与地面上行驶的车辆定位不同，无人机的位置必须用x，y和z三个坐标才能确定，而且还有一个飞行姿态的问题，一般用偏航角（yaw）、滚转角（roll）和仰俯角（pitch）来描述（图1）。不同的机型、执行器配置的差异和尺寸大小不同，用于维持位置和姿态的控制算法也要相应发生变化。在空中飞行的无人机一般利用惯性测量装置（IMU）进行持续监测，并与三轴加速计，陀螺仪和全球定位系统（GPS）的数据进行整合。该技术主要是让无人机能自动感受运动，现已大量用于休闲或专业小型无人机上。由于无人机的轨迹是三维定位，也就使得无人机不能完全依靠GPS信息按预定路线飞行。首先，GPS对高度定位是不太准确的，特别当飞机飞离地面，高度持续发生变化时，GPS所获取的定位信息更是误差较大。另外，许多地方，比如城市、森林或建筑物一般并不能获得可靠的GPS卫星信号；即使有可靠的GPS信号，为了制定无障碍的飞行路线，还必须结合精确的测绘地图。显然，汽车导航系统中的城市数字地图对于无人机来说几乎没有什么用，因为这样的地图是根据地面道路整理的，并不包括三维信息（自然结构体、建筑物、桥梁、电缆、电线杆等的高度），也不可能捕获到地面景观高度的任何变化。因此，要实现小型无人机在低空的自主飞行，更重要的是复杂的自主控制系统和额外的传感器，GPS只是起辅助作用。

图1 无人机坐标系统

 于是，人们对小型自主无人机的大多努力，主要集中在实现自主反应上。无人机只有不断探测周边环境障碍物的距离，才能获得更安全和稳定的飞行轨迹。在这个问题上，仿生学又开始发挥其独特的魅力了。人们对依靠视觉的昆虫进行了数十年的神经行为学（neuroethology）研究，获得了许多认识。但如何将这些认识转化为制造轻量级传感器的简单控制算法，却并非容易！昆虫视觉依赖于复眼，这是由指向不同方向的视觉感受器所组成的，优点是视野非常大；但复眼只有定焦，分辨率低，与人眼相比，双目重叠率低，因此无法采用立体视觉来进行距离判定（当然，在近景时也许有一些效果）。昆虫为了完成在复杂环境中的安全飞行，是依靠影像的移动来判定周边环境的相对位移（也称为视觉流）。实验结果表明，昆虫的神经系统对视觉流模式发生反应，可产生各种各样的飞行运动，如避障、速度维护、测距、沿墙跟踪和走廊定心、高度监控、定向控制和着陆。在平移运动中，视觉流强度与物体的距离成比例，而在旋转运动时与转动速度没有比例关系。视觉流强度还取决于运动速度以及与障碍物之间的距离，这个两个参数，已知一个则可计算另一个，而昆虫必须同时估算这两个参数，它们是如何做到的呢？

在地面车辆中，一般采用声纳、红外和激光测距仪等距离传感器测距，但这种测量需要主动向周边环境发射能量。而利用视景技术（Vision）则对小型无人机来说可能更是一种很有前途的传感器形式，由于是接受被动光，不需要主动向环境发射能量，在相同条件下还可以收集更丰富的信息，视野也变得更宽。大多昆虫是依靠视觉的，其功能被挖掘后已在小型无人机中仿制出来。例如，小型固翼机和直升机可利用腹侧视觉流调节与地面之间的距离。其间，GPS用于维持恒定的速度，IMU用于调节滚转角，横向视觉流传感器还能让固翼机检测近地面的一些障碍，这些视觉流也可同时用于执行无碰撞的导航，或者在没有GPS条件下的高度控制。在这些无人机中，滚转角是由水平方向的视觉流控制的，仰俯角是由垂直方向的视觉流控制的，而地面速度是则由风速传感器测量和维持。在沿直线向前飞行时，旋转视觉流是最少的，在遇到急转弯时，这种状况会暂时中断，只能采用机载陀螺仪进行估算并从总的视觉流中减去。有人根据生物模型的启示提出了仿生控制法，根本不需要采用什么专用传感器来测量绝对速度，从而消除了一个可能的误差来源。这些方法包括：不断调整飞行速度和高度而维持稳定的视觉流信号。高度控制和着陆是在腹侧视觉流中增加负反馈，包括调节仰俯角的控制面或推力。后一种方法对移动平台的高度控制和降落也是很有效的，在使用时要结合横向视觉流和横向推力，这就是模仿了蜜蜂在室内的飞行轨迹。然而，到目前为止，这个方法只是在有绳无人机上得到验证。对一个装备了全视景的四轴飞行器进行误差修正，让其在廊道中飞行，必须持续进行校正，减少实测视觉流与估算视觉流之间的差异，这里的估算视觉流是根据指定高度、飞行姿态、速度、航向和与墙壁之间的距离来计算的。四轴飞行器或扑翼无人机并不稳定，必须补偿陀螺仪和加速度计信号噪声所产生的位置漂移，才能悬停在某一位置并维护高度。这说明，测定视觉流方向可降低惯性传感器信号的不确定性。大视场光学传感器就是受昆虫单眼的启示而设计出来的，已用于扑翼机和四轴飞行器的姿态稳定中。

