痛点在复杂未知环境中传统无人车UGV的自主导航严重依赖激光雷达、深度相机等高成本多模态传感器。一旦感知受限或硬件受损系统性能将显著下降甚至完全失效。当前产业与研究领域面临三大核心痛点1.硬件成本高高精度感知设备价格昂贵制约规模化部署2.复杂环境适应性弱在未知、密集障碍或危险区域场景中传统采样或优化规划方法易陷入局部最优或计算爆炸3.语义安全感知不足现有空地协同多聚焦几何占据关系缺乏对“危险区域”“不可通行语义”的建模能力。如何在极低硬件配置条件下实现安全、鲁棒、可推广的自主导航成为当前智能无人系统的重要挑战。摘要北京航空航天大学交通学院团队在机器人与智能系统领域权威期刊 IEEE Robotics and Automation Letters (RA-L) 发表论文《LAGCN: Low-Cost Aerial-Ground Collaborative Navigation in Unknown Environments》作者Qi Wang, Xuting Duan, Chen Shao, Daxin Tian单位北京航空航天大学车路一体智能交通全国重点实验室、车路协同与安全控制北京市重点实验室、交通科学与工程学院论文链接https://ieeexplore.ieee.org/document/11393907文章针对未知复杂环境下无感知无人车的自主导航问题提出了一种低成本空地协同自主导航框架 —— LAGCN (Low-Cost Aerial-Ground Collaborative Navigation)。该系统通过l无人机UAV提供语义BEV俯视图l构建统一语义占据栅格表示l引入语义风险引导的扩散模型路径生成机制实现了完全无车载感知条件下的安全导航。图1 利用无人机提供的BEV信息对感知缺失 UGV 进行安全引导。01、研究创新性1. 低成本空地协同框架LAGCN的创新之处在于从系统架构层面进行了“能力重构”提出一种完全无车载环境感知能力的无人车协同框架地面无人车不再配备激光雷达、摄像头或建图模块仅依赖轮式里程计所有环境理解能力均由空中无人机通过单目RGB相机完成并以语义鸟瞰图BEV的形式提供给地面端。在此基础上系统仅依赖轻量化视觉设备与二维占据表示避免了三维点云构建、高精度定位系统和多传感器融合所带来的复杂度与通信负担。该框架不仅显著降低了硬件成本也减少了系统耦合度使协同系统具备更高的工程可部署性。图2 LAGCN 框架。上图多模态数据集采集下图低成本空地协同导航流程。2. 语义占据栅格驱动的生成式规划模型该工作将“语义风险”引入规划模型之中无人机首先通过语义分割与BEV变换构建语义占据栅格地图使规划算法能够区分“普通区域”与“高风险区域”。进一步将语义风险代价嵌入到扩散模型的反向采样过程中。在每一次去噪更新步骤中通过梯度引导机制对轨迹分布进行修正使生成路径在满足目标约束的同时主动远离高风险区域。同时扩散模型天然具备多模态路径生成能力为复杂环境下的鲁棒决策提供了多样化候选方案。(a)(b)图3 (a)不同语义风险条件下的规划结果对比。(b)在不同复杂度测试场景下与基线算法的对比结果。所提出的方法蓝色和浅灰色表现出稳定的泛化性能以及多模态特性。02、实验验证/ FZMotion深度赋能为全面验证LAGCN框架在未知环境中的工程可行性团队构建了“仿真预研-真实部署-高精度测量”三个层面开展系统性实验测试。在真实环境测试中搭建了一个7m×4m×3m的未知场地并布置多处障碍物以模拟复杂空间结构。实验中无人机在约2m高度进行环绕飞行实时完成语义分割与BEV占据栅格构建并通过无线通信将地图发送至地面端。地面无人车完全关闭并遮挡其激光雷达与摄像头仅依赖轮式里程计与无人机提供的语义地图进行扩散模型路径规划与执行实验环境如下图4 无人机与 UGV 协同导航系统的实际实验配置。无人机执行语义分割和空间占用网格构建而PD- UGV 则执行基于扩散的运动规划。元客视界FZMotion动捕系统提供评估基准数据。在每次导航实验中动捕系统提供亚毫米级定位真值。5次重复试验的3D轨迹图7显示路径形态高度一致终点位置标准差3cm充分证明系统在无感知条件下的可重复性与鲁棒性。同时动捕数据被用于计算路径平滑度、相对长度等量化指标与仿真结果交叉验证确保结论可信。在多次重复试验中无人车均成功穿越未知区域过程中未发生碰撞生成轨迹保持平滑且可执行验证了系统在极低硬件配置条件下的可靠运行能力。图5 在无人机(UAV)引导下PD-UGV穿越未知区域的导航过程。(a)无人机视角下的障碍物检测结果区分协作车辆与障碍物。(b)对应时刻的PD-UGV位姿。(c)集成占据栅格地图展示PD-UGV 位姿及其规划路径。元客视界FZMotion动捕系统还参与了路径生成模型的训练数据采集过程。在前期构建高质量路径样本库时FZMotion以100Hz频率同步记录UAV与UGV的精确三维位姿获取远超仿真精度的真实运动特征包括加减速、转向动力学。这些数据经平滑处理后作为扩散模型的参考路径使模型学会“真实可行的驾驶风格”而非仅停留在几何避障层面。在连续多次导航实验中动捕系统记录UAV与UGV的完整三维运动轨迹。结果显示各次实验路径形态高度一致终点误差稳定证明系统具备良好的重复性与鲁棒性。图6 无人机与PD- UGV在重复导航试验中的三维运动轨迹。此外在前期数据构建阶段利用动捕系统获取UAV与UGV在不同场景下的精确轨迹数据并结合语义占据地图构建高质量路径样本库。这些真实运动轨迹经过平滑与插值处理后构成扩散模型训练所需的参考路径数据。通过动捕提供的精确位姿序列可以保证训练数据具有几何准确性、连续动态可执行性、真实运动约束特征相比仅基于仿真生成的数据真实动捕数据的加入增强了模型对现实执行误差的适应能力提高了规划模型在真实环境中的泛化表现。团队介绍依托“车路一体智能交通全国重点实验室”与“车路协同与安全控制北京市重点实验室”团队长期面向国家交通运输领域中长期科技发展重大需求聚焦智能交通系统与无人系统前沿方向持续推进车路协同、空地协同与智能驾驶关键技术创新。