「一个躲得快，一个定得准」
目录
[01 【论文1】OmniRisk: Omnidirectional Trajectory‑Risk Learning for Agile Quadrotor Dynamic Avoidance](#01 【论文1】OmniRisk: Omnidirectional Trajectory‑Risk Learning for Agile Quadrotor Dynamic Avoidance)
[1.1 统一规划输入张量](#1.1 统一规划输入张量)
[1.2 非对称动态风险场](#1.2 非对称动态风险场)
[1.3 双分支环形卷积网络](#1.3 双分支环形卷积网络)
[1.4 机载异步流水线](#1.4 机载异步流水线)
[02 【论文2】TIO‑Former: Ultra‑Lightweight 6‑Directional ToF‑Inertial Odometry for Nano‑UAVs via a Streaming Causal Transformer](#02 【论文2】TIO‑Former: Ultra‑Lightweight 6‑Directional ToF‑Inertial Odometry for Nano‑UAVs via a Streaming Causal Transformer)
[03 结语](#03 结语)
轻量化无相机纳米无人机定位、高速度动态障碍物机载避障，是微型自主无人机走向真实应用的两大硬核卡点。
浙大联合微分智飞近期放出两篇论文，分别瞄准这两个工程痛点：
OmniRisk 主打复杂度解耦的离线蒸馏轨迹风险学习，让四旋翼可以机载处理最高 15 m/s 相对速度的动态障碍物规避；TIO‑Former 主打无相机、无光流、无地图的纳米无人机 6 自由度里程计，在 15g 超轻 ToF 传感器硬件上实现长时稳定位姿估计。
两篇工作一个解决 "如何躲开高速飞来的物体"，一个解决 "我在哪"，分别从运动规划、感知定位两个关键模块补齐微型敏捷无人机自主飞行能力，两套方案全部完成真机部署，面向重量、算力极度受限的机载边缘硬件做深度适配。
01 【论文1】OmniRisk: Omnidirectional Trajectory‑Risk Learning for Agile Quadrotor Dynamic Avoidance
亮点：离线蒸馏轨迹风险，规避规划耗时随动态障碍物数量膨胀，实现无人机机载高速动态避障
一、研究方法
敏捷四旋翼躲避高速运动障碍物的核心痛点在于机载规划的时间预算十分紧张。传统在线数值规划存在两难：做完整时空安全约束校验，计算耗时会随着动态障碍物数量同步上涨，容易超时；轻量化单轨迹局部优化虽然速度快，但在密集高速障碍物场景，避障成功率会大幅下滑。
OmniRisk把轨迹‑风险的繁重评估从机载飞行循环迁移到离线仿真蒸馏阶段，机载仅执行一次网络前向推理，规划计算开销与障碍物数量解耦。
图| 真实世界静态‑动态避障试验：被抛掷球体横穿布满岩石静态障碍物的四旋翼飞行路线；轨迹按照飞行时间上色，小插图标记最近接近距离
整套系统分为离线训练、机载在线运行两大阶段。离线仿真采样大量障碍物交会场景，计算非对称动态风险场，监督训练双分支环形卷积网络；机载端将激光雷达观测统一编码为固定维度规划输入张量，网络一次性对全部36条候选运动基元打分，选出综合代价最低的轨迹，解析重构出五次多项式最小冲击轨迹，交由SO(3)跟踪控制器执行。
1.1 统一规划输入张量
把球面度量距离全景、二值动态掩码、笛卡尔表面速度三通道拼接成固定尺寸张量。激光点云投影球面生成距离全景，时序补全解决扫描式激光雷达稀疏问题；动态检测结果投影生成动态掩码与速度通道；仿真训练时加入掩码噪声扰动，提升域迁移能力，张量尺寸不会随障碍物多少发生变化。
图| 系统架构图
1.2 非对称动态风险场
构造和障碍物速度对齐的各向异性风险度量，搭配softplus因果门控。对于正在逼近无人机的障碍物放大惩罚；对于已经远离的障碍物风险自动衰减，避免障碍物飞过后还持续产生不必要规避行为；沿着候选轨迹做路径积分，生成稠密连续的风险监督标签。
图| 水平面内的非对称动态风险场
1.3 双分支环形卷积网络
静态分支仅使用距离全景输出候选轨迹终端边界状态与静态代价；动态分支读取掩码+速度通道预测每条基元的动态风险。方位维度使用环形卷积保证360°球面连续性；网络做分支隔离，动态分支不会改动候选轨迹几何，仅做风险打分，抑制轨迹频繁抖动。
1.4 机载异步流水线
感知前端20Hz输出规划张量；网络同步完成全部候选轨迹打分选出最优基元；50Hz的SO(3)控制器持续跟踪轨迹，即便规划周期发生延迟，控制器也不会停机。候选基元为五次多项式最小冲击轨迹，从网络输出终端边界条件做闭式解析重构，不需要迭代优化。
二、论文创新点
-
统一多通道规划输入张量：融合度量距离全景、动态掩码、笛卡尔障碍物速度，固定维度表征几何与运动信息，实现仿真‑真机零样本迁移，表征复杂度和动态障碍物数量无关。
-
非对称动态风险场：设计障碍物速度对齐的各向异性风险度量，区分逼近/远离障碍物，逼近放大惩罚、远离自动衰减，输出连续可微路径积分风险，提供稠密离线训练监督信号。
