微型無人機如何用「虛擬牆壁」預見真實危險

在擁擠的都市巷弄、災後的斷壁殘垣或是茂密的森林深處，對於微型飛行器（Micro Aerial Vehicle, MAV）的導航能力是巨大的考驗。這些環境往往是GPS訊號的禁區，而傳統的光達（LIDAR）或立體視覺系統，對於重量以「克」為單位、功耗以「毫瓦」計算的微型無人機而言，無疑是不可承受之重。於是，科學家們將目光轉向了自然界演化的奇蹟——昆蟲視覺，特別是其賴以生存的核心技術：「光流」（Optic Flow）。

光流，即物體在觀察者（如昆蟲的視網膜或無人機的攝影機）視野中移動所產生的視覺運動。其中，「光流發散」（Optical Flow Divergence, OFD，即視野中心向四周擴張的速度）與碰撞時間的倒數直接相關，成為了仿生避障領域的熱門研究方向。理論上，只要監測OFD值，一旦超過某個閾值，就代表碰撞風險劇增，應立即採取規避動作。

然而，理想與現實之間存在著巨大的鴻溝。這種看似簡單的OFD閾值法，在真實的飛行情境中卻顯得異常脆弱。它最大的罩門在於無法區分「自我運動」與「環境變化」所產生的光流。當無人機進行加速、減速或轉彎等動態飛行時，其自身的運動變化就會產生劇烈的OFD，這與真正由前方障礙物靠近所引起的OFD極難分辨。結果便是系統頻繁地發出「錯誤警報」，不必要地中斷飛行任務，甚至為了躲避不存在的「鬼影」而做出危險動作。如何讓無人機擁有一雙能夠洞察真實危險、過濾虛假信息的「火眼金睛」？這正是本文將要深入探討的研究的核心所在。

虛擬障礙物假說
為了解決這一難題，英國帝國理工學院的研究團隊提出了一種稱為「虛擬障礙物假說」（Fictitious Obstacle Hypothesis）的數學方法。他們的核心思想是：不再將感測器測得的原始OFD信號直接視為碰撞風險，而是巧妙地將其重新詮釋為由一個看不見的「虛擬牆壁」（Fictitious Wall）所產生。(圖1)
圖1、Fictitious Wall（虛擬牆壁）

這個虛擬牆壁並非實體，它的位置DF是在每一個時刻，根據無人機當前的速度 VM 和即時測得的OFD值，透過公式 DF = VM / OFD 動態計算出來的。這個虛擬牆壁的動態行為，便成為了區分真實威脅與背景雜訊的關鍵：
1. 當無人機在開闊空間飛行時：此時的光流主要由遠處的背景環境（如遠方的建築、地面紋理）產生。在這種情況下，計算出的虛擬牆壁會跟隨著無人機同步移動，彷彿一個與無人機保持著相對靜止的、無限遠的背景。
2. 當前方出現真實障礙物時：隨著無人機逐漸靠近一個靜止的真實障礙物，該障礙物會在無人機的視野中佔據越來越大的比重，並主導OFD的變化。此時，計算出的虛擬牆壁的位置會迅速收斂並「鎖定」在真實障礙物的位置上，變得不再隨無人機移動，彷彿一堵真正的牆壁擋在前方。
透過觀測這個虛擬牆壁是「動」還是「靜」，系統便能從複雜的光流信號中，剝離出真實的碰撞威脅。

演算法實現：EKF融合與梯度積準則
為了將這一假說付諸實踐，研究團隊設計了一套演算法，其完整的運作流程可由(圖2)概括。
圖2、EKF演算法流程圖

該演算法的核心是一個擴展卡爾曼濾波器（Extended Kalman Filter, EKF）。這個EKF巧融合了兩種感測器資訊：
模型輸入：來自機載慣性量測單元（IMU）提供的加速度a。
觀測更新：來自一對呈±45°安裝的光流感測器（論文中稱為DOFP）所測得的原始OFD數據。

