蜜蜂“学习飞行”启发的高效机器人导航

本文介绍了一种名为‘Bee-Nav’的新型机器人导航策略，其灵感直接来源于蜜蜂在离巢觅食前进行的‘学习飞行’行为。传统高端导航方法依赖高精度地图和强大算力，需配备笔记本电脑或GPU嵌入式计算机，对小型飞行器（如轻型无人机）而言过于笨重昂贵；而现有最先进微型机器人导航也仅能在4×5米范围内工作。相比之下，自然界中的蜜蜂却能可靠地往返数公里——它们依靠两大能力：一是‘路径积分’（通过累计行进方向与距离来估算自身位置，但会随距离累积误差）；二是‘视觉记忆’（记住关键地标及其与巢穴的空间关系，用于校正误差）。Bee-Nav巧妙融合二者：机器人先在巢穴周围（如10米半径内）执行预设的学习飞行，同步采集360度全景图像，并利用自身路径积分结果作为‘标签’，在线或离线训练一个超轻量级神经网络（如3.4KB紧凑型或42.3KB注意力型）。该网络学会将任意视角图像直接映射为指向巢穴的‘回家向量’（含方向与距离），从而构建出一个隐式的‘学习归巢区’（LHA）。完成学习后，机器人可飞至远达600米外执行任务，再依靠路径积分直线返航；一旦进入LHA范围，便立即启用视觉网络实时校正路径积分漂移，最终精准落点（室内/无风条件下100%成功返回0.5米内；户外大风中200–600米飞行成功率70%）。实验证明，该方法所需学习区域极小（模拟显示仅需覆盖总飞行区约0.25%–10%），神经网络参数极少，可在树莓派等低功耗硬件上实时运行。它不仅为资源受限的小型机器人提供了切实可行的长距导航方案，也为理解昆虫如何用简单神经机制实现复杂导航提供了新视角——例如，研究发现蜜蜂归巢轨迹的弯曲性可能正源于路径积分误差驱动的自监督学习过程。