💻 computer science

AirAlign: Geometry-Aware Relative Pose Alignment for UAV Last-Meter Navigation

AirAlign 是一个几何感知框架，它利用预训练的视觉重建主干网络和场景不相交模型的集成，在视角和外观剧烈变化的情况下，实现无人机最后阶段导航中鲁棒的相对位姿对齐。

原作者： Jinyi Zhou, Shuo Feng, Yufei Wu, Piji Li

发布于 2026-08-25

📖 1 分钟阅读☕ 轻松阅读

原作者： Jinyi Zhou, Shuo Feng, Yufei Wu, Piji Li

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

无人机正逐渐成为天空中常见的景象，承担着从检查输电线路到将包裹送达家门口等各种任务。虽然这些机器擅长利用卫星信号进行长距离飞行以确定位置，但在接近目的地时却显得力不从心。飞行的最后几米是最关键也最困难的阶段。在这个距离范围内，卫星信号往往过于粗糙，无法引导精确着陆，而且无人机观察到的视角与地面目标的视角截然不同。从高空俯瞰时，一栋建筑看起来像是一个扁平的形状，但随着无人机的下降，同一栋建筑会显现出墙壁、窗户和纹理，并随着移动的每一度发生偏移和扭曲。为了安全着陆或抓取物体，无人机必须准确理解其位置和角度与目标之间的关系，这一任务被称为“最后一米”导航。

南京航空航天大学的研究人员开发了一种名为 AirAlign 的新系统来解决这一特定问题。他们的方法侧重于帮助无人机仅通过两张照片——一张由无人机当前位置拍摄，另一张显示其需要到达的目标——来确定其精确的位置和朝向。该系统并非依赖深度摄像头或复杂的 3D 扫描仪等沉重传感器，而是利用单个摄像头和人工智能的力量来解读隐藏在图像中的几何结构。团队训练了他们的模型以识别物体之间的空间关系，使其能够精确计算无人机距离目标的距离以及需要转向的方向。这种能力对于需要与世界进行交互的自主作业至关重要，例如将包裹放置在特定地点或在充电站进行对接，而不仅仅是停留在附近悬停。

他们方法的核心在于教计算机如何从平面图像中“看见”场景的三维结构。他们利用了一个预先存在的 AI 模型，该模型最初设计用于从照片中重建 3D 形状。通过改进这一模型，研究人员使其能够提取描述环境形状和布局的几何特征，而不仅仅是识别存在哪些物体。当无人机捕捉到源图像和目标图像时，系统会分析透视的变化和特征的排列，以确定相对距离和航向。这一过程与以往仅尝试匹配视觉模式的方法不同，后者在视角发生剧烈变化时往往会失效。新系统理解，阴影形状的变化或屋顶线条的缩短意味着无人机在空间中的位置发生了特定的变化。

为了确保系统的鲁棒性且不仅仅是死记硬背训练数据，研究人员采用了严格的测试策略。他们根据所描绘的具体场景将训练图像集划分为不同的组，确保没有任何场景同时出现在训练和测试阶段。他们训练了多个版本的模型，每个模型都从不同的场景集中学习，然后将所有这些模型的预测结果结合起来，形成一个单一的平均答案。这种被称为“集成”（ensemble）的方法有助于平滑误差并提高可靠性。这项工作的成果在一次多媒体无人机技术研讨会上进行的竞赛中得到了测试，在该竞赛中，系统面临着预测图像对之间相对位置和角度的挑战。AirAlign 系统最终得分 0.002790，显著优于 0.633957 的官方基准得分，并在竞争对手中取得了极高的排名。

研究还调查了系统中哪些部分对成功最为重要。他们发现，从图像中提取的几何信息至关重要，并且当系统使用特定数量的训练组而非过多或过少时，表现最为出色。他们发现，预测无人机应面向的方向在很大程度上依赖于对摄像机位姿（pose）的理解，而计算距离则需要摄像机位姿和场景 3D 点图的结合。当他们移除这些特定组件或旨在微调精度的额外数学项时，系统的性能明显下降。这证实了几何感知能力与集成训练方法的结合是他们成功的关键。这项工作表明，通过合适的 AI 工具，无人机可以仅凭一个摄像头和对世界形状的清晰理解，学会如何导航最后这段最微妙的航程。

