如果一架无人机在完全黑暗、浓雾弥漫的废墟中起飞，它该如何感知世界？主流方案摄像头和激光雷达通常会在这里集体失效。前者依赖光线，后者在雾中散射严重，完全看不到透明玻璃或薄塑料膜。

但在《Science Robotics》最新发表的论文中，美国伍斯特理工学院（Worcester Polytechnic Institute）的研究团队给出了一个反直觉的答案：用超声波。

他们展示了一款名为“Saranga”的感知系统，放弃了对摄像头和激光雷达的依赖，改用毫瓦级超声波传感器套件。把它搭载在微型自主四旋翼飞行器上，能够让手掌大小的飞行机器人在浓雾、黑暗、积雪以及存在薄而透明障碍物的复杂环境中自主导航。

01.

为什么偏偏是超声波

提起超声波，你可能会想到医院里的B超，或者倒车雷达。但在高速飞行的空中机器人上，超声波几乎被公认为难堪大用，它探测距离短、分辨率低，更要命的是，机器人的螺旋桨本身就是个巨大的噪声源，足以让任何微弱的回声信号淹没在噪音里。

然而，研究团队注意到了自然界中的一个现象。体重仅2克的熊蜂蝙蝠，在黑暗、多尘的洞穴中，仅凭超声波回声定位，就能探测到8毫米大小的物体，飞行得比许多带眼睛的动物还要稳。

这给研究者带来了一个启发。超声波并非不行，而是之前没能像蝙蝠那样，把它的潜力发挥到极致。问题的核心，在于如何从极低的信噪比中“听”清障碍物。

02.

如何让机器人“听”清世界

Saranga系统的解决方案，是一套“物理降噪+深度学习听声”的组合拳。

首先，研究团队在螺旋桨和传感器之间，巧妙地增加了一个物理屏蔽结构。这个小小的改动，直接阻挡了大量螺旋桨产生的超声波频段噪声，让回波信号不再被完全淹没，有效探测范围从1米直接提升到了2米。

但这还不够。在复杂环境中，微弱的回声依然会被各种干扰所掩盖。于是，研究团队引入了一个名为 Saranga的深度学习神经网络。这个网络的作用，就像给无人机装上了一副智能助听器。

他们训练这个网络，让它能从长达0.82秒、包含32个连续测量周期的历史回波序列中，识别出那些被噪声包裹的、真正的障碍物信号。

更绝的是，他们创造了一套合成数据生成流程。先用数学模型模拟出理想的干净回波，再灌入真实采集的螺旋桨噪声，生成海量的带噪训练数据。这样一来，网络在投入实战前，就已经在虚拟世界里见过了各种复杂情况。

Saranga 网络训练的合成数据生成流程
 

另外值得注意的是，这个传感系统的功耗只有1.2毫瓦，远低于一个普通LED灯泡。

03.

专克“视觉杀手”的硬核实验

为了验证这套系统的真实能力，研究团队在伍斯特理工学院搭建了室内外多种测试场景。实验平台是一款名为PeARBat160的定制四旋翼飞行器，对角轴距160毫米，总重460克。

它搭载了两个TDK InvenSense ICU30201低功耗超声波传感器，视场角达140°×57°，所有数据处理都在机载的Google Coral Mini开发板上完成。值得一提的是，所有避障操作仅依赖这两个前置超声波传感器和Saranga算法，未使用任何外部定位设施。

研究团队设计了一系列障碍赛道，包含圆柱、立方体、透明物体、细杆等多种障碍物。每个场景至少进行20次试验，成功标准是完整通过赛道且不发生任何碰撞。为了证明这套系统，所有室内实验都在伍斯特理工学院一个11米×4.5米×3.65米、配有防护网的专业测试场地完成。在六类极端场景中，飞行器的表现令人欣喜。

• 透明障碍物

当面对厚度仅0.02毫米的透明塑料薄膜时，即便是76-81 GHz的雷达系统也无法探测。搭载传感系统的飞行器在22次试验中，成功率达到77.27%。

• 薄障碍物

细小的PVC或铝制杆件（直径仅2-6厘米）反射信号极弱。飞行器在21次试验中，系统成功率为80.95%。

• 人造雪环境

整个飞行区域被造雪机覆盖，障碍物随机分布。飞行器在20次试验中成功15次，成功率75%。

• 浓雾环境

两台雾机制造的浓雾使摄像头能见度低于0.75米。20次试验中飞行器成功18次，成功率90%。

• 光线昏暗环境

在仅0.2 lux的极暗环境下（相当于无月光的夜晚），三个半透明游戏隧道随机摆放。飞行器20次试验全部成功，成功率100%。

• 杂乱场景

为模拟真实世界的复杂性，团队构建了一个由六个不同形状、材质的障碍物组成的密集赛道。任何直线飞行都会导致碰撞。飞行器在23次试验中成功16次，成功率69.57%。

• 3D避障

这是对系统能力的终极考验。在一个包含水平、垂直和倾斜障碍物的复杂三维空间中，叠加弱光、浓雾和雪三种恶劣条件，Saranga仍完成了16次成功飞行（共22次试验），成功率72.7%。

户外测试则搬到了室外森林环境中，面对的是形状不规则、反射信号更弱的真实树木，以及风力等不可控因素。在三种不同树木密度的森林中，系统分别取得了90.9%、77.3%和85.7%的成功率。

此外，研究团队还将Saranga与另一种超声波避障方案BatDeck进行了直接对比。在相同的复杂室内环境中，BatDeck在17次试验中仅成功通过1次，而Saranga在相同条件下成功完成了13次。

从速度测试来看，当目标前进速度从1米/秒提升到2米/秒时，成功率从100%降至72.73%。这符合预期，也说明系统仍有优化空间。

在各种具有挑战性的场景（包括不同的障碍物和环境条件）下的导航
 

04.

重新审视感知范式

Saranga的成功，不仅仅在于它让一款巴掌大小的空中机器人在恶劣环境下重获“视觉”。它更像一个信号，提醒整个机器人领域需要重新审视那些被“主流”技术遗忘的传感器。

当前自主系统的感知方案，从无人机到自动驾驶，往往默认选择摄像头和激光雷达，遇到问题时再想办法修补。但Saranga提供了一种不同的思路。选择传感器，首先应考虑它在目标环境下的物理信号可靠性，而不是技术潮流。把旧传感器和新的计算技术，如深度学习、时间序列模型结合起来，或许就可以重焕生机。

正如论文所言，与其为罕见的极端情况堆砌更重、更耗电的传感器，不如增加一个低功耗的传感模式，用最小的成本换取系统整体鲁棒性的巨大提升。

论文链接：https://www.science.org/doi/10.1126/scirobotics.adz9609