无人机对宽视野视觉流高时频的需求，推动了仿生昆虫视觉传感器的发展。现在这些传感器已变得更小、更轻，速度比传统单镜头相机还要快。有人利用光学鼠标中廉价的视觉流传感器，也有人专门开发神经形态芯片，不仅可以提取视觉流，还可以适应各种的光强。同样，专业的微型视觉流传感器也开始用于<1g的飞行机器人中。现在，我们对新型无人的描述可以是：微型、可走曲线、人工复合眼并具有高密度感光器、大视野且计算性能类似于昆虫眼睛。

无人机的主动自主权还包括协调多架无人机的飞行，这对传感、通信和控制方面提出了更高的要求。人们也希望从昆虫的协调飞行中找到灵感，但遗憾的是，人们目前对昆虫在这方面的传感和控制知之甚少。有限的研究表明，欧椋鸟群的凝聚力，是鸟类个体根据拓扑空间（非度量空间）定义的少量最邻个体来调整其轨迹。鸽群会遵循一定的等级结构，它们会跟踪和复制有经验鸽子的轨迹。于是，鸟群结队的计算模型是基于三个简单行为规则的结果，即来自最邻个体的排斥，向远邻的移动以及维持队列的相邻个体的平均速度。显然，这些规则也可用于有等级结构的鸟群中，而不用再额外增加什么其他的信号传递方式。虽然鸟类感知其他鸟类的存在是非常容易的事儿，但要让无人机感知其他的无人机位置却是非常有挑战性的。在室内环境中，红外线双向通讯用于近距离检测的技术已经非常成熟，但这种只有数米范围短距离应用不可能用于户外环境。因此，目前能在室外应用的多架无人机的协调飞行主要还是依赖相邻无人机GPS坐标的无线电通信。另外，感知相邻无人机引擎所发出的声音方向和强度，在夜间或在大雾天气可以补充或取代视觉线索的不足。

让无人机具有认知自主性，会涉及到在地面车辆导航中研究了数十年的统计学方法，如视觉测程法和同步定位与实时测绘。四轴飞行器采用单眼视觉，结合已有测绘制图分析障碍物，这样的试验大体是成功的；立体视觉可以提供深度信息，用于4g重量的扑翼飞行器中，可主动避免障碍；在较大的四轴飞行器上，不管是同步定位与测绘，还是高度控制，都需要装备两套立体相机，一套指向前方，一套指向下方。同步定位和测绘算法可结合视觉流方法来估计与周边环境的距离并稳定无人机的状态。另外，这种用于认知自主性的统计方法是建立在高分辨率数码相机基础上，只有能提供密集的数据点云和大计算量算法，才能减少不确定性。因此，认知自主性需要更重的传感器有效载荷和更强的计算单元，这或许可以解释为什么到目前为止小型无人机进展缓慢，同时能进行定位、测绘和路径规划功能的无人机目前也只是在悬停平台（具有相对较大的总质量，但续航能力有限）中得到应用。

参考资料：

[1] Floreano D. & Wood RJ. , 2015. Science, technology and the future of small autonomous drones. Nature, 2015-05-28, 521: 460-466.