輕型無人機的新視角：單目攝影機與光流避障

在現今科技快速發展的背景下，無人機（特別是微型航空器，即MAVs）已成為了探索、救援和環境監測等多個領域的重要工具。這些小型無人機因其靈活和低成本的特性而備受青睞。然而，它們在執行任務時常面臨一個關鍵問題——在GPS訊號弱或無法使用的森林或城市環境中，如何在複雜環境中有效避障。傳統的避障方法依賴重型的立體攝影機或深度攝影機，這不僅增加了無人機的負擔，也限制了其操作靈活性。因此，研究更輕便的解決方法非常重要。

光流技術是一種透過分析場景中物體或景觀在連續幀之間的運動變化來估計移動速度和方向的方法。這種技術不需要像立體視覺那樣進行複雜的三維重建，只需透過分析影像序列中像素點的運動就可以推斷出運動資訊。光流的概念最初是為了模擬昆蟲視覺而開發的，昆蟲透過簡單的視覺系統處理複雜的飛行任務，例如避開障礙物。這種方法為使用較簡單的硬體設備並透過演算法實現複雜功能，提供了一種可能的研究方向。

研究團隊透過模擬環境建立了一個資料集，用於訓練深度神經網絡，從而透過分析光流影像來指導無人機避開障礙物。使用的是標準的VGG16卷積神經網路架構（圖一），透過不同的訓練階段，訓練網路辨識影像中的避障路線。在第一階段（圖二），網路學習辨識直接的障礙物位置（如障礙物在左側、右側或正前方）；第二階段（圖三），網路進一步學習根據無人機已執行的避障動作來調整飛行路線，最後根據模型判斷出來的障礙物位置，指導無人機的飛行方向。

圖一、本研究使用基於VGG16的CNN架構
此模型的輸入是來自FlowNet 2.0的（32×32×3）密集光流圖像。兩個訓練階段的輸出不同，分別為3個類別和5個類別，對應於第一及第二階段的分類處理。

圖二、第一階段
在此階段中，有R、L和M三個標籤，分別表示障礙物主要在飛行器的右側、左側或中間。為了收集與每個標籤對應的光流數據，我們在多旋翼飛行器保持前進飛行模式的同時，生成具有不同分布模式的樹木。
下方的圖為標籤“R”(右)和“M”(中)的模擬場景設置示意圖。紅色點表示樹木生成的區域。藍色區域是飛行器開始飛行的地方，一旦飛行器飛入綠色區域，即開始數據收集。

圖三、第二階段
這些標籤也可以從光流的角度來解釋："L"表示左側的光流值較大；"R"表示右側的光流值較大；而"M"則表示兩側的光流值大致相等。如果在特定幀中對飛行器進行了移動指令的調整，模型可能無法正確區分是因為障礙物位置還是由於飛行器本身的移動，從而導致在後續幀中持續錯誤地分類光流影像，因此在此階段中增加了AL和AR兩個標籤，代表飛行器是否已經向左或向右飛行。當飛行器接收到向左或向右的移動指令且側向速度 ≥ 0.2 m/s時，就收集這兩個標籤的光流資料。

模擬測試顯示，該系統能夠有效地引導無人機在高保真的3D環境中繞過障礙物（圖四）。系統透過分析從單眼攝影機獲得的光流影像來產生側向速度指令，使無人機能夠在保持前進速度的同時，調整其飛行路徑以避開障礙物。

圖四、結果
研究團隊在虛擬的Training Forest中模擬，從最終的軌跡可以看出，無人機始終保持在兩側障礙物的中間。即使無人機與這些障礙物沒有非常靠近，它也會調整自己的側向位置，使得兩側的光流保持平衡，模仿飛行昆蟲的行為。
此方法在一些未包含在資料集中的未見場景中也表現出了良好的泛化能力。例如，遇到非常狹窄的間隙時，通過率也很高（在本測試中約為80%），如(a)中的橘色圓圈所示。

本研究利用光流技術和單目攝影機為微型無人機的避障問題提供了新的解決方案。此方案不僅展現了機器學習在實際應用中的強大潛力，也為未來無人機技術的發展開闢了新的路徑。透過進一步的研究和優化，這種輕巧且高效的避障技術將可能成為無人機技術的一個重要發展方向。

撰文：余雪淩

原始論文：Gao, W., S. Jiang, and Q. Quan. Multicopters Obstacle Avoidance by Learning Optical Flow with a Balance Strategy. in 2023 International Conference on Unmanned Aircraft Systems (ICUAS). 2023.