x', y + y' ) - bar{I}{x,y} right ) $$ 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(qū)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(tǒng)一概率估計。
狀態(tài)維護 ( State Maintenance ) : 粒子濾波器維護平移狀態(tài)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(jù) 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(jù)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(jù) Odometry 移動 10 米后觸發(fā)重采樣，新粒子的位置由經(jīng)驗估計的 Odometry 協(xié)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(tǒng)在 SPRIN-D 挑戰(zhàn)賽中進行了評估，比賽區(qū)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(shù)據(jù)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(huán)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(tǒng)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(huán)境中，由于特征點和可區(qū)分物體較多，該方法表現(xiàn)更好。在開闊地帶，系統(tǒng)主要依賴 Odometry。
系統(tǒng)能夠校正磁力計在某些區(qū)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(tǒng)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(jīng)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(xiàn)魯棒自主性的關鍵；系統(tǒng)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(huán)境下可靠長距離 UAV 導航的機載系統(tǒng)。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(shù)據(jù)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(xiàn)出魯棒性。在 SPRIN-D 挑戰(zhàn)賽中，系統(tǒng)在僅 CPU 的硬件上實現(xiàn)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(xù)低瞬時 RMSE 更為關鍵。盡管在續(xù)航能力和低特征環(huán)境操作方面仍存在挑戰(zhàn)，但這項工作為開發(fā)實際部署所需的彈性 GNSS 拒絕自主系統(tǒng)提供了基礎藍圖。
