⚡ electrical engineering

From Distances to Trajectories: Real-Time Signed Distance Function Mapping and Distance-Accelerated Motion Planning for UAVs

本文提出了一种用于无人机的集成机载系统，该系统通过结合基于神经网络的有符号距离函数（OREN）与距离加速搜索规划器（Bubble $^\star$ ）来协同设计建图与规划，从而实现在复杂环境中进行实时、安全的导航，且与传统方法相比在准确性和速度上均有显著提升。

原作者： Jason Stanley (UC San Diego, La Jolla, USA), Zhirui Dai (UC San Diego, La Jolla, USA), Qihao Qian (UC San Diego, La Jolla, USA), Tzu-Chin Ho (UC San Diego, La Jolla, USA), Tianxing Fan (UC San Diego

发布于 2026-07-22

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jason Stanley (UC San Diego, La Jolla, USA), Zhirui Dai (UC San Diego, La Jolla, USA), Qihao Qian (UC San Diego, La Jolla, USA), Tzu-Chin Ho (UC San Diego, La Jolla, USA), Tianxing Fan (UC San Diego, La Jolla, USA), Siddharth Saha (Shield AI, San Diego, USA), Christopher Barngrover (Shield AI, San Diego, USA), Ki Myung Brian Lee (UC San Diego, La Jolla, USA), Nikolay Atanasov (UC San Diego, La Jolla, USA)

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图教一个机器人如何在杂乱拥挤的房间里飞行而不发生碰撞。为了做到这一点，机器人需要两种超能力。首先是建图（Mapping）：它需要观察世界并构建出一幅关于墙壁、桌子和椅子位置的心理图像。其次是规划（Planning）：它需要观察这幅图像，并计算出一条从 A 点到 B 点的安全路径。长期以来，工程师们一直将这两项工作视为两个独立的任务。机器人会构建一个简单的“是/否”地图（这个点是空的还是满的？），然后尝试在其中规划路径。但这就像是仅凭一份被封锁街道的清单来在城市中导航，却不知道开放道路有多宽，也不知道距离下一个红绿灯还有多远。这种方式既缓慢又笨拙，且经常导致死胡同。

这篇论文旨在解决如何让无人机在未知、杂乱的环境中飞得更聪明、更快速的问题。作者认为，与其将建图和规划视为两个独立的步骤，不如让它们成为共享同一个超级详细的心理模型——符号距离函数（Signed Distance Function, SDF）——的好朋友。请把 SDF 不仅仅看作一张显示物体位置的地图，而是一张能告诉你在空气中的每一个点距离最近的墙壁究竟有多远的地图。如果你距离墙壁一米，地图会显示“1.0”；如果你正接触墙壁，它显示“0”；如果你在墙壁内部，它显示“-1”。通过使用这种富含距离信息的地图，机器人的决策会比仅知道“有墙”或“没墙”时更快、更安全。

研究人员（来自加州大学圣地亚哥分校和 Shield AI 的团队）开发了一种新系统，结合了巧妙的神经网络和搜索算法来实现这一目标。他们将他们的建图工具称为 OREN（八叉树残差网络），将他们的规划工具称为 Bubble⋆。

以下是他们的系统是如何工作的，我们使用了一些生动的类比：

制图师：OREN（带着素描本的艺术家）
想象无人机正在一个黑暗的山洞中飞行。它需要在飞行的同时画出这个山洞。旧的方法试图用由无数微小方块组成的巨大网格来绘制山洞，逐个填充这些方块。这很慢，而且画出来的东西看起来很方块化。其他方法尝试使用一位超级聪明的 AI 艺术家来完美地绘制整个山洞，但那位艺术家动作太慢，且在小型无人机上运行时需要消耗过多的内存。

OREN 就像是一位混合型艺术家。它首先利用一个由方块组成的“骨架”（八叉树）进行快速、粗略的素描，以把握大局。然后，它使用神经网络（一种 AI 类型）在那个素描之上添加精细的细节，比如岩石的纹理或钟乳石的曲线。这使得无人机能够构建出一个平滑、准确且连续的距离地图，即使在高速飞行且计算资源非常有限的情况下也是如此。在测试中，这种方法比旧技术将距离地图的准确度提高了 22%。

