距離城市無人機物流和科幻電影中的無人機艦隊，我們又近了一步。
作者 | 陳晨
編輯 | 鄭玄
十架無人機在密集的竹林里穿梭。
如同組織有序的蜂群，無人機群有條不紊，越過崎嶇起伏的地面、穿過傾倒交錯的竹子間狹窄的空隙，伴隨著「嗡嗡」聲，它們軌跡平滑地從一個間隙連接到另一個間隙，一個個藍色的身影穿過碧綠的竹林，最終整齊地懸停在竹林外。
它們不是《安德的游戲》中抵御外星人攻擊的無人機艦隊，也不是《銀翼殺手 2049》里在摩天大樓間參與空中交通的一員，它們沒有武器，也還沒有領(lǐng)到搜救或運輸?shù)娜蝿?wù)，但是卻出現(xiàn)在現(xiàn)實世界中，就在湖州安吉的一片竹林里。
十架無人機穿越竹林
5 月 5 日這天，浙江大學的周鑫等人于《科學·機器人》期刊發(fā)表最新研究成果，經(jīng)過兩年多的研究，科研團隊解決了未知復雜環(huán)境下，機器人單機與群體的智能導航與快速避障方法等一系列核心技術(shù)難題，成功研發(fā)出自主導航的集群飛行系統(tǒng)。
這無疑是項「卓越」的成就。瑞士洛桑聯(lián)邦理工學院智能系統(tǒng)實驗室的 Enrica Soria 在《科學機器人》雜志上評論這項研究時說：「這項工作為機器人領(lǐng)域作出了重大貢獻，也朝著無人機群在實驗室有限環(huán)境之外的應(yīng)用方面邁出了重要一步。這樣一來，無人機群不僅能在森林中探索，也能在人造環(huán)境、如由人類和建筑物組成的城市區(qū)域執(zhí)行一系列重要任務(wù)。」
在通向想象中那個「未來」的路上，人類的腳步又加快了一點。
01
從單體智能向群體智能
智能是無人機起飛的「基石」，而從單體智能向群體智能發(fā)展，則是近年來的大趨勢。
賓西法尼亞大學的實驗室里，Vijay Kumar 和他的團隊受到蜜蜂的啟發(fā)，在機器人上搭載機載傳感器、攝像頭和激光掃描儀，借以掃描分析環(huán)境中的特征信息，形成地圖，讓機器人以無碰撞的方式實現(xiàn)導航。
到了 2017、2018 年，無人機自主導航實現(xiàn)了從室內(nèi)到室外的躍遷。從農(nóng)場到樹林，無人機完成了對目標的追蹤、搜索，及自主航線規(guī)劃。
這些年里，單體無人機自主導航在工業(yè)和學術(shù)實踐中得到了快速的發(fā)展，但截至目前，空中集群系統(tǒng)的「智能化」還處于初級階段。能夠支持大規(guī)模成熟應(yīng)用的無人機空中集群，如無人機燈光秀，仍然是在全球?qū)Ш叫l(wèi)星系統(tǒng)定位下，遵循預(yù)先編程的軌跡完成表演。
無人機編隊表演
無人機領(lǐng)域的「智能集群」其實基于生物集群行為。
1959 年法國生物學家 PierrePaul Grasse 發(fā)現(xiàn)昆蟲之間存在高度結(jié)構(gòu)化組織，能夠完成遠遠超出個體能力的復雜任務(wù)。一些智能集群算法也在后續(xù)對昆蟲間智能集群行為的探索中逐漸涌現(xiàn)出來，比如 20 世紀 90 年由意大利學者 Dorigo、Maniezzo 等人提出，應(yīng)用于組合優(yōu)化問題的蟻群算法。
據(jù)周鑫等人在文章中介紹，無人機領(lǐng)域現(xiàn)在有兩種主流的導航方法：一種模仿昆蟲，一種模仿鳥類。
「昆蟲」長于短時反應(yīng)，在計算和內(nèi)存占用上更為高效，能夠讓無人機更為輕巧；「鳥類」鳥類更喜歡相對長期的平穩(wěn)動作，更可能得出最佳路徑也更為靈活。
現(xiàn)有的一些無人機智能集群方案大都使用了這兩種方法，比如一些研究者嘗試使用簡單的反應(yīng)規(guī)則，讓飛行機器人根據(jù)其他機器狀態(tài)實時調(diào)整其運動。這種方式的弊端也很明顯——缺乏對最佳性的考慮，容易導致飛行器行動不連貫，需要更大的安全距離。有些實現(xiàn)了對鳥類行為的模擬，但操作各個個體又顯得尤為困難。
更多的優(yōu)化方案不斷地被提出，如 McGuire 等人提出了一種反應(yīng)性群體梯度錯誤算法，使用光流定位和激光測距傳感器進行障礙物檢測，并將所有傳感、決策、控制的功能部件集成到 30g 之內(nèi)。周鑫他們團隊也曾提出了 EGO-Swarm，一種部署在森林中的空中集群全棧導航解決方案。
