Kilometer-Scale 千米级低空地形匹配：ICRA 2026 无人机 GNSS 拒止长航导航系统解析

ICRA 2026 | 无人机导航 | GNSS 拒止 | 地形匹配 | 高程图梯度 | 粒子滤波 | 纯 CPU 嵌入式

基础信息

• 论文全称：Kilometer-Scale GNSS-Denied UAV Navigation via Heightmap Gradients
• 会议：ICRA 2026（机器人顶会）
• 团队：捷克理工大学 多机器人系统实验室（CTU MRS，国际知名无人机研发团队）
• 背景：德国 SPRIN-D Funke 全自主飞行挑战赛夺冠方案
• 核心场景：25 米以下低空、9 千米超长航，无 GNSS、无稠密离线地图，纯 CPU 实时运行
• 开源状态：依托 MRS UAV 开源框架（ROS2），完整工程、仿真环境、硬件驱动全部开源
• 论文链接：https://arxiv.org/pdf/2510.01348v2
• 开源仓库：https://github.com/ctu-mrs/mrs_uav_system

一、前言

在电磁干扰、战场环境、城市峡谷等场景中，GNSS 信号极易失效，而传统视觉定位、视觉惯性里程计（VIO）存在长距离累计漂移问题，无法支撑数千米级低空无人机自主飞行。传统地形辅助导航（TRN）依赖绝对高程值匹配，易受气压计噪声、地面坡度、局部遮挡影响，且大多需要高密度三维地图，部署成本高、算力开销大。

针对9km 超长航、25 米超低空、无 GNSS、无稠密离线地图 的极限挑战，捷克理工大学 MRS 团队在 ICRA 2026 提出一套基于高程图梯度的地形匹配 + 聚类粒子滤波 完整机载导航系统。该方案摒弃绝对高程匹配，以地形梯度作为核心特征，结合轻量化局部高程图构建、分层搜索与粒子滤波融合，实现纯 CPU 实时运行，成功在城市、森林、旷野混合地形中完成 9 千米航点导航。

本文将从研究背景、系统整体架构、核心算法、公式推导、实验结果、模块拆解、工程落地、同类对比全维度解析，同时区分传统地形匹配与本方案的差异，配套可复用公式与工程实践建议。

二、研究背景与核心痛点

2.1 应用场景

面向25 米以下超低空 无人机长航自主导航，覆盖城市建筑群、连片森林、开阔田野等混合地形，应用于应急巡检、边境巡逻、战场自主飞行、长距离物资投送等 GNSS 拒止场景。任务硬性指标：飞行距离9km、全程无 GNSS、不依赖预先构建的稠密点云地图、机载纯 CPU 运行。

2.2 现有技术瓶颈

1. 传统绝对高程匹配鲁棒性差 经典 TERCOM、SITAN 等地形匹配算法依赖绝对海拔高度，无人机气压计存在高频噪声，低空地形起伏、植被遮挡会直接导致高程观测失效，匹配正确率断崖式下跌。
2. VIO / 里程计长距离漂移严重 视觉、激光里程计短时间定位精度高，但 9km 超长轨迹下累计漂移可达数百米，无法单独完成航点导航。
3. 稠密地图依赖部署成本高 主流 3D 配准方案需要提前采集、构建全局稠密点云，大范围野外场景无法提前建图，实用性受限。
4. 算力约束严苛 低空无人机多为轻量嵌入式平台，无 GPU 加速，传统迭代配准、全局遍历匹配算法无法满足实时性。

2.3 核心设计思路

1. 特征革新 ：放弃绝对高程，采用高程图梯度作为地形特征，消除气压噪声、地面坡度带来的垂直偏移影响；
2. 轻量化建图 ：机载 LiDAR 实时构建局部高程图（30~60m 范围），仅搭配全局稀疏 DEM 数字高程图（公开地理数据即可），无需稠密地图；
3. 分层模板匹配：由粗到细分层检索，缩小匹配范围，降低全局遍历的计算量；
4. 聚类粒子滤波融合：将地形匹配观测与无人机里程计紧耦合，抑制长距离漂移，同时用聚类优化粒子分布，提升滤波效率；
5. 全 CPU 轻量化设计：整套感知、匹配、融合、控制流水线适配嵌入式 ARM 平台，无 GPU 依赖。

三、系统整体架构与符号定义

3.1 整体流水线（机载端全链路）

核心逻辑：局部实时地形特征 + 全局稀疏 DEM 先验做跨图匹配，匹配结果作为观测修正里程计漂移，粒子滤波完成多源状态融合，形成闭环导航。

3.2 基础符号定义

四、核心模块详解

整套系统分为 局部高程图构建、高程梯度提取、分层模板匹配、聚类粒子滤波融合 四大核心模块，以下按数据流顺序拆解，公式均复刻论文原文，区分工程通用补充项。

4.1 模块一：机载局部高程图构建

无人机通过 LiDAR 扫描生成局部占据栅格地图（OctoMap），进一步插值生成规则网格局部高程图 Hl​。

1. 栅格高程取值：取每个网格内所有点的平均高程，滤除单点噪声；
2. 局部地图尺寸：固定边长 30~60m（根据机载算力动态调整）；
3. 航向对齐：借助机载罗盘将局部高程图与地理北向对齐，保证和全局 DEM 坐标系一致。

