像亚马逊这样的公司对无人机有很大的想法，可以直接送货上门。但是，即使把政策问题放在一边，编程无人机也很难在城市等杂乱的空间飞行。能够在高速行驶时避开障碍物在计算上是复杂的，特别是对于小型无人机而言，这些小型无人机可以携带多少以进行实时处理。

许多现有方法依赖于复杂的地图，旨在告诉无人机它们相对于障碍物的确切位置，这在具有不可预测对象的现实环境中不是特别实用。如果他们的估计位置即使只是一小段距离，他们也很容易崩溃。

考虑到这一点，麻省理工学院计算机科学与人工智能实验室(CSAIL)的团队开发了NanoMap系统，该系统允许无人机在森林和仓库等密集环境中以每小时20英里的速度飞行。

NanoMap的一个关键见解是一个非常简单的问题：该系统认为无人机在世界上的位置随着时间的推移而变得不确定，并且实际上模拟并解释了这种不确定性。

“如果你想要能在人类环境中以更高速度运行的无人机，那么过于自信的地图将无济于事，”研究生Pete Florence说道，他是一篇新的相关论文的第一作者。“能够更好地了解不确定性的方法使我们能够在近距离飞行并避开障碍物方面获得更高的可靠性。”

具体而言，NanoMap使用深度感应系统将有关无人机周围环境的一系列测量结合在一起。这使得它不仅可以为其当前视野制定运动计划，还可以预测它应该如何在已经看到的隐藏视野中移动。

佛罗伦萨说：“这有点像把你在世界上看到的所有图像都保存在头脑中。” “对于无人机来计划动作，它基本上可以追溯到时间来单独思考它所处的所有不同的地方。”

团队的测试证明了不确定性的影响。例如，如果NanoMap没有模拟不确定性并且无人机距离预期的位置仅漂移了5%，那么无人机将每四次飞行失败一次。同时，当它考虑到不确定性时，崩溃率降至2%。

该论文由佛罗伦萨和麻省理工学院教授Russ Tedrake以及研究软件工程师John Carter和Jake Ware共同撰写。最近，它于5月在澳大利亚布里斯班举行的IEEE机器人与自动化国际会议上被接受。

多年来，计算机科学家一直致力于算法，让无人机知道它们在哪里，它们周围是什么，以及如何从一个点到另一个点。诸如同时定位和映射(SLAM)之类的常用方法获取世界的原始数据并将它们转换为映射表示。

但SLAM方法的输出通常不用于计划运动。这就是研究人员经常使用“占用网格”等方法的地方，其中许多测量结果被合并到三维世界的一个特定表示中。

问题是这些数据既不可靠又难以快速收集。在高速行驶时，计算机视觉算法无法充分利用周围环境，迫使无人机依赖惯性测量单元(IMU)传感器的不精确数据，该传感器可测量无人机的加速度和旋转速度等因素。

NanoMap处理这个问题的方式是，它基本上不会消除细微的细节。它的运作假设为了避免障碍，你不必进行100次不同的测量，找到平均值来确定它在太空中的确切位置; 相反，您可以简单地收集足够的信息，以了解对象是否在一般区域。

“与之前工作的主要区别在于，研究人员创建了一个由一组图像组成的地图，其位置不确定，而不仅仅是一组图像及其位置和方向，”卡内基梅隆大学机器人系统科学家Sebastian Scherer说。研究所。“跟踪不确定性的优势在于，即使机器人不确切知道它的位置并允许改进规划，也允许使用以前的图像。”

佛罗伦萨将NanoMap描述为第一个使无人机飞行的系统能够识别“姿势不确定性”的三维数据，这意味着无人机考虑到它在移动世界时并不完全知道它的位置和方向。未来的迭代也可能包含其他信息，例如无人机的各个深度感测测量中的不确定性。

NanoMap对于通过较小空间移动的小型无人机特别有效，并且与第二个系统配合使用，该系统专注于更长距离的规划。(研究人员去年在与国防高级研究计划局(DARPA)有关的计划中测试了NanoMap 。)

该团队表示，该系统可用于搜索和救援，防御，包裹递送和娱乐等领域。它也可以应用于自动驾驶汽车和其他形式的自主导航。

“研究人员展示了令人印象深刻的结果，避免了障碍，这项工作使机器人能够快速检查碰撞，”Scherer说。“在障碍物之间快速飞行是一项关键能力，可以更好地拍摄动作片段，更有效地收集信息以及未来的其他进展。”