ICRA 2026 | 评述：公里级GNSS拒止环境下的无人机自主导航系统

背景

随着无人机（UAV）在物流、巡检、搜救等复杂环境中的应用日益广泛，全球导航卫星系统（GNSS）拒止环境下的长距离自主导航成为了一个极具挑战性的技术瓶颈。GNSS信号在城市峡谷、森林覆盖区或室内等场景中极易受到遮挡、多径效应或干扰，导致定位失效。传统的视觉惯性里程计（VIO）虽然能在短距离内提供相对定位，但存在累积漂移问题；而依赖预先构建的稠密地图或持续GNSS信号的方法则限制了无人机的灵活性和部署范围。

在此背景下，捷克理工大学（CTU in Prague）著名的多机器人系统小组（MRS）开发了一套名为“GNSS拒止自主飞行系统”的机载解决方案。该系统旨在解决无GNSS、无预先构建稠密地图条件下的长距离、低空自主飞行难题。该系统在SPRIN-D Funke全自主飞行挑战赛（完全自主飞行挑战赛）中表现优异，是唯一一支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。该挑战赛的规则要求无人机在没有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，这对系统的鲁棒性、实时性和计算效率提出了极高要求。

核心内容

该系统是一个集成了感知、定位、规划和控制功能的完整机载无人机系统，其核心创新点在于利用LiDAR生成的局部高度图（Heightmap）与先验地理数据高度图进行基于梯度的模板匹配，并通过聚类粒子滤波器融合里程计数据，从而实现轻量级的漂移校正。

1. 硬件平台与传感器配置 系统基于Intel NUC i7机载计算机（仅CPU，无GPU加速），以应对严格的功耗和计算约束。传感器包括：

• Livox Mid-360 LiDAR：用于障碍物检测、局部建图和高度图生成。
• 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）：配合OpenVINS VIO算法使用。
• 机械解耦设计：IMU和VIO相机通过3D打印的静音块机械解耦，以衰减电机和螺旋桨产生的高频振动，提高VIO的鲁棒性。
• 车载磁力计：提供绝对航向测量。

2. 视觉惯性里程计（VIO） 使用OpenVINS提供单目VIO，通过机械解耦隔离振动干扰，提供基础的相对位姿估计和速度信息。

3. 建图、规划和反馈控制

• 局部建图：Livox Mid-360 LiDAR点云被增量集成到局部占有率地图（OctoMap）中，地图以UAV机身框架为中心，大小为40x40米，以10 Hz更新。
• 路径规划：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进行跟踪。
• 任务控制：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。

4. 航点检测器 基于YOLOv8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。

5. 机载长距离GNSS拒绝定位（核心创新） 这是该系统的核心，旨在解决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。

• 高度图预处理：
  • 先验数据：利用公开点云数据（LAStools）或航空RGB图像深度估计模型生成地理参考、北向对齐的大尺度环境高度图（数字高程模型DEM）。
  • 局部高度图：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，通过计算给定点云的最大高度来构建。
  • 对齐：利用机载指南针测量将高度图与北方方向对齐，确保与先验DEM的一致性。
• 高度图梯度匹配：
  • 梯度滤波：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：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：使用非归一化相关系数将局部二值高度图（$T$）与先验地图（$I$）进行模板匹配。该指标在局部高度图不完整时表现更优。公式为： $$R(x, y) = \sum_{x',y'} \left( T(x', y') - \bar{T} \right) \cdot \left( I(x + x', y + y') - \bar{I}{x,y} \right)$$
  • 高斯模糊：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：
  • 融合：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：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：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：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：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：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。

6. 数字孪生驱动开发 在FlightForge模拟器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。

关键要点

• 无GNSS无先验稠密地图：系统不依赖GNSS信号，也不需要预先构建高精度的全局稠密地图，仅利用公开的低精度DEM或点云数据作为先验参考。
• 梯度匹配消除垂直偏移：通过匹配高度图的梯度而非绝对高度值，有效解决了气压计噪声和地面倾斜导致的垂直定位误差问题。
• 聚类粒子滤波器融合：将VIO里程计与基于LiDAR的梯度匹配结果在粒子滤波器中融合，利用K-means聚类解决多模态分布问题，显著提高了定位的鲁棒性。
• 轻量化与实时性：系统仅在CPU上运行，通过优化算法（如YOLOv8n、局部地图限制、梯度滤波）实现了实时性，RMSE低于11米，而仅靠指南针对齐的Odometry的RMSE高达53米。
• 机械解耦提升VIO鲁棒性：通过3D打印静音块将IMU和VIO相机与振动源解耦，显著提高了VIO在高频振动环境下的性能。
• 磁力计偏差校正：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，增强了航向估计的可靠性。
• 多地形适应性：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；在森林环境中，