设计亮点：局部地图范围小、更新快，保证实时性；仅依赖公开稀疏 DEM，无需野外预建图。

4.2 模块二：高程图梯度提取（核心特征）

这是本方案区别于传统 TERCOM 的最大创新 。传统算法比对绝对高程 h，本方案改用空间梯度，彻底规避垂直方向噪声与偏移。

4.2.1 二维高程梯度公式

对于高程图中任意网格点 (u,v)，水平、竖直方向梯度：

梯度幅值（地形变化强度）：

4.2.2 梯度掩码（噪声过滤）

论文设置梯度阈值，仅保留显著地形特征，过滤平地、植被等弱梯度噪声：

• τg：梯度阈值（论文固定超参数，过滤微小地形波动）；
• I(⋅)：指示函数，满足条件则保留梯度，否则置 0。

最终得到有效梯度特征图 ∇∗H，作为后续匹配的唯一特征。

4.3 模块三：分层梯度模板匹配

采用由粗到细两层模板匹配 ，先大范围粗搜缩小区域，再局部精匹配，平衡检索速度与精度。匹配准则为梯度特征归一化互相关（NCC）。

4.3.1 归一化互相关（NCC）匹配得分

用于衡量局部梯度图与全局 DEM 梯度图的相似度，得分越高匹配效果越好：

• (Δu,Δv)：全局 DEM 上的模板滑动偏移量；
• 得分范围 −1,1，最大值对应最优匹配位置

4.3.2 分层匹配流程

1. 粗匹配层：低分辨率下全局滑动搜索，筛选 Top-K 高得分候选区域，剔除大部分无关区域；
2. 精匹配层：在候选区域内使用原始分辨率精细遍历，输出最优匹配位置 zmatch；
3. 输出：地形匹配得到的无人机全局位置观测。

优势：相比全局暴力遍历，分层搜索计算量下降一个数量级，纯 CPU 可实时运行。

4.4 模块四：聚类粒子滤波（多源融合核心）

系统采用粒子滤波 融合「里程计相对运动」与「地形匹配绝对观测」，同时引入粒子聚类优化粒子分布，解决传统粒子滤波粒子冗余、计算量大的问题。

4.4.1 粒子状态定义

单个粒子存储无人机平面位姿（二维位置 + 航向）：

• x,y：平面全局坐标；θ：航向角。

4.4.2 预测步（里程计递推）

基于里程计观测，对所有粒子做状态传播，模拟无人机运动：

• f(⋅)：无人机运动模型；ξ：过程噪声（高斯噪声）；
• xi−：预测状态；xi+：上一时刻后验状态。

4.4.3 更新步（地形匹配观测修正）

用地形匹配得分作为粒子权重，更新粒子置信度：

• p(⋅)：观测似然，由模板匹配得分映射得到；
• 匹配越准确的粒子，权重越大。

4.4.4 粒子聚类优化（创新点）

传统粒子滤波粒子分散、数量庞大，该算法对高权重粒子做聚类降维：

1. 提取所有高权重粒子，划分 Nc 个聚类中心；
2. 以聚类中心作为有效状态假设，替代海量离散粒子；
3. 仅对聚类区域做重采样，大幅降低运算开销。

4.4.5 后验状态输出

对加权 / 聚类后的粒子做统计，输出无人机全局最优位姿：

4.5 全系统时序逻辑总结

1. 实时 LiDAR 建图 → 生成局部高程图；
2. 提取梯度特征 + 噪声过滤；
3. 分层 NCC 模板匹配，得到绝对位置观测；
4. 里程计完成粒子状态预测；
5. 地形观测更新粒子权重 + 聚类优化；
6. 输出全局位姿，反馈给规划与控制模块。

五、数据集与实验配置

5.1 实验场景与任务

• 飞行高度：25 米以下（超低空）
• 总航程：9 km 连续航点飞行
• 地形类型：城市建筑、茂密森林、开阔田野混合复杂地形
• 硬件平台：纯 CPU 嵌入式无人机（无 GPU），搭载 Livox Mid-360 LiDAR + 惯性里程计

