无人驾驶飞行器（UAV），俗称无人机，如今已在世界各地广泛用于处理各种实际任务，包括用于各种目的的视频拍摄、从空中监测农作物或其他环境、评估灾区以及执行军事行动。尽管无人机应用广泛，但大多数现有无人机都需要完全或部分由人工操作。
此外，许多无人机无法在杂乱、拥挤或未知的环境中导航而不与附近物体相撞。能够在这些环境中导航的无人机通常依赖于昂贵或笨重的组件，例如先进的传感器、图形处理器（GPU）或无线通信系统。
据外媒报道，上海交通大学的研究人员最近提出了一种受昆虫启发的新型方法，该方法可以使多架无人机组成的团队在高速移动的同时自主导航复杂环境。相关研究论文已发表于期刊《Nature Machine Intelligence》，论文中称该方法依赖于深度学习算法和核心物理原理。
“我们的研究灵感来自于像苍蝇这样的微小昆虫惊人的飞行能力，”该论文的共同资深作者邹丹平教授和林巍峣教授表示。“如此微小的生物，只有微小的大脑和有限的感知能力，却能够做出敏捷、智能的动作——避开障碍物、悬停在半空中或追逐猎物，这一直令我们惊叹不已。复制这种程度的飞行控制一直是机器人技术的梦想和一大挑战。它需要紧密集成的感知、规划和控制——所有这些都依赖于非常有限的机载计算能力，就像昆虫的大脑一样。”
用于控制多架无人机飞行的最常见计算方法将自主导航任务分解为多个独立模块，例如状态估计、地图绘制、路径规划、轨迹生成和控制模块。虽然分别处理这些子任务可能有效，但有时会导致不同模块之间累积误差，并导致无人机响应延迟。换句话说，这会导致无人机在接近障碍物时反应更慢，从而增加在动态和混乱环境中发生碰撞的风险。
“我们研究的主要目标是探索轻量级人工神经网络（ANN）能否以紧凑的端到端策略取代这种经典的流程，”邹教授和林教授说道。“该网络将传感器数据作为输入并直接输出控制动作——这种模式与苍蝇如何利用少量神经元产生复杂、智能的行为相仿。我们不仅追求生物的优雅，更希望证明感知和计算的极简主义也能带来高性能的自主飞行。”
研究人员开发的新系统主要依赖于一种新开发的轻量级人工神经网络，该神经网络能够基于12x16超低分辨率深度图生成四旋翼飞行器的控制指令。虽然输入算法的深度图分辨率较低，但经验证足以使神经网络理解周围环境并有效地规划飞行器的动作。
扫一扫关注微信