规划器：Bubble⋆（充气的气球）
一旦无人机拥有了这张详细的地图，它就需要找到一条路径。传统的规划器（例如著名的 A⋆ 算法）工作起来就像迷宫里的小鼠。它们一次只检查一个微小的方块：“我可以向左移动吗？不行。我可以向右移动吗？可以。”它们必须检查成千上上个这样的微小方块才能找到路径，这需要耗费很长时间。

Bubble⋆ 则不同。它不检查微小的方块，而是利用地图中的距离信息吹起巨大的、隐形的安全气泡。如果无人机站在宽敞的大厅里，气泡就会变得巨大，覆盖整个大厅。如果它在狭窄的走廊里，气泡就会保持较小。随后，规划器会在一个巨大的气泡中心跳跃到下一个气泡中心，跳过了中间所有的空白空间。这就像是在池塘上跳石子，而不是沿着岸边一步步走。

因为这些气泡被保证是没有任何障碍物的（得益于准确的地图），所以规划器不需要在气泡内部进行碰撞检查。这使得规划过程极其迅速。在论文的实验中，旧方法在杂乱环境中寻找路径可能需要长达 10 秒，而 Bubble⋆ 仅用 1 到 3 秒 就找到了跨越约 90 米 的路径。

现实世界测试
团队不仅在计算机上运行了这些想法，还将它们应用到了配备了 Jetson Orin NX 计算机（一种强大但体积很小的芯片）的真实无人机上。无人机在未知的室内环境中自主飞行，完全在无人机自身进行实时建图和路径规划。无人机成功地穿梭于复杂的环路和狭窄空间，并始终与障碍物保持安全距离。

结果表明，通过将智能的、具备距离感知能力的地图（OREN）与利用该距离来“膨胀”安全区域的规划器（Bubble⋆）相结合，无人机可以比以往任何时候都飞得更快、更安全。该系统与标准的基于网格的规划器相比，减少了 91–99% 的碰撞检查次数。这证明了通过正确的工具，即使是资源受限的小型机器人也能处理现实世界中复杂的自主飞行任务。

技术摘要：从距离到轨迹

问题陈述
在未知且充满障碍的环境中进行自主飞行，要求无人驾驶飞行器（UAV）能够同时构建周围环境的几何地图，并规划出安全且符合动力学可行性的轨迹。这些操作必须基于流式传感器数据，在机载端实时完成。传统方法将建图与规划视为两个独立的阶段，通常依赖于用于碰撞检查的二值占据地图（binary occupancy maps）。这种分离丢弃了宝贵的距离和梯度信息，而这些信息本可以加速规划并优化轨迹。此外，现有的符号距离函数（SDF）方法往往无法满足航空自主性的冲突需求：它们要么准确但计算开销巨大（神经方法），要么高效但具有离散性和不可微性（体积法），要么无法在观测表面之外进行良好的外推（高斯过程法）。挑战在于开发一种统一的系统，既能实时重建准确、非截断的 SDF，又能利用这种连续的距离信息在严苛的机载计算约束下实现高效规划。