擺在這些研究者面前的問題都是相同的：如何在各種規(guī)劃路徑中得到最優(yōu)解？如何提高方案的可擴展性，兼容更多任務(wù)及目標？如何實現(xiàn)更「經(jīng)濟」的計算，為其他任務(wù)保留盡可能多的可用資源？如何實現(xiàn)更小的體積與重量，以提高飛行時間、適用復雜及狹窄的地形？
困擾他們的還不僅僅是單個問題的解決，這四個目標往往就是互相矛盾的，比如最優(yōu)解依賴復雜的建模與不同方案的迭代試驗，而這樣會增加計算成本；提高可拓展性意味著以更通用的方式來定義問題，而這又犧牲了對潛在特殊問題的優(yōu)化，可能與最優(yōu)解失之交臂。在這種情況下，如何實現(xiàn)全局的優(yōu)化顯得尤為困難。
在研究了各種方案后，周鑫等人將軌跡規(guī)劃定義為重點問題，因為「它不僅改變軌跡的形狀（是否平滑），而且能調(diào)整時間曲線，以充分利用可解的方案，最大化無人機的能力?！?div style="height:15px;">
在昆蟲與鳥中，他們選擇了后者，他們將鳥類這種長于軌跡規(guī)劃的能力，歸因于鳥類相比于昆蟲更敏銳的視覺和運動感，更高自由度的運動系統(tǒng)，和更多的大腦容量。
02
向鳥類學習，
造多個「智慧大腦」
「巧合卻又合理的是，我們提出的解決系統(tǒng)十分類似于鳥：能夠在能夠在森林中自由飛行，同時避開障礙物和其他移動的生物?！?div style="height:15px;">
鳥類為了避免碰撞，會同時調(diào)整路徑和速度，這種時空軌跡聯(lián)合優(yōu)化的方法，也被他們用在了智能集群的解決方案里，它的優(yōu)勢也在他們的實地實驗中得以展現(xiàn)。
在無人機穿越竹林的實驗中，無人機時常需要穿過狹窄的間隙，而在左右也有無人機的情況下，一般方法是調(diào)整機體的高度避免碰撞。調(diào)整高度除了會浪費資源外，還會遇到下沖干擾，而他們方案是：調(diào)整時間配置文件，允許多架無人機僅改變必要的速度，然后依次通過間隙。
這種時空軌跡聯(lián)合優(yōu)化的難點在于：空間和時間參數(shù)共同確認軌跡，但二者是高度耦合的，這也導致需要大量的時間來計算，才能確認最優(yōu)軌跡。他們給出的解決方法是將目標函數(shù)計算中的時空參數(shù)解耦，實現(xiàn)優(yōu)化變量與表示軌跡的中間變量之間的線性復雜度映射，從而實現(xiàn)實時時空優(yōu)化。
在這套軌跡規(guī)劃的框架下，他們還將所有目標和約束條件轉(zhuǎn)換為加權(quán)懲罰，通過「加權(quán)」的方式實現(xiàn)對不同目標及約束條件重要性的排序，用戶可以預(yù)先添加特定于任務(wù)的目標及約束條件。
在測試場景中，無人機需要以 2 m / s 的速度飛越狹窄的大門和分布眾多障礙物的區(qū)域。MADER 和 EGO-Swarm 都因為避免碰撞，出現(xiàn)了無人機等待或繞道的情況，而他們現(xiàn)有的方案卻通過調(diào)整不同無人機的時間軌道，在避免碰撞的前提下，讓無人機以最為平滑的方式通過，這種機體的較小變動則進一步保證了安全。
他們其中的一個實驗是野外編隊導航，要求十架無人機保持方形編隊在樹林中飛行。鳥類提供了一個「非常識」的經(jīng)驗，即編隊飛行中，不能有預(yù)先設(shè)定的形狀。
他們還在每架無人機上獨立運行著視覺慣性里程計測距（Visual Inertial Odometry），以進行空中群體定位，并開發(fā)了一種分散的漂移校正算法以最小化誤差，以避免碰撞。與之對應(yīng)，鳥類在短程導航中主要依靠眼睛及前庭系統(tǒng)。
單體與群體智能的協(xié)調(diào)還體現(xiàn)在很多方面，比如每架無人機都配備了完整的感知、定位、規(guī)劃和控制功能，并通過一個高保真無線通信的廣播網(wǎng)絡(luò)共享軌跡，高速計算用于快速規(guī)劃，以此實現(xiàn)松散耦合，提高整體運行的穩(wěn)定性。
實驗過程中，除了原先的樹木和三腳架外，實驗人員會模擬真實場景，逐漸放置各種障礙物模擬新建筑，自己也會作為障礙物穿行于該區(qū)域，人為干擾和移動場上正在飛行的無人機。除此之外，還關(guān)閉了所有的地面定位錨點，以此模仿全局定位的損失。
實驗的結(jié)果是可喜的。無人機達到的總目標的數(shù)量隨著時間的流逝而線性增加，他們將這歸功于軌跡規(guī)劃達到的局部最優(yōu)解?！冈诓煌系K物密度下實現(xiàn)了近乎恒定的傳輸速率?！?div style="height:15px;">
