前言： 随着“低空经济”成为热门词汇，无人机（UAV）在城市物流、巡检等场景的应用越来越广泛。但天上越来越拥挤，无人机如何保证不撞楼、不互撞、还能抵抗妖风？国内航空航天领域的顶刊《航空学报》上的一篇综述对其进行了讲解。

1.论文基本信息

  • 论文标题： 低空无人机智能避障决策与安全控制技术综述 (Overview of intelligent obstacle avoidance decision-making and safety control technologies for low-altitude UAV)
  • 作者： 陈谋，甄子涵，姜斌（南京航空航天大学 自动化学院）
  • 期刊： 航空学报 (Acta Aeronautica et Astronautica Sinica)
  • 年份： 2026年

2.核心摘要

本文将无人机的安全运行抽象为 “感知 — 决策 — 控制” 的三层闭环结构。综述重点聚焦于后两层：

  1. 决策层： 解决无人机在复杂环境中如何智能避障与安全航路规划的问题。
  2. 控制层： 解决无人机在 GPS 拒止（没信号）、外部干扰（刮风）以及多重物理约束下，如何保证飞行器平稳执行命令的问题。

3.核心内容拆解

3.1 决策层：智能避障与航路规划

在低空环境中，无人机不仅要躲避静态的建筑物，还要应对动态的飞鸟或其他无人机。论文将避障与规划算法分为以下几大流派：

  • 几何与规则类： 如速度障碍法（VO）和矢量场直方图（VFH）。这类方法计算快，适合实时性要求高的局部避障，但容易在复杂环境中产生震荡。
  • 人工势场法 (APF)： 非常经典且优雅的算法。把终点变成“引力源”，障碍物变成“斥力源” ，类比“磁场”“电场”等。无人机顺着合力飞即可避障。缺点是容易陷入“局部极小值”（比如被几个障碍物的斥力卡在死角出不来）。这是我认为最具创新性的算法
  • 基于优化的方法： 比如控制障碍函数（CBF）。通过建立严格的数学安全边界，把避障变成一个带约束的二次规划（QP）求解问题，安全性极高。
  • 人工智能方法 (AI/RL)： 这应该是目前最热门的方向。利用深度学习（端到端输出指令）或强化学习（RL），让无人机在与环境的不断试错交互中学习避障策略。它不依赖复杂的环境建模，适应性极强，但存在“训练数据难获取”和“可解释性差”的问题。

单机避障算法对比（提炼自原论文 表1）：

技术流派 核心思想 存在痛点 适用场景
几何与规则 通过几何推理或规则直接避障 容易出现路径振荡 障碍明确，需极高实时响应
人工势场 (APF) 目标点引力 + 障碍物斥力 局部极小值，目标不可达 低速飞行避障或编队保持
基于优化 避障转化为数学优化约束求解 复杂环境下计算量过大 需要综合性能权衡的场景
人工智能 神经网络学习环境特征与运动策略 可解释性差，需要大量数据 未知、非结构化的高动态场景

对于航路规划（Path Planning），文章同样提到了图搜索（如 A*）、基于采样（如 RRT）等经典计算机算法，并指出强化学习（RL）在处理动态威胁场景时具有巨大潜力。

3.2 控制层：极端环境下的执行保障

当决策层给出了完美的安全路线，如果无人机本身硬件掉链子怎么办？论文探讨了三种极端情况的控制技术：

  1. 卫星信号拒止 (GNSS-Denied)： 飞入城市峡谷或隧道，GPS 断联。无人机需退而求其次，依赖机载摄像头或激光雷达，利用视觉/激光 SLAM（同步定位与建图）技术自己给自己定位。
  2. 复杂干扰与故障： 面对气流干扰或某几个旋翼失效，引入“干扰观测器（DOB）”等技术进行前馈补偿，或者使用容错控制（FTC），在带病状态下依然稳住机身。
  3. 多约束耦合： 无人机的电机转速有极限（输入约束），飞行姿态角度不能太大（状态约束）。需要结合模型预测控制（MPC）等高级手段，在物理极限边缘疯狂试探但不越界。

4.未来发展方向展望

论文在结尾为未来的研究指明了几个有潜力的方向，也是我们后续可以重点关注的“坑位”：

  1. 多模态感知与大模型结合： 单一传感器容易失效，未来必然是视觉、雷达、红外等多源信息的深度融合。
  2. 强化学习的落地与泛化： 解决 RL 算法在真实复杂动态场景（如应对未知的非合作目标）中的训练效率和安全验证问题。
  3. 异构无人机集群协同： 天上不只有一种型号的无人机，不同大小、不同算力的无人机如何组网协同，是一个巨大的挑战。