时速40公里的无人机并不罕见。但是你可以以这样的速度穿梭在茂密的森林中，或者“自己走”，你见过吗？
如此高超的避障飞行，不是人类用手柄操作的，而是靠无人机的“自我管理意识”。
即使遇到移动的障碍物，只要比这架无人机慢，就能避开。
这款自主避障无人机由苏黎世大学和英特尔联合研发。
具体来说，使用立体深度相机作为眼睛，使无人机能够看到障碍物并规划其飞行路径。
有了不同性能的摄像头，还可以独立完成不同的任务。
比如为了避免迎面而来的篮球，比如这个：
完成被称为无人机杂技的艰难飞行路线不成问题。
这么灵活的无人机是怎么教出来的？
一对一无人机避障学习。
传统的无人机自主避障飞行一般采用信息处理-地图制作-路径规划的处理模式。
但由于无人机搭载的芯片性能有限，如果信息处理不及时，无人机可能会撞上障碍物，引发事故。
为了提高信息处理的速度，最好将这三个步骤合二为一，通过机器学习完成从输入到输出的映射。
具体来说，从传感器信息直接输入到航迹输出，这种处理方法比传统方法要快得多。
如上表所示，与传统的快速规划和反应式路径规划方法相比，该算法所需的处理时间更短。虽然Reactive的处理速度也很快，但在高速飞行时性能较差。
那么，无人机如何从传感器输入直接映射到飞行路径输出呢？
这里使用卷积网络来模拟训练。
仿真中的神经网络训练使用“专家控制器”，在仿真训练中可以利用三维点云精确估计环境状态和无人机的四旋翼状态。
由于模拟训练没有时间限制，“专家控制器”可以更充分地自行训练端到端策略。
控制器中还采用了Metropolis-Hastings算法计算轨迹分布，得到多模式导航方案。
在此过程中，端到端策略培训如下图所示。
训练有素的“专家控制器”将在现实中教授无人机上的“学生控制器”。
当“学生控制器”与“专家控制器”一起飞行时，所使用的传感器输入被抽象化，以模拟现实世界中不准确的环境数据。
传感器输入的真实图像数据将被抽象处理成与仿真环境一致的数据，从而在现实中完成训练轨迹的映射。
在大雪纷飞、列车脱轨、废墟、植被茂密、建筑物倒塌的场景下，无人机实现了自主穿越。
对于运动模糊、传感器噪声和其他感知伪像，无人机也可以轻松处理。
能征服森林的无人机也有自己的“禁区”。
当然，目前这款无人机的性能并不完美。
模拟系统不可能完全复制到现实世界，现实中总会出现一些无法模拟的突发事件。
例如，在低照度和其他影响视觉的环境条件下，相机感知将受到限制。例如，在雾霾天气和具有透明或反射表面的情况下，无人机无法准确避开障碍物。
专家训练不包括动态避障，因此高速运动物体仍将是无人机的主要威胁因素。
对于性能优化，研究人员指出：
只需要用事件摄像头代替传统的摄像头，这些视觉上的限制都可以克服。
能够更快处理环境信息的传感器将是未来高速无人机的配置方向。
与此同时，相关专家也提到，现实世界也可能成为训练无人机的地方。
随着传感器功能和计算机能力的提高，无人机在更复杂环境下的飞行速度将很快超过40公里/小时。
点击打开参考链接：
