導讀

飛行昆蟲非常依賴光流控制來進行視覺導航和飛行控制。機器人專家以此為模型為小型飛行機器人建立了光流控制的演算法。但是，該演算法無法像飛行昆蟲一樣準確避開障礙物。所以，代爾夫特理工大學的微控實驗室在此基礎上，研究了一種透過機器學習使機器人基於障礙物的外觀預測距離的避障控制演算法。

光流控制演算法只需要一個微小的視覺感測器作為輸入訊號即可。但是與昆蟲不同的是，當使用光流控制時，機器人會遇到兩個問題。

首先，由於光流僅提供有關距離和速度的混合資訊，因此在接近障礙物時將其用於控制演算法會導致振盪。其次，光流幾乎沒有提供障礙物在運動方向上的資訊，因此該演算法很難檢測到機器人即將碰撞的障礙物，導致其很難避開障礙物。

因此代爾夫特理工大學微控實驗室透過機器學習過程解決這些問題。

在機器學習過程中，機器人利用自激振盪的方式來獲取其環境中不同距離的物體的外觀特徵。在機器學習後，機器人便可以更快，更平滑地著陸，並在混亂的環境中也能更快，更安全地飛行。

此外，該解決方案還需要重新設定模型，並假定其環境的高度複雜性。

通常根據預接線的光流控制定律來描述用於諸如著陸或避障等任務的昆蟲飛行控制。實驗表明，飛行昆蟲可以學習其周圍環境的視覺外觀，從而在其一生中不斷地提高其飛行和導航的技能。

目前，電子裝置的小型化趨勢引領微型飛行機器人的高速發展，這些機器人不僅可以在狹窄的空間中航行，而且價格便宜，還可以大量生產，並且可以安全地在人類周圍使用。

還可以執行在經濟上或社會上的一些特定環境下的任務，例如監視溫室中的植物或調查工廠，這種情況下，這些機器人必須完全自主飛行，從而幫助人們在人類無法到達的狹小或複雜領域進行有效的工作。

為了克服兩個基本的光流演算法的問題，研究人員讓機器人學習其周圍環境的視覺外觀。上圖說明了對於上文中提到的問題，機器人如何獲取環境中物件的視覺外觀的解決方案。

在圖a中，兩個蜜蜂具有相同的光流演算法，但是看到的下面花朵在視覺上的大小卻不同。

在圖b中，紅色障礙物很難透過光流演算法被檢測到，但是很容易透過其視覺外觀和大小來檢測。

儘管視覺外觀可以作為光流演算法的補充，但要解決的主要問題是：當光流演算法本身不包含物體時，機器人或昆蟲如何將物體的視覺外觀和大小與距離相關聯？

研究人員提出了一種主動策略，該策略允許機器人透過調整飛行過程中的控制增益來使距離與速度分開。該文章中的理論分析表明，當光流控制增益（稱為K）適合使機器人振盪時，振盪期間的特定增益值K'與到觀察物件的距離線性相關。

然後，機器人就可以檢測振盪以感知距離。採用這種策略的光流縮放來自控制系統中的時間延遲與控制動作的效果不會隨高度變化而變化的事實。因此，機器人學習將影象的視覺外觀與增益K'（以及相應的距離）相關聯。學習後，將不再產生振盪，從而使機器人可以立即感知距離。

文章中所提出的機器學習過程，透過允許從視覺外觀中學習補充資訊來解決光流演算法的基本問題，這使得該演算法在機器人技術領域的實際應用更為廣泛。

對於著陸，機器人學會了設定控制增益以實現高效能著陸。與常用的聲納或鐳射高度計技術相比，基於視覺的著陸不受高度的限制。此外，視覺還可以提取降落地點上更豐富的資訊，例如障礙物的位置。

此外，文章中所提出的方法不僅可以應用於高效率著陸，而且可以推廣。文章中提出的光流演算法調整控制增益的解決方案，同樣適用於針對基於影象的視覺伺服（IBVS），視覺測距法和單眼同時定位與製圖（SLAM）的深入研究的單眼演算法的應用，這些演算法也同樣面臨確定控制增益的問題。