5.2 对比基线

1. 纯 LiDAR 里程计（无地形匹配）；
2. 传统 TERCOM 绝对高程匹配；
3. 标准粒子滤波（无聚类）+ 地形匹配。

5.3 核心实验结果

5.3.1 漂移抑制能力（核心指标）

方案	9km 总位置漂移	全程稳定性
纯里程计	> 600 m	严重漂移，航点丢失
传统 TERCOM（绝对高程）	180 m	森林 / 区域频繁匹配失效
标准粒子滤波 + 梯度匹配	42 m	基本稳定，算力偏高
本文聚类粒子滤波 + 梯度匹配	27 m	全程稳定，全地形适配

5.3.2 实时性（纯 CPU 平台）

• 单帧全链路耗时：< 40 ms；
• 整体帧率：>25 FPS，满足无人机飞行控制实时要求。

5.3.3 地形适应性

1. 开阔田野：梯度特征弱，依靠里程计为主，漂移可控；
2. 山地 / 建筑区：梯度特征丰富，匹配精度最高；
3. 连片森林：植被遮挡下，梯度仍优于绝对高程，无匹配失效。

5.4 消融实验关键结论

1. 梯度特征 vs 绝对高程：梯度特征在植被、坡度场景下，匹配成功率提升 47%；
2. 粒子聚类：粒子数量减少 60%，计算量下降 52%，精度无明显损失；
3. 分层匹配：相比全局遍历，检索耗时降低 61%。

六、算法核心优势与现存局限

6.1 核心优势（工程落地亮点）

1. 彻底解决高程噪声问题 放弃易受气压计、植被、坡度干扰的绝对高程，使用地形梯度作为特征，低空复杂地形鲁棒性大幅提升。
2. 地图依赖极低 仅需要公开全局稀疏 DEM 高程图，无需野外预建稠密点云，大范围部署零建图成本。
3. 超长航抗漂移 9km 千米级航程总漂移仅 27m，远优于纯里程计与传统地形匹配，满足长距离航点任务。
4. 纯 CPU 轻量化 分层匹配 + 粒子聚类双重优化，无 GPU 也能实时运行，适配绝大多数消费级 / 工业级低空无人机。
5. 全开源生态完善 基于成熟 MRS UAV（ROS2）框架，仿真、硬件、驱动、算法代码全部开源，复现与二次开发门槛极低。

6.2 现存局限性

1. 平坦区域性能下降 完全平坦的平原、湖面梯度特征趋近于 0，匹配失效，此时完全依赖里程计短时约束。
2. 依赖 LiDAR 传感器 方案以激光雷达为主要感知，纯视觉无人机无法直接复用。
3. 航向依赖罗盘 高程图匹配主要解算平面位置，航向角依赖机载罗盘，罗盘误差会小幅影响匹配精度。
4. 极端突变地形受限 断崖、人工陡坎等突变地形易产生梯度异常值，需额外阈值过滤。

七、工程落地与复现指南

7.1 环境与依赖

# 基础环境
Ubuntu 20.04 / 22.04 + ROS 2 Humble
# 依赖库
OctoMap（占据栅格建图）、PCL（点云处理）、OpenCV、Eigen、粒子滤波工具库
# 拉取官方开源框架
git clone https://github.com/ctu-mrs/mrs_uav_system
cd mrs_uav_system
# 编译（支持仿真+真机双模式）
colcon build

7.2 复现步骤

1. 数据准备 下载目标区域公开稀疏 DEM 高程数据（地理信息平台免费获取），完成地理配准；
2. 仿真测试 启动 MRS 仿真环境，加载 LiDAR 仿真插件、DEM 地图，运行地形匹配 + 滤波节点；
3. 真机部署 搭载 Livox / 主流 LiDAR、IMU、罗盘，标定传感器外参；
4. 参数调优 调整梯度阈值 τg、粒子数量、聚类中心数，适配当地地形；
5. 全链路联调：定位输出 → 航迹规划 → 飞行控制。

7.3 落地优化技巧

1. 动态梯度阈值：平坦区域降低阈值，山地提升阈值，自适应特征提取；
2. 粒子数量动态调整：特征丰富区减少粒子，平坦区适当增加；
3. 多模融合补充：搭配单目视觉景象匹配，平坦区域做辅助观测；
4. DEM 分块加载：大范围航线对 DEM 分块加载，降低机载内存占用。

八、总结与领域技术趋势

1 方案总结

该 ICRA 2026 千米级地形匹配系统是面向超长航低空无人机 GNSS 拒止导航的工程级方案 。核心创新在于用高程梯度替代传统绝对高程，从根源解决气压噪声、植被遮挡等行业痛点；结合分层模板匹配与聚类粒子滤波，在保证定位精度的同时，实现纯 CPU 轻量化运行。

整套系统不依赖稠密离线地图，仅使用公开稀疏 DEM，部署成本极低，在森林、山地、城市混合地形中表现稳定，是目前9km 及以上千米级长航无人机导航的最优落地方案之一。依托完整开源 ROS2 框架，二次开发、硬件移植难度小。