Uncertainty-Guided Belief World Models for Long-Horizon UAV Navigation under Partial Observability and Visual Degradation
本文提出了不确定性引导的信念世界模型（Uncertainty-Guided Belief World Model, UG-BWM），该框架利用后验协方差和基于集成（ensemble-based）的预测不确定性来引导信念更新并触发选择性重规划，从而在部分可观测和视觉退化的情况下，相比于最先进的基准模型，显著提高了无人机长航时导航的成功率并降低了碰撞率。
原始论文采用 CC BY 4.0 许可（https://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
在城市或森林中驾驶无人机是一项需要不断做出瞬间决策的任务。机器必须看到自己在哪里，预测下一刻会出现在哪里，并避开树木、建筑或其他飞行器。在现实世界中，这很少是容易的。雾气可能悄然而至，太阳可能落入地平线以下，或者相机镜头可能会被弄脏，导致无人机面对的是模糊或不完整的周围景象。当视野不佳时，无人机不能仅仅通过观察地面来做决定；它必须依靠它所记得的内容以及它认为未来可能发生的情况。这就是在部分信息下导航的挑战：机器必须基于对过去的模糊记忆和对未来的猜测来制定计划，同时还要应对不断变化的世界。
研究人员长期以来一直试图利用人工智能来教导无人机处理这些棘手的情况。一种流行的做法是教计算机去想象未来。该系统学习一个简化版的物理世界，使其能够在不到一秒钟的时间内运行数千次心理模拟，以观察哪条路径看起来最安全。然而，当无人机的视觉受损时，会出现一个重大问题。如果摄像机画面质量很差，无人机对自身位置的“记忆”就会变得摇摆不定，而它对未来的“想象”则会变得更加摇摆不定。如果计算机将这些摇摆不定的猜测视为事实，它可能会引导无人机撞向墙壁，因为它自信地想象出了一条并不存在的清晰路径。工程师面临的关键问题是，如何制造出一种既知道自己在猜测，又知道何时停止猜测并开始更仔细思考的无人机。
在一项新的研究中，巴斯拉大学的一位研究人员开发了一种名为“不确定性引导信念世界模型”（Uncertainty-Guided Belief World Model）的系统，旨在解决这个精确的问题。该系统专为长距离任务设计，在这种任务中，无人机必须在从未见过的环境中长时间飞行，且通常是在相机受到雾、黑暗或运动模糊影响的情况下。其核心思想是赋予无人机一种“自我信心感”。系统不仅仅是告诉无人机“左转”，而是告诉它：“左转，但我们只有6able 60%的把握认为这是正确的动作，因为相机画面很模糊。”它将无人机当前对自身位置的认知与其对未来的猜测分离开来。通过这种方式，系统可以区分摄像机的瞬时故障与眼前的真实危险。
研究人员在一个高度真实的计算机模拟中测试了这一新系统，该模拟模拟了真实飞行的物理特性和真实相机的行为。他们将这个新系统与几种其他先进的导航方法进行了对比，其中包括目前被认为是处于顶尖水平的方法。测试非常严格，涵盖了从晴朗阳光到浓雾、运动模糊，甚至包括无人机在没有任何视觉输入的情况下必须飞行数秒的完全黑屏在内的六种不同场景。他们还在不同长度的航线上测试了无人机，从短途跳跃到远超系统大脑中想象时间的长途旅行。
结果显示，新系统在保持无人机安全和航向方面表现得显著更好。在最困难的测试中，即无人机必须在视觉严重受损的情况下穿越未见的障碍物时，新系统的AUC达到了0.63。排名第二的系统仅实现了0.54的AUC。更重要的是，新系统的碰撞率更低，仅为15%，而最接近的竞争对手为20%。此外，它的飞行效率更高，采取的路径更接近理想路线。研究发现，该系统衡量自身不确定性的能力是成功的秘诀。当系统意识到它对未来的心理图景变得不再可靠时，它不会盲目遵循之前的计划，而是暂停自动程序，进行一次全新的、更仔细的计算以寻找新路径。
这种选择性的思考方式带来了巨大的效率提升。系统不需要每一秒都停止并重新计算整个航线。事实上，它仅以0.18的AUC触发了这种额外的、精细的规划。尽管运行这种沉重的计算频率如此之低，它的表现却与每时每刻都尝试重新计算路径的系统一样出色。这意味着无人机可以在保持安全的同时节省大量的计算能力。研究人员还发现，系统判断自身置信度的能力至关重要。当他们强迫系统忽略置信度并表现得好像总是确信无疑时，其性能大幅下降。这证明了知道何时不确定与知道正确答案同样重要。
研究还观察了系统如何处理不同类型的确定性。研究发现，无人机对未来的“猜测”在预测越远的未来时准确度就越低，这是符合预期的。然而，系统的内部不确定性测量准确地传达了这种准确度的下降。即使在观察遥远的未来时，随着预测质量的下降，其置信度得分也会随之降低。这使得系统能够准确知道何时停止信任自己的想象并开始寻找新信息。研究人员指出，当无人机在从未见过的环境中飞行或天气恶劣时，这种方法效果最好，而在这些情况下，标准的导航系统往往会失效。
虽然结果令人鼓舞，但研究人员谨慎地指出，这些发现来自于计算机模拟。虚拟世界虽然详细，但无法完美复制现实中风的混乱性、真实相机传感器的特定特性，或是物理无人机可能发生的突发机械故障。研究表明，这种教导机器理解自身不确定性的方法是向前迈出的有力一步，但它并不是一个能保证在所有现实场景下都绝对安全的万能方案。该系统并没有强制执行一条防止碰撞的硬性、不可打破的规则；相反，它通过在感知到危险时做出更聪明、更谨慎的决策来学习规避风险。
这项工作凸显了我们构建自主机器方式的转变。与其试图制造一台在混乱世界中永远对一切都完全确定的无人机（这几乎是不可能的），不如采用这种新方法，构建一台能够对自身未知之处保持诚实的无人机。通过承认不确定性并利用这种承认来决定何时进行更深入的思考，无人机变得更加具有韧性。研究人员总结道，对于无人机要在现实世界中安全飞行，特别是在恶劣天气或未知地点时，它们需要这种自我意识。他们建议，下一步是将这些系统从计算机中带出来，并在实际的飞行器上进行测试，以观察它们是否能够应对天空真正的不可预测性。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。