谷歌SLAM算法Cartography的閉環(huán)演示

目前，無人機大多依靠周圍環(huán)境地圖完成導航。地圖的繪制需要深度傳感器對周圍的實時環(huán)境進行掃描，再以此為基礎(chǔ)創(chuàng)建3D模型。如此，無人機能夠知曉自己所在的位置，以及該如何前往目的地。這便是SLAM (即時定位與地圖構(gòu)建) 技術(shù)。

雖然，SLAM已在自動駕駛領(lǐng)域得到廣泛應(yīng)用，但這項技術(shù)依然存在局限性，即需要大量高保真數(shù)據(jù)以及處理數(shù)據(jù)所依賴的強大運算能力。而高速飛行的無人機，如果要在嚴格的時間限制之內(nèi)完成大量精確數(shù)據(jù)的收集和處理，便會對硬件和軟件提出更高的要求，從而令成本大幅增加。

針對這一問題，麻省理工學院計算機科學與人工智能實驗室 (CSAIL) 推出了名為NanoMap的運動規(guī)劃框架，用于高速飛行無人機的導航和避障。這一系統(tǒng)依然需要收集周圍環(huán)境的三維數(shù)據(jù)，但并不會將所有信息整合成一張完整的地圖，而只需將信息存儲在一系列3D快照中。這樣一來，系統(tǒng)每秒需要處理的數(shù)據(jù)量得到有效減少，反應(yīng)速度便可以更快。

NanoMap的工作原理是這樣的 (如圖) ——

一系列3D快照反映出無人機的運動軌跡， 如灰色三角形 (左一) ，而藍色曲線則表示人類為其設(shè)定的下一步運動軌跡。如要達到預定軌跡中的紅點 (左二/右二/右一) ，則需回溯之前的3D快照，直至找到包含目標紅點的視圖。通過這一方式，系統(tǒng)可以判斷障礙物的位置并以此為無人機制定運動規(guī)劃。

雖然，這一方案中系統(tǒng)需要處理的數(shù)據(jù)量與SLAM相比明顯降低，但其不足之處在于，需要回溯的3D快照越久遠，便越難以確定拍下快照時無人機所在的位置。

針對不確定度 (uncertainty) ，傳統(tǒng)的解決方案是讓同一參照物的多個視圖互相校準，從而繪制較為精確的周圍地圖。NanoMap則不同，依靠一系列3D快照進行建模，得出每幅快照的不確定度，選出不確定度最小的快照，再將這一不確定度計入無人機的運動規(guī)劃。不確定度設(shè)定越高，無人機便會越遠離障礙物。

無人機的不確定度主要來自慣性測量單元 (IMU) 測量加速度的準確度。如果加速度測量不夠準確 (即相對位移不夠準確) ，隨著時間的推移，位置判定則會越發(fā)不準確，這一誤差稱為漂移 (drift) 。無人機飛行速度越快，漂移值也越大。因此，對高速飛行的無人機來說，盡管機身搭載有深度傳感器，計算不確定度仍然非常重要。

研究人員在測試過程中發(fā)現(xiàn)，當漂移值達到25cm/s，不確定度的建模開始發(fā)揮明顯作用。當漂移值接近75cm/s，NanoMap做出的運動規(guī)劃避障成功率超過97%。而當漂移值達到1m/s，避障成功率為10%——而未計入不確定度時，成功率僅有3%。

測試結(jié)果表明，NanoMap可以支持10m/s的高速飛行。這一方案在提升導航避障系統(tǒng)性能的同時，又不會使小型無人機的計算設(shè)備負擔過重。不過，這一方案依然有一些不足——

CSAIL的科研人員Peter Florence說，在需要周圍環(huán)境高清地圖的場景下 (比如災難搜救) ，NanoMap可能并非合適的選擇。另外，自動駕駛汽車制造商或許也更傾向于使用SLAM，因為汽車本身造價高昂，導航系統(tǒng)的成本可能并不那么引人注意。即便NanoMap不像超人一樣全能，科學家們依然希望有一天，它能幫助無人機如蒼鷹一般矯健地穿過茂密的叢林。

安創(chuàng)空間

安創(chuàng)空間（ArmAccelerator）是Arm全球唯一加速器，聚焦于人工智能和物聯(lián)網(wǎng)產(chǎn)業(yè)的創(chuàng)新服務(wù)平臺。安創(chuàng)一直致力于幫助技術(shù)驅(qū)動型創(chuàng)新創(chuàng)業(yè)企業(yè)精準對接生態(tài)資源、投資機構(gòu)、銷售渠道、宣傳渠道，提供一站式深度加速服務(wù)；幫助資本市場對接最具投資潛力的創(chuàng)新團隊，挖掘早期優(yōu)質(zhì)項目；幫助大企業(yè)尋找所需要的創(chuàng)新型項目，加速項目落地，做真正的創(chuàng)新引擎；幫助國外先進技術(shù)在國內(nèi)落地，以及國內(nèi)項目在國外渠道布局，注重國際合作與交流，推動全球創(chuàng)新。