
北航劉偲教授團隊提出高低無人機協同導航新范式,兩臺無人機分工配合:高空無人機作為“全景指揮官”,負責全局感知與推理;低空無人機作為“地面偵察員”,執行精細導航與目標搜索,兩者協同快速找到目標。
話不多說,來看實例。想讓無人機“去湖邊指定房子附近找到那輛停在樹下的汽車”,單臺無人機要么飛得太高,看不到樹下的汽車;要么飛得太低,顧不上房子、湖泊這些宏觀地標。單臺無人機在復雜環境中容易迷失方向,但當高低空無人機協同作戰,就能快速找到目標:
![]()
如下三張圖分別從“前視圖、高低無人機軌跡、概率預測圖”角度,展示此方案如何工作:

像找小狗這樣的小型目標,也能快速配合完成定位:

若目標物標有特定字母、文字描述也可精準匹配:

依據目標人物周邊環境的細節特征,也能完成精準識別:

為支持該任務,團隊基于UAV-Need-Help構建了HaL-13k數據集,并設計了協作框架AeroDuo。他們在Openuav仿真環境對AeroDuo測評,驗證了其高低協同在環境覆蓋、導航精度與自主性之間的有效平衡。
團隊表示,本文研究成果將發表于ACM MM 2025。以下是更多細節。
數據集構建
考慮到UAV-Need-Help數據集中僅包含單無人機信息,研究團隊在此基礎上補充采集了高空無人機的軌跡與感知數據,并優化部分原始軌跡,構建出HaL-13k數據集。數據集構建示意圖如下:
![]()
高空無人機規劃策略
為提升高低無人機系統的感知與決策能力,研究團隊構建了多模態統一框架Pilot-LLM,利用大語言模型進行多模態推理。
其中,為了更好地整合高空無人機歷史信息,研究團隊提出全局地圖構建模塊,通過正射投影消除畸變,并拼接歷史圖像生成統一坐標系下的地圖,提升環境理解與目標定位能力。
此外,為避免精確坐標預測誤差,采用輕量解碼器生成目標概率分布圖,兼顧探索能力與空間建模效果。
![]()
低空無人機導航搜尋策略
低空無人機采用三階段導航搜索策略:首先,根據高空無人機的預測概率圖選取高置信度區域的質心作為導航目標并結合A*算法規劃關鍵航點;隨后,利用基于強化學習的避障策略,實現安全靈活的路徑執行;最后,通過視覺語言模型進行目標檢測與定位。
![]()
團隊表示,未來這套協同模式能輕松擴展到多機協作——在高空無人機預測出目標概率分布圖后,它可以提取多個潛在目標位置,并借助優化算法(如匈牙利算法)將這些任務分配給各個低空無人機。
同時,通過優化動作控制確保安全避障,補充真實環境數據訓練模型,也有助于將高低無人機系統從仿真環境中遷移到現實場景。
項目主頁:https://rey-nard.github.io/AeroDuo_project/
編輯:文婧
本文來源:數據派THU ; 版權歸原作者所有,轉載目的在于傳遞更多信息,傳播相關技術知識;若侵犯了您的合法權益,請及時系我們,我們將根據著作權人的要求,及時更正、刪除或協商許可使用事宜,謝謝
中小學無人機課程代理咨詢
張老師
彭老師
劉老師
王老師
全國服務熱線:010-62483008
特別聲明:以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布,本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.