图灵汇官网

导读

飞行昆虫依靠光流控制技术来实现视觉导航和飞行控制。基于这一原理，机器人专家开发了相应的光流控制算法应用于小型飞行机器人。然而，这一算法在避开障碍物时表现不佳。因此，代尔夫特理工大学的微控实验室研究出一种基于机器学习的算法，使机器人能够根据障碍物的外观预测距离，从而更好地避开障碍物。

光流控制算法与挑战

光流控制算法只需要一个巨大的视觉传感器作为输入信号。然而，与昆虫不同的是，当使用光流控制时，机器人会遇到两个主要问题。首先，光流提供的信息包含了距离和速度的混合数据，在接近障碍物时可能导致振荡。其次，光流几乎不提供障碍物在运动方向上的信息，导致难以提前检测并避开障碍物。

微控实验室的解决方案

代尔夫特理工大学的微控实验室通过机器学习解决了这些问题。在这个过程中，机器人利用自激振荡的方式获取环境中不同距离物体的外观特征。通过机器学习，机器人可以更快、更平稳地着陆，并在复杂环境中更快速、更安全地飞行。

新模型的需求与应用

通常情况下，根据预设的光流控制定律，昆虫在飞行过程中会学习其周围环境的视觉外观，从而不断提升其飞行和导航技能。随着电子设备的小型化趋势，微型飞行机器人得以快速发展，它们不仅能在狭窄的空间中导航，而且成本低廉，可以大规模生产，并且能够在人类周围安全使用。这些机器人还能执行特定环境下的任务，如监测温室内的植物或调查工厂，从而在人类难以到达的地方完成工作。

解决光流算法的问题

为了克服光流算法的两个基本问题，研究人员让机器人学习其周围环境的视觉外观。图示说明了机器人如何解决视觉外观的问题。即使光流算法无法识别某些障碍物，通过调整飞行过程中的控制增益，机器人也可以将视觉外观和大小与距离联系起来。实验表明，当光流控制增益（称为K）适当时，振荡周期中的特定增益值（K'）与到观察对象的距离呈线性关系。

机器学习的应用

通过这种方法，机器人可以在振荡期间感知距离，从而避免振荡，实现即时距离感知。这种机器学习过程不仅改善了光流算法的实用性，还使得机器人在着陆时能更好地设定控制增益，从而实现高效着陆。与传统的声纳或激光高度计技术相比，基于视觉的着陆方法不受高度限制，还能提供更多关于降落地点的信息，如障碍物的位置。

推广与应用前景

此外，所提出的光流算法调整控制增益的方法不仅适用于高效的着陆，还可推广到其他领域，如图像视觉伺服（IBVS）、视觉测距和单眼同时定位与制图（SLAM）等。这些算法同样需要解决控制增益的确定问题。