ICRA 2026| 论文评述Kilometer-Scale GNSS-Denied UAV Navigation

原文作者：Michal Werner, David Čapek 等4名原文链接：https://www. themoonlight. io雷峰网注：该系统由捷克理工大学（CTU in Prague）著名的多机器人系统小组（MRS）开发。 它是针对德国 SPRIN-D Funke 挑战赛（完全自主飞行挑战赛） 专门研发的夺冠方案。 比赛要求无人机在没有 GNSS 信号、没有预先构建的稠密地图的情况下，在 25 米以下（AGL）的低空自主飞行 9 公里进行航点导航。 本文介绍了一个为SPRIN-D Funke全自主飞行挑战赛开发的机载无人机（UAV）系统，该系统旨在解决GNSS拒绝环境下长距离导航的难题。 在挑战赛中，无人机需要在无GNSS或预先密集建图的情况下，完成9公里长的低空（低于25米AGL）航点导航。 该系统通过将LiDAR生成的局部Heightmap与先验地理数据Heightmap进行基于梯度Template matching的匹配，并通过一个聚类粒子滤波器（clustered particle filter）融合Odometry和匹配结果，从而实现了轻量级的漂移校正。

该系统在仅CPU的硬件上实时运行，成功完成了跨越城市、森林和开阔地带的公里级飞行，并显著减少了相对于原始Odometry的漂移。 系统架构 (System for GNSS-Denied Autonomous Flight) 该系统集成了感知、定位、规划和控制功能，具体包括：硬件平台 (Hardware): 基于[19]的UAV平台，配备Livox Mid-360 LiDAR（用于障碍物检测、局部建图和Heightmap生成）、Intel RealSense D435深度相机（用于近距离障碍物感知）、Bluefox RGB相机与惯性测量单元（IMU）（用于OpenVINS VIO），以及一个Intel NUC i7机载计算机（仅CPU）。 IMU和VIO相机通过3D打印的静音块机械解耦，以衰减高频振动。 车载磁力计提供绝对航向测量。 视觉惯性里程计 (Visual Inertial Odometry - VIO): 使用OpenVINS [20]提供单目VIO，其鲁棒性通过IMU和相机与电池包的机械解耦来提高，以隔离电机和螺旋桨产生的高频振动。

建图、规划和反馈控制 (Mapping, Planning and Feedback Control): Livox Mid-360 LiDAR点云被增量集成到局部占有率地图（OctoMap [21], [22]）中，该地图以UAV机身框架为中心，大小为40x40米，以10 Hz更新。 碰撞自由路径通过A*算法在欧几里得符号距离场上找到，然后通过多项式轨迹生成模块[23]转换为动态可行轨迹，并由底层模型预测参考跟踪和控制管道[24]进行跟踪。 任务控制 (Mission Control): 采用有限状态机管理任务执行，包括无人机准备、起飞、航点导航、航点检测（进入15米半径后激活）、超飞（检测到旗帜后）、方形搜索模式（未检测到旗帜时），以及返航和降落。 数字孪生驱动开发 (Digital twin driven development): 在FlightForge模拟器[3]中创建环境数字孪生，基于公开地理数据（DEM、卫星图像等）进行地形、植被和建筑物建模。 该模拟环境用于系统开发、定位模块迭代测试以及航点检测器训练数据的生成。 航点检测器 (Waypoint Detector): 基于YOLOv8 [26]架构。

首先使用在FlightForge模拟器中生成的合成数据集训练YOLOv8m模型，然后利用该预训练模型辅助标注真实世界数据，最终在合成和真实数据上训练轻量级的YOLOv8n模型，以满足机载CPU计算约束，实现约100毫秒的实时检测。 机载长距离GNSS拒绝定位 (Onboard Long-Range GNSS-Denied Localization) 这是该系统的核心创新点，其流程如图8所示： Heightmap预处理 (Heightmap Pre-Processing):先验数据 (Prior Data): 利用公开点云数据（LAStools [27]）或航空RGB图像深度估计模型[28], [29]生成地理参考、北向对齐的大尺度环境Heightmap（数字高程模型DEM）。 局部Heightmap (Local Heightmap): 从机载LiDAR数据生成的在线占有率地图中构建，假设Odometry漂移在局部地图范围内受限。 地图分辨率为1米宽的bin，通过计算给定点云（来自DEM或局部地图占用单元格）的最大高度来构建。

