上海交通大学的研究人员在无人机自主导航领域取得重大突破，提出了一种受昆虫飞行能力启发的新方法，相关成果发表于《自然机器智能》杂志。

目前，无人机虽应用广泛，但多数需人工操作，且在杂乱、拥挤或未知环境中飞行时易碰撞，依赖昂贵笨重组件。而上海交大研究团队提出的新方法，可使多架无人机在高速移动时自主导航复杂环境。

该研究受苍蝇等微小昆虫飞行能力启发，旨在复制其高水平的飞行控制，这需要紧密集成的感知、规划和控制，且依靠有限机载计算运行。传统控制多架无人机飞行的计算方法，将自主导航任务分解为多个独立模块，易导致误差累积和响应延迟，增加碰撞风险。

为此，研究团队探索轻量级人工神经网络(ANN)，用紧凑的端到端策略取代经典流程。新系统依赖新开发的轻量级人工神经网络，能基于12x16超低分辨率深度图为四旋翼飞行器生成控制指令，虽输入分辨率低，但足以让网络理解环境并规划动作。该网络在定制模拟器中训练，训练过程高效，支持单智能体和多智能体训练模式。

新方法的关键优势在于依赖高度紧凑、轻量级的深度神经网络，仅有三个卷积层。研究人员在售价21美元的嵌入式计算板上测试，发现其运行流畅且节能。训练仅需2小时，系统还支持多机器人导航，无需集中规划或显式通信，可实现可扩展部署。

研究团队发现，将四旋翼飞行器的物理模型直接嵌入训练过程，可显著提高训练效率和实际性能。这项研究挑战了“数据越多越好”的假设，表明结构对齐和嵌入的物理先验可能比纯粹的数据量更重要。

未来，该方法可应用于更多类型飞行器，拓展超轻型无人机执行能力，如自动自拍、参加竞速比赛，还可用于体育赛事转播、搜救行动和仓库检查等。目前，研究团队正在探索使用光流代替深度图实现完全自主飞行，并追求端到端学习系统的可解释性，进一步阐明网络内部表征，为理解昆虫行为提供见解。

更多信息： 通过可微分物理学习基于视觉的敏捷飞行。《自然机器智能》(2025)。