图| 杂乱室内飞行大厅的真实多威胁避障试验
-
轨迹风险离线蒸馏范式：将时空风险积分全部放到离线完成；机载只执行单次前向推理，轨迹打分时间复杂度相对于动态障碍物数目为(O(1))；基于全向锚点晶格批量评估全部候选基元，不依赖单条轨迹局部求精。
-
机载真机验证：部署于Jetson Orin NX硬件，实现相对遭遇速度最高15 m/s的连续规避机动，无需真机微调；规划推理耗时稳定，不受动态障碍物数量增长影响。
图| 搭载Jetson Orin NX计算单元的自定义四旋翼真机硬件实物图
论文链接：https://arxiv.org/pdf/2609.18191
项目链接：https://github.com/VANdexj/OmniRisk
02 【论文2】TIO‑Former: Ultra‑Lightweight 6‑Directional ToF‑Inertial Odometry for Nano‑UAVs via a Streaming Causal Transformer
亮点：面向纳米无人机，仅依靠IMU+六组正交ToF阵列实现无相机、无光流、无地图的6自由度里程计，RISC‑V边缘端低内存低延迟实时运行
一、研究方法
纳米无人机自主导航受严苛的重量、功耗、算力（SWaP‑C）约束。VIO、激光雷达载荷过重；下测光流在低纹理场景性能暴跌；纯IMU解算会持续累积漂移。六向正交8×8 ToF阵列总重量仅15g，每帧输出384个测距点，但该稀疏测距存在测量失效丢点、各向可观测性随运动动态变化、时序上下文会造成内存开销随飞行时长线性膨胀三大现实难题。TIO‑Former是一套端到端学习型测距‑惯性里程计，不需要相机、光流与预先构建地图，仅输入IMU与六向ToF数据输出SE(3)位姿。
图| TIO‑Former总览
整套方法包含双边门控差分前端、IMU引导跨注意力模块、流式因果Transformer双层缓存、多视界轨迹监督四部分。
1）双边门控差分测距前端：对前后两帧ToF测距网格做差分运算，利用两端测量可靠度加权；保留绝对度量深度，同时抑制丢点、无效回波带来的虚假帧间跳变。
图| TIO‑Former 整体网络架构
2）IMU引导方向跨注意力：从短时IMU窗口提取运动特征作为查询，动态对六个方向ToF特征token做交叉注意力；依据瞬时运动状态，自动优先选取几何信息更丰富的观测视角，对退化、不可靠方向自动降权。
图| 因果补全与双边门控差分示意图，采用网格片段与二值可靠性掩码说明原理
3）流式因果Transformer双层内存机制：未压缩本地KV缓存保存近期细粒度时序信息；Chunk‑FIFO固定容量缓存存储历史压缩摘要。无论飞行持续多久，单步推理算力与内存占用保持有界，不会随时间持续上涨；因果掩码杜绝未来信息泄露。
4）多视界轨迹监督损失：除单步相对位姿回归之外，在SE(3)流形上增加多时间窗口轨迹约束，搭配全局路径长度正则、残差平滑损失，抑制积分带来的漂移累积。
模型输出增量位姿，递归积分得到完整飞行器轨迹。整套框架部署在纳米无人机RISC‑V协处理器上运行。
二、论文创新点
- 实现无相机、无光流、无预建地图的6自由度测距‑惯性里程计，硬件仅IMU + 六组正交8×8 ToF阵列，ToF载荷总重量仅15g，为纳米级无人机提供度量定位能力。
图| 搭载六组正交 TOFSense-M 阵列、200Hz 机载 IMU 以及 LicheeRV Nano 协处理器的 Crazyflie 纳米无人机平台，实现时间同步流式推理。
-
提出双边门控差分测距前端，解决ToF无效回波、测量丢点带来的虚假运动跳变；设计IMU引导方向感知跨注意力，依据飞行器运动动态筛选各方向ToF特征，适配各向异性观测。
-
双层流式因果Transformer内存架构：本地未压缩KV缓存+Chunk‑FIFO压缩摘要缓存，保证内存、推理开销和飞行时长解耦，长时间飞行不会出现内存溢出。
-
多视界SE(3)流形轨迹监督，强化长时序轨迹一致性；完整栈部署在低功耗RISC‑V边缘芯片，P95延迟10.466 ms，峰值内存占用小于系统RAM的5%；在超过4.5km真实飞行数据集验证，开环位置误差相比纳米无人机光流基线降低54.4%，对比学习型惯性基线降低66.4%‑89.1%。
论文链接：https://arxiv.org/pdf/2609.17198
项目链接：https://github.com/Ly041021/TIO-Former
03 结语
微型无人机想要真正走进巡检、室内搜救等真实场景，不能只靠炫酷的特技飞行 demo，必须解决 "躲开飞来的物体" 和 "知道自己在哪" 这两个底层刚需。
OmniRisk 与 TIO‑Former 没有追求大而全的一体化系统，而是分别啃下动态避障、定位两个独立模块。一套解决高速动态障碍物规划超时难题；另一套解决 SWaP‑C 严苛约束下无相机定位。
当然两篇目前还是预印本阶段，真机测试场景相对受控；后续还需要在强光、杂乱环境、变加速障碍物条件做进一步打磨。但这两项工作，为低重量微型敏捷无人机的感知‑规划链路，提供了两条可落地的实现路径。