方法论
作者提出了一种由两个核心组件构成的集成方法：用于建图的 OREN（八叉树残差网络）和用于运动规划的 Bubble⋆。

OREN (建图):
- 架构： OREN 是一种结合了显式几何先验与隐式神经残差的混合模型。它利用一个半稀疏八叉树，其中前 $M$ 层是半稀疏的（创建所有被占用节点的兄弟节点），随后的层则是稀疏的。
- SDF 先验： 每个八叉体顶点存储可学习的 SDF 值（ $d_k$ ）估计及其梯度（ $g_k$ ）。粗略的 SDF 先验 $d_{ga}(v)$ 通过梯度增强的三线性插值计算。该方法利用存储的梯度从顶点外推数值，提供了比标准插值更准确的先验，尤其是在远离表面的区域。
- 神经残差： 为了恢复由于八叉树分辨率限制而丢失的精细几何细节，在八叉体顶点处存储隐式神经特征。多层感知器（MLP）解码器根据这些特征预测残差修正项 $\delta d(v)$ 。
- 占据率与训练： 第二个 MLP 解码器直接根据特征预测占据对数几率（occupancy log-odds）。该占据率预测被用作正则化项，在在线训练期间监督 SDF 的符号，从而提高对传感器噪声的鲁棒性。最终的 SDF 为 $\hat{d}(v) = d_{ga}(v) + \delta d(v)$ 。
- 输出： 该系统生成一个连续、可微、非截断的 SDF 地图，具有低内存占用，适用于从流式点云进行实时更新。
Bubble⋆ (规划):
- 概念： Bubble⋆ 不再将路径搜索与安全走廊构建视为两个阶段，而是将其统一。它利用任何一点处的 SDF 值来定义该点周围的最大无碰撞球体（即“气泡”）。
- 算法： Bubble⋆ 是一种基于搜索的规划器，它在网格上构建气泡图。它通过从 SDF 清洁度值（clearance values）生长气泡来扩展节点。算法将节点与气泡边界上的节点相连。
- 搜索： 使用类似于 A⋆ 的启发式算法，规划器扩展最有希望的节点，并将边界节点作为后继节点。由于气泡代表了一个无碰撞区域，规划器可以跳过中间的网格检查，从而在气泡内有效地执行“任意角度”路径查找。
- 保证： 作者为终止性、完备性（在 $1.5\Delta$ 的温和清洁度假设下）以及失效检测提供了形式化证明。
- 轨迹优化： 一系列重叠的气泡构成了安全走廊。作者使用 MINCO（最小控制）在这一走廊内优化动力学可行的轨迹。优化在参数化方面是无约束的，将无约束变量映射到气泡重叠区域内的路点，确保轨迹在最小化 snap 和持续时间的同时遵守安全约束。

核心贡献

OREN： 一种建图方法，通过将显式八叉树先验与隐式神经修正相结合，实时重建准确、可微、非截断的 SDF。它达到了神经方法的精度，同时具备体积法的内存和运行效率。
Bubble⋆： 一种将路径搜索与安全走廊构建统一起来的基于搜索的运动规划器。它直接从 SDF 查询构建无碰撞球体（气泡）图，并提供终止性、完备性和失效检测的形式化保证。
集成系统： 展示了完整的 OREN-Bubble⋆ 流水线在四旋翼无人机（Jetson Orin NX）上全机载实时运行，并在未见过的室内环境中进行导航。

结果

建图性能： 与基准方法（H2-Mapping, PIN-SLAM, HIO-SDF, Voxblox）相比，OREN 的 SDF 估计平均提高了 22%。在 Newer College 数据集上，其网格重建指标较最佳基准方法平均提高了 43.1%。
规划效率： Bubble⋆ 的表现显著优于基于网格的 A⋆ 以及基于采样的 RRT/RRT⋆ 规划器。
- 碰撞检查： 在 2D 测试中，Bubble⋆ 的碰撞检查次数比 A⋆ 少了 91–99%。
- 规划时间： 在 3D 工业环境中，Bubble⋆ 在 1–3 秒内（总时间约 1.0s）找到了跨度约 90 米的轨迹，而 A⋆ 最多需要 1.2s，RRT⋆ 则需要高达 10s。在森林环境中，Bubble⋆ 在 3.8s 内完成了规划，而 A⋆ 为 4.2s，RRT⋆ 则超过 10s。
- 轨迹质量： Bubble⋆ 生成的路径长度与 RRT⋆ 找到的最短路径相当，但具有更低的跟踪误差（在工业设置中，RRT⋆ 为 0.314 m，而 Bubble⋆ 为 0.291 m）。
真实飞行： 该系统成功在四旋翼无人机上执行了复杂的室内多段环绕轨迹，在保持与障碍物安全间距的同时，以实时频率运行（OREN 约为 7 Hz，规划时间小于 220 ms）。

意义
本文认为，建图与规划应该围绕单一表示进行协同设计：即符号距离函数（SDF）。通过编码到最近障碍物的距离，SDF 提供了比二值占据图更丰富的信息，允许规划器生长出最大无碰撞区域（气泡），而不是逐个检查网格单元。这种方法减轻了碰撞检查的计算负担，加速了规划过程，并为轨迹优化提供了平滑约束。作者证明，这种集成方法使得即使在严苛的机载无人机硬件计算和内存预算下，实现安全、自主飞行也是可行的，填补了高保真隐式建图与高效实时运动规划之间的鸿沟。

类似论文