无人机技术研发：避障不是堆传感器就完事了

那天下午，风有点大。我蹲在草坡上，手里攥着遥控器，屏幕里图传画面晃得厉害。飞机离那棵歪脖子树还有大概两米——我心想，没事，这代避障算法不是吹得挺牛吗？然后。就听“咔嚓”一声。螺旋桨绞进树枝，机身翻了个跟头，一头栽进灌木丛。第七台了。说实话，那会儿我脑子里只有一个念头：这避障功能，是不是有点太“人工智障”了？

你肯定也遇到过类似的事。宣传页上写着“全向感知、自动绕障”，可一到真环境——树枝、电线、晾衣绳——该撞还是撞。今天不聊虚的，就从我这些年踩过的坑，聊聊无人机技术研发里最让人头秃的那块：复杂环境下的自主避障与路径规划。

炸机现场：那零点几秒里，飞机到底在想什么？

很多人以为避障就是“看到东西就停”。哪有这么简单。飞机得先“看见”，再“看懂”，然后“决定”，最后“执行”——每个环节都可能掉链子。就拿我那台机器来说，它头顶装了双目视觉，前向有激光雷达，底下还有超声波。听起来很豪华对吧？但实际飞的时候，双目视觉在强光下直接过曝，啥也看不见；激光雷达在稀疏树枝间疯狂反射，点云乱成一锅粥；超声波呢，对细电线基本免疫——它声波发散角太大，一根电线根本回不了几束波。

更麻烦的是时间。从传感器采集数据，到融合算法跑完，再到给电机发指令，整套流程必须在几十毫秒内完成。你要是用个高性能芯片猛算，功耗和散热又扛不住——多旋翼的续航本来就紧巴巴的。所以我经常跟团队吐槽：无人机避障的本质，是在功耗、算力、重量、成本四堵墙之间跳舞。没有任何一个传感器是完美的，你只能在特定场景下做取舍。

举个例子。植保无人机在果园里飞，主要威胁是果树枝干和拉线。视觉+激光雷达组合比较合适，但得把激光雷达的安装角往下压一点，多扫地面附近的障碍。物流无人机在城市楼宇间跑，玻璃幕墙会让视觉算法误判距离，这时候超声波和毫米波雷达就得补位。没有一套方案通吃。那些宣称“全天候全地形”的，基本可以划走了。

传感器堆得越多，为什么反而更慌？

我见过不少刚入行的朋友，一上来就想搞“六传感器融合”。听着很酷。但说实话，传感器越多，标定和融合的坑就越深。每个传感器有自己的坐标系、时间戳、噪声模型。你得把它们统一到同一个时空基准上。视觉帧率30Hz，激光雷达10Hz，超声波只有20Hz左右——时间对齐差个几毫秒，在高速飞行时就是几十厘米的误差。空间标定更麻烦：外参稍微歪0.1度，远处障碍物的位置就能偏出半米。

还有数据打架的问题。视觉说前面有堵墙，距离三米；激光雷达说两米五。你信谁？早期我们用一个简单的加权平均，结果飞机在墙前面来回“哆嗦”——一会儿想停，一会儿想绕。后来改用基于卡尔曼滤波的置信度融合，根据每个传感器的实时噪声水平动态调权重，才稳下来。但卡尔曼滤波本身也有局限：它假设噪声是高斯分布的。要是碰到雨滴打在镜头上、或者强光反射，噪声直接变成非高斯的脉冲，滤波器就懵了。

所以我现在给新人的建议特别朴素：先别贪多，把一种传感器的特性吃透。比如你就用双目视觉，把曝光控制、纹理增强、半全局匹配（SGM）的视差优化做扎实，在结构化场景下表现已经够用了。等真要上多传感器，先搞定时间同步硬件触发，再搞空间联合标定——用棋盘格加靶球，别偷懒用软件自动标，误差会让你怀疑人生。

仿真里跑得溜，实飞就翻车——差距到底在哪？

这是我们踩得最深的坑。Gazebo或者AirSim里，障碍物都是完美几何体，光照均匀，传感器噪声也是按理想模型加的。飞机飞得那叫一个丝滑，绕柱、穿门、急停，行云流水。结果拉到野外一飞，炸了。为什么？仿真里少了太多“脏东西”：树叶在风里晃，激光雷达点云会出现大量离群点；水面反光让视觉深度估计完全失效；甚至一只鸟突然飞过，都会让路径规划器重新算一条极其保守的路线，导致飞机猛刹——然后被后方的惯性甩出去。

后来我们逼着自己改流程：所有算法在仿真里跑通之后，必须再进一个“半实物仿真”环节——把真实的飞控、真实的传感器（对着录好的场景视频回放）接入进来，看算法在真实噪声下的表现。再往后，就是找一片有杂草、有斜拉线、有水泥墩的场地，低空慢速真飞。每次真飞前，我都会在心里默念：仿真只考核逻辑正确性，实飞才考核鲁棒性。

还有个大坑是“动态障碍”。仿真里你可以设置行人匀速走，现实中一个突然窜出来的小孩、一只乱飞的鸡，速度方向完全不可预测。我们现在用模型预测控制（MPC）做局部避障，简单说就是每个控制周期往后预测未来两秒内所有障碍物的可能轨迹，然后选一条代价最低的绕行路线。但预测窗口一长，计算量就爆炸。现在的折中方案是：静态障碍用基于采样的RRT*做全局规划，动态障碍用短时域的MPC，两者分层配合。目前能应付大部分情况，但遇到“鬼探头”还是得靠飞行员的反应——所以我一直强调，现阶段避障是辅助，不是自动驾驶。手别离开摇杆，眼睛别离开屏幕。

再说说那些被过度神化的“全自主”

有些宣传说“一键起飞、自动巡检、无需人工干预”。我听了就头大。巡检电塔的时候，塔上绝缘子有破损，视觉算法能检测出来，但要不要靠近拍细节？风偏多少？电量够不够返航？这些决策链现在还得人参与。我见过最离谱的演示：无人机在树林里穿行，全程没碰树枝。结果一问，操作手在后台用摇杆微调了几十次——只是没切手动模式而已。

所以研发避障系统，千万别把目标定成“取代飞手”。现实一点的目标是降低飞手的工作负荷，让他从“时刻盯着避障”变成“监控任务进度”。比如我们做过一个电力巡检的辅助功能：当飞机检测到前方有疑似障碍物，自动减速，同时在图传画面上框出障碍物位置和建议绕行方向。飞手确认后一键执行。这比全自主可靠多了，而且飞手愿意用。

最后说个反直觉的观察：最难的场景往往不是复杂环境，而是“简单环境”。为什么？因为简单环境里飞手放松警惕，算法也容易因为缺乏特征点而出错。比如一片空旷的雪地，视觉算法找不到纹理，直接傻掉；或者一堵纯白墙壁，激光雷达测距正常，但视觉深度估计全是无效值。所以我们的测试用例里有一条：“无纹理大平面”——专门用来折腾算法。

行了，篇幅差不多了。总结一下我的血泪经验？不不，不搞总结。就说一句：下次你看到无人机避障宣传，先问一句——它敢不敢飞有斜拉线的老小区？敢不敢在正午逆光飞？敢不敢对着晃动的树冠飞？如果答案含糊，那这研发，八成还在PPT里。