《Science Robotics》！讓手掌大飛行機器人“穿越”復雜障礙環境

如果一架無人機在完全黑暗、濃霧彌漫的廢墟中起飛，它該如何感知世界？主流方案攝像頭和激光雷達通常會在這里集體失效。前者依賴光線，后者在霧中散射嚴重，完全看不到透明玻璃或薄塑料膜。

但在《Science Robotics》最新發表的論文中，美國伍斯特理工學院（Worcester Polytechnic Institute）的研究團隊給出了一個反直覺的答案：用超聲波。

他們展示了一款名為“Saranga”的感知系統，放棄了對攝像頭和激光雷達的依賴，改用毫瓦級超聲波傳感器套件。把它搭載在微型自主四旋翼飛行器上，能夠讓手掌大小的飛行機器人在濃霧、黑暗、積雪以及存在薄而透明障礙物的復雜環境中自主導航。

01.

為什么偏偏是超聲波

提起超聲波，你可能會想到醫院里的B超，或者倒車雷達。但在高速飛行的空中機器人上，超聲波幾乎被公認為難堪大用，它探測距離短、分辨率低，更要命的是，機器人的螺旋槳本身就是個巨大的噪聲源，足以讓任何微弱的回聲信號淹沒在噪音里。

然而，研究團隊注意到了自然界中的一個現象。體重僅2克的熊蜂蝙蝠，在黑暗、多塵的洞穴中，僅憑超聲波回聲定位，就能探測到8毫米大小的物體，飛行得比許多帶眼睛的動物還要穩。

這給研究者帶來了一個啟發。超聲波并非不行，而是之前沒能像蝙蝠那樣，把它的潛力發揮到極致。問題的核心，在于如何從極低的信噪比中“聽”清障礙物。

02.

如何讓機器人“聽”清世界

Saranga系統的解決方案，是一套“物理降噪+深度學習聽聲”的組合拳。

首先，研究團隊在螺旋槳和傳感器之間，巧妙地增加了一個物理屏蔽結構。這個小小的改動，直接阻擋了大量螺旋槳產生的超聲波頻段噪聲，讓回波信號不再被完全淹沒，有效探測范圍從1米直接提升到了2米。

但這還不夠。在復雜環境中，微弱的回聲依然會被各種干擾所掩蓋。于是，研究團隊引入了一個名為 Saranga的深度學習神經網絡。這個網絡的作用，就像給無人機裝上了一副智能助聽器。

他們訓練這個網絡，讓它能從長達0.82秒、包含32個連續測量周期的歷史回波序列中，識別出那些被噪聲包裹的、真正的障礙物信號。

更絕的是，他們創造了一套合成數據生成流程。先用數學模型模擬出理想的干凈回波，再灌入真實采集的螺旋槳噪聲，生成海量的帶噪訓練數據。這樣一來，網絡在投入實戰前，就已經在虛擬世界里見過了各種復雜情況。

Saranga 網絡訓練的合成數據生成流程

另外值得注意的是，這個傳感系統的功耗只有1.2毫瓦，遠低于一個普通LED燈泡。

03.

專克“視覺殺手”的硬核實驗

為了驗證這套系統的真實能力，研究團隊在伍斯特理工學院搭建了室內外多種測試場景。實驗平臺是一款名為PeARBat160的定制四旋翼飛行器，對角軸距160毫米，總重460克。

它搭載了兩個TDK InvenSense ICU30201低功耗超聲波傳感器，視場角達140°×57°，所有數據處理都在機載的Google Coral Mini開發板上完成。值得一提的是，所有避障操作僅依賴這兩個前置超聲波傳感器和Saranga算法，未使用任何外部定位設施。

研究團隊設計了一系列障礙賽道，包含圓柱、立方體、透明物體、細桿等多種障礙物。每個場景至少進行20次試驗，成功標準是完整通過賽道且不發生任何碰撞。為了證明這套系統，所有室內實驗都在伍斯特理工學院一個11米×4.5米×3.65米、配有防護網的專業測試場地完成。在六類極端場景中，飛行器的表現令人欣喜。

• 透明障礙物

當面對厚度僅0.02毫米的透明塑料薄膜時，即便是76-81 GHz的雷達系統也無法探測。搭載傳感系統的飛行器在22次試驗中，成功率達到77.27%。

• 薄障礙物

細小的PVC或鋁制桿件（直徑僅2-6厘米）反射信號極弱。飛行器在21次試驗中，系統成功率為80.95%。

• 人造雪環境

整個飛行區域被造雪機覆蓋，障礙物隨機分布。飛行器在20次試驗中成功15次，成功率75%。

• 濃霧環境

兩臺霧機制造的濃霧使攝像頭能見度低于0.75米。20次試驗中飛行器成功18次，成功率90%。

• 光線昏暗環境

在僅0.2 lux的極暗環境下（相當于無月光的夜晚），三個半透明游戲隧道隨機擺放。飛行器20次試驗全部成功，成功率100%。

• 雜亂場景

為模擬真實世界的復雜性，團隊構建了一個由六個不同形狀、材質的障礙物組成的密集賽道。任何直線飛行都會導致碰撞。飛行器在23次試驗中成功16次，成功率69.57%。

• 3D避障

這是對系統能力的終極考驗。在一個包含水平、垂直和傾斜障礙物的復雜三維空間中，疊加弱光、濃霧和雪三種惡劣條件，Saranga仍完成了16次成功飛行（共22次試驗），成功率72.7%。

戶外測試則搬到了室外森林環境中，面對的是形狀不規則、反射信號更弱的真實樹木，以及風力等不可控因素。在三種不同樹木密度的森林中，系統分別取得了90.9%、77.3%和85.7%的成功率。

此外，研究團隊還將Saranga與另一種超聲波避障方案BatDeck進行了直接對比。在相同的復雜室內環境中，BatDeck在17次試驗中僅成功通過1次，而Saranga在相同條件下成功完成了13次。

從速度測試來看，當目標前進速度從1米/秒提升到2米/秒時，成功率從100%降至72.73%。這符合預期，也說明系統仍有優化空間。

在各種具有挑戰性的場景（包括不同的障礙物和環境條件）下的導航

04.

重新審視感知范式

Saranga的成功，不僅僅在于它讓一款巴掌大小的空中機器人在惡劣環境下重獲“視覺”。它更像一個信號，提醒整個機器人領域需要重新審視那些被“主流”技術遺忘的傳感器。

當前自主系統的感知方案，從無人機到自動駕駛，往往默認選擇攝像頭和激光雷達，遇到問題時再想辦法修補。但Saranga提供了一種不同的思路。選擇傳感器，首先應考慮它在目標環境下的物理信號可靠性，而不是技術潮流。把舊傳感器和新的計算技術，如深度學習、時間序列模型結合起來，或許就可以重煥生機。

正如論文所言，與其為罕見的極端情況堆砌更重、更耗電的傳感器，不如增加一個低功耗的傳感模式，用最小的成本換取系統整體魯棒性的巨大提升。

論文鏈接：https://www.science.org/doi/10.1126/scirobotics.adz9609