原文作者：Michal Werner, David apek 等 4 名
原文链接：https://www.themoonlight.io
雷峰网注：该系统由捷克理工大学（CTU in Prague）著名的多机器人系统小组（MRS）开发。它是针对德国 SPRIN-D Funke 挑战赛（完全自主飞行挑战赛） 专门研发的夺冠方案。比赛要求无人机在没有 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。
系统架构 ( System for GNSS-Denied Autonomous Flight )
该系统集成了感知、定位、规划和控制功能，具体包括：
硬件平台 ( Hardware ) : 基于 [ 19 ] 的 UAV 平台，配备 Livox Mid-360 LiDAR（用于障碍物检测、局部建图和 Heightmap 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）（用于 OpenVINS VIO），以及一个 Intel NUC i7 机载计算机（仅 CPU）。IMU 和 VIO 相机通过 3D 打印的静音块机械解耦，以衰减高频振动。车载磁力计提供绝对航向测量。
视觉惯性里程计 ( Visual Inertial Odometry - VIO ) : 使用 OpenVINS [ 20 ] 提供单目 VIO，其鲁棒性通过 IMU 和相机与电池包的机械解耦来提高，以隔离电机和螺旋桨产生的高频振动。
建图、规划和反馈控制 ( Mapping, Planning and Feedback Control ) : Livox Mid-360 LiDAR 点云被增量集成到局部占有率地图（OctoMap [ 21 ] , [ 22 ] ）中，该地图以 UAV 机身框架为中心，大小为 40x40 米，以 10 Hz 更新。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 [ 23 ] 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 [ 24 ] 进行跟踪。
任务控制 ( Mission Control ) : 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。
数字孪生驱动开发 ( Digital twin driven development ) : 在 FlightForge 模拟器 [ 3 ] 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。
航点检测器 ( Waypoint Detector ) : 基于 YOLOv8 [ 26 ] 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。
机载长距离 GNSS 拒绝定位 ( Onboard Long-Range GNSS-Denied Localization )
这是该系统的核心创新点，其流程如图 8 所示：
Heightmap 预处理 ( Heightmap Pre-Processing ) :
先验数据 ( Prior Data ) : 利用公开点云数据（LAStools [ 27 ] ）或航空 RGB 图像深度估计模型 [ 28 ] , [ 29 ] 生成地理参考、北向对齐的大尺度环境 Heightmap（数字高程模型 DEM）。
局部 Heightmap ( Local Heightmap ) : 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（来自 DEM 或局部地图占用单元格）的最大高度来构建。
对齐 ( Alignment ) : 利用机载指南针测量将 Heightmap 与北方方向对齐，确保与先验 DEM 的一致性。
Heightmap 梯度匹配 ( Heightmap Gradient Matching ) :
目的 ( Purpose ) : 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。
梯度滤波 ( Gradient Filtering ) : 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 ( Binary Edge Maps ) : 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 ( Template Matching ) : 使用非归一化相关系数（non-normalized correlation coefficient）将局部二值 Heightmap（$T$）与先验地图（$I$）进行模板匹配。该指标在局部 Heightmap 不完整时表现更优。 $$R ( x, y ) = sum_{x',y'} left ( T ( x', y' ) - bar{T} right ) cdot left ( I ( x + x', y + y' ) - bar{I}{x,y} right ) $$ 其中，$T$ 是局部二值 Heightmap，$I$ 是先验地图，$bar{T}$ 是局部地图的均值，$bar{I}{x,y}$ 是匹配区域在 $ ( x, y ) $ 处的均值。
高斯模糊 ( Gaussian Blur ) : 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 ( Particle Filter ) :
融合 ( Fusion ) : 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 ( State Maintenance ) : 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 ( Propagation ) : 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 ( Weighting ) : 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 ( Resampling ) : 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 ( Clustering ) : 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。
实验结果 ( Experiments )
该系统在 SPRIN-D 挑战赛中进行了评估，比赛区域包含城市、森林和开阔地带。
评估方法 ( Evaluation Methodology ) : 由于禁止 GNSS，UAV 的真实轨迹通过 VIO 数据结合相机 /LiDAR footage 的手动估计获得（0-5 米精度）。部分测试飞行则有 GNSS 地面真值。
自主 GNSS 拒绝飞行 ( Autonomous GNSS-denied flights ) :
在有 GNSS 地面真值的测试飞行中，即使初始定位误差达 32 米，该方法也能通过观测环境特征（如树木）进行校正，最终将误差减少到约 4 米。
在比赛期间，系统成功完成了多次公里级自主飞行，总定位 RMSE 低于 11 米，而仅靠指南针对齐的 Odometry 的 RMSE 高达 53 米。
飞行任务的终止通常是由于电池限制或硬件问题，而非定位漂移。
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。
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。
比赛结果 ( Results of the competition ) : 在九支参赛队伍中，本系统是唯一一支能够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。
经验教训 ( Lessons learned ) : IMU 和 VIO 相机的机械解耦对 VIO 鲁棒性至关重要；磁力计在建筑物和钢筋混凝土附近不可靠，传感器融合是实现鲁棒自主性的关键；系统整体性能受限于最弱的组件，如局部地图大小限制了飞行速度；快速诊断和部署能力在时间紧迫的场景中至关重要。
结论 ( Conclusions )
本文成功展示了一个用于 GNSS 拒绝环境下可靠长距离 UAV 导航的机载系统。该方法通过在聚类粒子滤波器中利用梯度匹配技术将局部 LiDAR Heightmap 与先验地理数据对齐，有效校正了 Odometry 漂移，并在城市、森林和开阔地带等多种地形中表现出鲁棒性。在 SPRIN-D 挑战赛中，系统在仅 CPU 的硬件上实现了公里级飞行，RMSE 低于 11 米，验证了其在实际场景中的自主运行能力。研究表明，在长距离任务中，从高不确定性时期恢复并重新定位的能力比维持持续低瞬时 RMSE 更为关键。尽管在续航能力和低特征环境操作方面仍存在挑战，但这项工作为开发实际部署所需的弹性 GNSS 拒绝自主系统提供了基础蓝图。