对齐 (Alignment): 利用机载指南针测量将Heightmap与北方方向对齐，确保与先验DEM的一致性。 Heightmap梯度匹配 (Heightmap Gradient Matching):目的 (Purpose): 解决UAV无法可靠获取绝对高度（如气压计噪声大、地面倾斜）的问题，通过匹配梯度而非绝对高度来消除垂直偏移。 梯度滤波 (Gradient Filtering): 仅考虑绝对值大于5米的梯度，以强调高大、稳定的结构（如建筑物和树木），忽略小型或瞬态物体。 二值边缘图 (Binary Edge Maps): 将过滤后的强梯度区域标记为1，生成二值边缘图。 模板匹配 (Template Matching): 使用非归一化相关系数（non-normalized correlation coefficient）将局部二值Heightmap（$T$）与先验地图（$I$）进行模板匹配。 该指标在局部Heightmap不完整时表现更优。

$$R(x, y) = \sum_{x',y'} \left( T(x', y') - \bar{T} \right) \cdot \left( I(x + x', y + y') - \bar{I}{x,y} \right)$$ 其中，$T$是局部二值Heightmap，$I$是先验地图，$\bar{T}$是局部地图的均值，$\bar{I}{x,y}$是匹配区域在$(x, y)$处的均值。 高斯模糊 (Gaussian Blur): 对生成的相似性地图应用高斯模糊，以减少离散化伪影。 粒子滤波器 (Particle Filter):融合 (Fusion): Odometry和相似性地图在一个粒子滤波器中融合，以提供UAV位置的统一概率估计。 状态维护 (State Maintenance): 粒子滤波器维护平移状态的多个假设，而方向直接从指南针获取。 传播 (Propagation): 在重采样步骤之间，粒子根据Odometry估计进行平移，并与指南针航向对齐。 加权 (Weighting): 每个粒子根据其投影位置在相似性地图上的归一化值分配权重。

重采样 (Resampling): 当UAV根据Odometry移动10米后触发重采样，新粒子的位置由经验估计的Odometry协方差高斯噪声扰动。 聚类 (Clustering): 使用K-means算法对粒子集进行聚类，选择最大簇的质心作为最终位置估计，以解决感知混叠和Odometry噪声引起的多簇问题。 实验结果 (Experiments) 该系统在SPRIN-D挑战赛中进行了评估，比赛区域包含城市、森林和开阔地带。 评估方法 (Evaluation Methodology): 由于禁止GNSS，UAV的真实轨迹通过VIO数据结合相机/LiDAR footage的手动估计获得（0-5米精度）。 部分测试飞行则有GNSS地面真值。 自主GNSS拒绝飞行 (Autonomous GNSS-denied flights):在有GNSS地面真值的测试飞行中，即使初始定位误差达32米，该方法也能通过观测环境特征（如树木）进行校正，最终将误差减少到约4米。 在比赛期间，系统成功完成了多次公里级自主飞行，总定位RMSE低于11米，而仅靠指南针对齐的Odometry的RMSE高达53米。

飞行任务的终止通常是由于电池限制或硬件问题，而非定位漂移。 在城市环境中，由于特征点和可区分物体较多，该方法表现更好。 在开阔地带，系统主要依赖Odometry。 系统能够校正磁力计在某些区域产生的高达30度的缓慢变化的偏差。 比赛结果 (Results of the competition): 在九支参赛队伍中，本系统是唯一一支能够成功完成公里级飞行并访问多个航点的队伍，最终获得第一名。 经验教训 (Lessons learned): IMU和VIO相机的机械解耦对VIO鲁棒性至关重要；磁力计在建筑物和钢筋混凝土附近不可靠，传感器融合是实现鲁棒自主性的关键；系统整体性能受限于最弱的组件，如局部地图大小限制了飞行速度；快速诊断和部署能力在时间紧迫的场景中至关重要。 结论 (Conclusions) 本文成功展示了一个用于GNSS拒绝环境下可靠长距离UAV导航的机载系统。 该方法通过在聚类粒子滤波器中利用梯度匹配技术将局部LiDAR Heightmap与先验地理数据对齐，有效校正了Odometry漂移，并在城市、森林和开阔地带等多种地形中表现出鲁棒性。

在SPRIN-D挑战赛中，系统在仅CPU的硬件上实现了公里级飞行，RMSE低于11米，验证了其在实际场景中的自主运行能力。 研究表明，在长距离任务中，从高不确定性时期恢复并重新定位的能力比维持持续低瞬时RMSE更为关键。 尽管在续航能力和低特征环境操作方面仍存在挑战，但这项工作为开发实际部署所需的弹性GNSS拒绝自主系统提供了基础蓝图。