EKF的任務是即時估算系統的三個關鍵狀態：無人機的位置XM、速度 VM，以及虛擬牆壁的位置 XF。一個有趣的數學發現是，雖然無人機和虛擬牆壁的「絕對位置」是不可觀測的，但它們之間的「相對距離」XF-XM以及無人機的「速度」VM卻是完全可觀測的，這足以滿足避障任務的需求。

有了可靠的狀態估計，接下來便是建立一個比傳統OFD閾值更穩健的碰撞偵測標準。研究團隊發現，僅僅判斷虛擬牆壁是否靜止（即其位置梯度是否為0）在充滿噪聲的現實中依然不夠可靠。於是，他們提出了一個創新的指標「梯度積」（Product of Gradients, PoG）。

PoG的計算方式是將「無人機位置的梯度」（即其前進速度）與「它和虛擬牆壁相對距離的梯度」這兩個值相乘。這個指標的巧妙之處在於，只有在一個特定的條件組合下，它才會呈現出顯著的負值：即無人機確實正在向前飛行（位置梯度為正），並且與前方障礙物的相對距離正在縮短（距離梯度為負）。因此，系統只需設定一個負的PoG閾值（例如-0.1），一旦PoG值低於此閾值，就高機率代表前方存在真實的碰撞威脅。這種方法能夠有效地過濾掉諸如「無人機減速後退」或「飛行於寬度漸變的走廊」等會產生迷惑性光流、卻無實際碰撞風險的情境。

實驗驗證 
研究團隊將這套僅重20克的感測控制系統，成功整合到了一台總重僅158克的微型四旋翼無人機上，並在實驗室和戶外進行了大量測試。
圖3、實驗測試。左圖(A)顯示了一次真實飛行中，系統估算的距離與真實距離的對比；右圖(B)則清晰地展示了PoG指標（藍色線）如何穿過-0.1的紅色閾值線，從而精準觸發制動指令。(F)則記錄了一次微型無人機（MAV）在一個設有多種障礙物（包含不同紋理的牆壁、網子及圓柱體）的室內空間中，進行的60秒自主避障飛行測試 。圖中的淺藍色線條是通過動態捕捉系統記錄的無人機實際飛行路徑 ，而路徑上的標記點則代表其避障系統被觸發的瞬間位置與當時的飛行方向（由箭頭表示） 。其中的區別在於：藍色實心標記表示系統正確偵測到前方障礙物而進行的「真實觸發」（True Positive） ，而橘色空心標記則代表系統在沒有立即威脅時觸發的「錯誤觸發」（False Positive）。

如(圖3)所示，在一次實驗室測試中，無人機向一堵牆壁飛去。系統能夠在距離牆壁約1.4米時，透過虛擬牆壁位置XF的穩定來「偵測」到障礙物；並在距離縮短至1.07米時，因PoG值觸及閾值而精準「觸發」煞車程序，最終使無人機平穩地懸停在約0.6米的安全距離之外。

該系統也在不同速度下展現出高度的一致性。無論無人機是以0.8 m/s慢速接近，還是以高達3 m/s的速度衝刺，系統都能完成偵測與煞車，成功率極高。在面對真實世界的挑戰時，例如不規則的樹幹或視覺上難以穿透的稀疏樹籬，該系統的避障成功率分別達到了80%和60%，其性能遠超同等重量、但在面對稀疏物體時數據噪聲極大的單點ToF距離感測器。

當然，該系統也存在局限性。作者坦承，目前的模型主要針對靜止障礙物，若前方障礙物正在移動，則會出現問題，導致EKF失效。此外，在通過狹窄的角落時，系統也可能因周遭環境的劇烈變化而誤觸。


撰文：余雪淩


原始論文：Xiao, F., Zheng, P., Tria, J. d., Kocer, B. B., & Kovac, M. (2021). Optic Flow-Based Reactive Collision Prevention for MAVs Using the Fictitious Obstacle Hypothesis. IEEE Robotics and Automation Letters, 6(2), 3144-3151.

留言

張貼留言