技术摘要：AirAlign

问题陈述

本文探讨了无人机（UAV）在低空环境下“最后一米”导航的挑战。尽管无人机在基础设施巡检和物流等任务中的应用日益广泛，但最后的接近阶段需要精确的姿态对齐以进行目标交互，而这对于依赖标准 GNSS 的系统来说非常困难。核心难点在于源图像（从远处拍摄）与目标图像（在目标点附近拍摄）之间存在显著的视角和外观变化。这些变化，结合仅使用 RGB 图像而不使用辅助深度传感器的约束，使得恢复两幅视图之间的空间关系和相对位姿（平移和航向）变得极具挑战性。现有的解决方案通常侧重于粗粒度的场景级检索，而非实现安全着陆或操作所需的细粒度几何对齐。

方法论

作者提出了 AirAlign，这是一个用于仅基于 RGB 的相对位姿对齐框架，它利用几何感知特征而非仅仅依赖外观纹理。该方法由三个主要部分组成：

1. 几何感知特征提取

AirAlign 并非从零开始训练模型，而是利用了一个预训练的视觉几何重建模型——特别是 $\pi^3$ [17] 作为其骨干网络。该模型结合了 DINOv2 编码器以及交替的视图内/全局自注意力层，旨在从图像对中预测几何表示。

特征解码： 骨干网络处理源-目标图像对以生成隐藏的几何特征。随后，这些特征被传递给两个专门的解码器：相机姿态解码器和 3D 点图解码器。
表示形式： 系统将来自源图像和目标图像的特征进行拼接，形成对级表示（ $f_{cam}$ 和 $f_{pts}$ ），用以编码相对空间关系。

2. 特定任务预测头

$\pi^3$ 模型原始的输出头被替换为两个轻量级的多层感知器（MLP），用于预测相对位姿：

航向预测： 该预测头仅以相机姿态特征（ $f_{cam}$ ）作为输入。它输出一个 2D 单位方向向量来表示相对角度，从而避免了直接回归角度的复杂性。
平移预测： 该预测头利用相机姿态特征（ $f_{cam}$ ）和点图特征（ $f_{pts}$ ）来捕捉全面的几何信息。它通过 sigmoid 激活函数输出一个归一化的平移向量。

3. 训练策略与集成推理

为了最大化利用有限的训练数据并提高鲁棒性，作者采用了场景不相交交叉验证（scene-disjoint cross-validation）策略：

折叠（Folding）： 将训练集划分为多个不重叠的场景折叠（例如 5 折）。
训练与选择： 独立训练多个模型，其中每一折在作为验证集的同时，其余折用于训练模型。根据最低验证得分选出每一轮中的最佳检查点。
集成： 在推理过程中，所有选定模型的预测结果会被取平均值。航向向量经过平均后转换回角度，而归一化的平移向量经过平均后进行反归一化，从而形成最终的集成输出。

核心贡献

本文概述了三个主要贡献：

AirAlign 框架： 一种新型的图像对相对位姿对齐框架，专为无人机“最后一米”导航设计，利用预训练的视觉几何重建模型来实现细粒度的位姿估计。
场景不相交集成策略： 一种训练方法，通过将数据集拆分为场景不相交的折叠进行交叉验证和模型选择，随后通过集成推理过程来增强鲁棒性。
实证验证： 通过在 PairUAV 挑战赛测试集上的强劲表现以及验证各组件（折叠策略、辅助损失、特征输入）必要性的全面消融研究，证明了该框架的有效性。

实验结果

该方法在 ACMMM 2026 无人机多媒体工作坊的 PairUAV 挑战赛上进行了评估。评估指标包括距离相对误差、角度相对误差以及综合评分。

性能： AirAlign 取得了 0.002790 的最终得分，在排行榜上排名 第 6。
对比： 这一结果显著优于官方基准得分 0.633957。
消融研究：
- 折叠数量： 5 折集成 yielded 了最佳结果（0.002790），优于 3 折（0.004239）和 7 折（0.003883）设置，表明在模型多样性与验证场景覆盖范围之间存在最佳平衡。
- 辅助损失： 去除相对角度损失会导致角度误差增加约 0.0012，而去除相对距离损失会导致距离误差增加约 0.0088，这证实了这些辅助项的价值。
- 特征输入： 研究表明，航向预测主要依赖于相机姿态特征（加入点图特征反而降低了性能），而平移预测则显著受益于相机姿态和点图特征的结合。

意义与主张

本文声称 AirAlign 通过利用预训练骨干网络显式建模 3D 几何关系，有效地解决了现有基于检索的方法的局限性。通过专注于“最后一米”阶段，该工作为 GNSS 不足且细粒度对齐对于安全和任务成功至关重要的场景提供了解决方案。作者断言，其场景不相交集成策略和几何感知特征提取是实现复杂视角变化下鲁棒性能的关键因素，这一点从其在挑战赛中的高排名中得到了证实。这项工作被视为推动无人机在复杂的低空环境下，仅使用标准 RGB 图像即可执行精确交互的务实步骤。