EPFL 智能系统实验室牵头，联合港科大沈劭劼团队，推出 SwarmNxt：
它不造新无人机硬件，而是在开源机型 OmniNxt 之上，把无人机蜂群从"零件"到"能飞"之间的整条工程链补齐了：硬件物料清单与装配教程、Ansible 批量部署流水线、完整 ROS2 多智能体自主栈，全部打包开源。
室内实物验证：6 机无障碍物高速分布式避撞、4 机机载视觉避障，感知‑规划‑控制全程机载运行。
搜救、灾害勘查场景里，多无人机蜂群的潜力没人怀疑：比单机更快地勘测灾区、在 GPS 拒止的废墟里建图、在杂乱空间里并行搜索。但真正去做实物实验，工程门槛高得惊人——硬件采购组装、多机软件批量更新、时间同步、日志调试，链条上处处是坑。
现有平台各有一块短板，很难全部兼顾：
商用平台（DJI Mavic 3E、Skydio X10）：出厂成熟可靠，都带 360° 鱼眼全景感知。但完全闭源，研究者改不了底层规划、深度估计代码，算法无法做集成验证，只能做高层指令调用。
微型开源蜂群（Crazyflie）：0.092 m 对角、约 27 g，成本低、自带集群脚本，适合群体行为演示。但机载没有 GPU（Tab.1, p3），跑不动神经网络深度估计这类重负载感知，做不了带视觉的敏捷自主飞行。
传统科研开源平台（FLA、Fast 250、Agilicious、MRS）：Agilicious 和 MRS 具备 GPU 算力，支持自主飞行，但大多基于 ROS 1，单主架构天然不利于多机扩展；缺少统一批量部署脚本，每台机器需要手动配置；装配文档碎片化，复现成本高。MRS 向 ROS 2 迁移至今未完工，按项目文档说明还需数月工作量（Tab.1 注, p3）。
Starling 2（最容易被忽略的一个）：这是表里唯一同时满足"开源 + ROS 2 + 有 GPU"的对比平台，170° 鱼眼、整机 280 g。但它的 GPU 是手机级的 Adreno 650，而表中其他 GPU 平台用的是 NVIDIA Orin NX 16GB，算力差 10 倍（Tab.1 注, p3）；且没有蜂群编排能力，只提供了部分自动化脚本。
OmniNxt 原生硬件：360° 鱼眼全景视觉 + Orin NX 机载 GPU，硬件底子很优秀。但它是 ROS 1，没有配套蜂群编排工具、缺少 ROS2 多智能体协调框架——单机可以飞，扩展成集群需要研究者自己补齐大量工程代码。
表| 主流空中蜂群研究平台参数对比表©【深蓝AI】编译
SwarmNxt 的定位就在这个缝隙里：不重造硬件，而是基于 OmniNxt 把蜂群全链路工程短板补齐。软件栈也能迁移到其他 Orin‑PX4 机型，只做少量修改即可，具备一定的硬件适配灵活性。
整套平台分为四层：硬件装配层、蜂群软件编排层、ROS2自主栈层、真实世界实验层。其中后三层全部提供自动化脚本，把大量重复人工操作变成一键执行。
图| SwarmNxt整体框架总览示意图©论文原图
2.1 硬件装配层：完备物料与可复现装配指引
硬件层基于 OmniNxt，提供完整 BOM 物料清单与供应商直达链接，配套装配视频教程。单台物料成本约 2300 瑞士法郎（论文写作时价格），单台装配耗时约 5 小时，没有深厚机械背景的研究人员也能完成组装。
硬件规格：0.27 m 对角尺寸、660 g，四台鱼眼相机实现 360° 全景视觉，Orin NX 16GB 提供机载算力。
客观提示两点：物料采购整体周期约 1.5 个月，这是实物机器人平台绕不开的前置时间成本——且这个数字是基于发货到瑞士统计的，国内采购未必适用。
2.2 基于Ansible的蜂群软件编排层
蜂群规模扩大之后，逐台SSH登录安装包、修改配置、收集日志，工作量会线性暴涨。SwarmNxt基于Ansible实现四套Playbook自动化脚本，覆盖集群全生命周期。
-
单机初始化设置：给每一台无人机分配独立主机名，配置串口、电源性能模式，这是并行部署的前置条件。
-
并行软件部署：集群多机同时拉取、编译ROS2代码包；Ansible具备幂等特性，只会更新发生改动的代码，不会全量重编译，重复更新开销很低。初次部署耗时20分钟，后续迭代更新仅需1分钟。
-
飞前校验：起飞之前一键批量校验相机对焦、时间同步、通信延迟，不满足阈值就拦截起飞，规避多机不同步带来的飞行事故。单批次校验仅20秒。
-
飞行后日志回收：试飞结束一键从所有无人机拉取ROS2 bag包、运行统计数据，自动汇总MPP跟踪误差、计算耗时、机间最小安全距离，方便快速评估飞行效果，全程30秒完成。
这套编排工具是该平台非常核心的工程贡献，很多蜂群论文只谈算法，很少关注部署、调试的工程开销。
2.3 ROS2自主栈：感知‑建图‑规划‑控制全机载运行
图| 通信架构与单机运行节点示意图©论文原图
平台用域隔离机制：每台无人机使用独立 ROS2 Domain ID，避免多机消息广播风暴压垮 Orin NX。主机 PC 运行域 0，通过 Domain Bridge 只转发必要的跨机信息（例如其他无人机的规划轨迹）。论文特别点出这一层的真实用意——它保护的是连接机载电脑与 PX4 飞控的 Micro XRCE-DDS 高速链路，让关键飞控指令不被外部网络流量拖延。
自主栈集成三大核心模块：
-
S2M2 可缩放立体匹配深度估计：四台鱼眼相机经 TartanCalib 标定后矫正成针孔投影，组成四个虚拟立体对，每个立体对送进 S2M2 出一张深度图，单次推理周期产出 4 张深度图，提供全向深度覆盖。选用 26.5M 参数的小模型、输入 256×160，是为了在机载算力上平衡精度与实时性——更大的变体跑不动：网络已经吃掉 95% 的 GPU，加容量只会降低更新率而不会改善导航。实测 2 米距离深度平均误差约 10 cm。这个不确定性在建图阶段通过对障碍物膨胀来补偿。
-
HDSM 高速分布式同步运动规划器：面向无人机集群输出时间感知安全走廊，本机完成规划、只互相交换轨迹，实现分布式机间避撞。针对多机场景做了两处改造：把其他无人机位置包围盒内的点云从占据栅格中剔除，避免把同伴误认成障碍；地图改用对数似然占据更新，适配深度噪声——体素值低于 −1 判为空闲、高于 1 判为占据、之间为未知，比离散状态赋值更稳定。
-
自适应 MPC：100 Hz 运行，输入当前状态与 HDSM 参考轨迹，输出推力与机体角速度下发给 PX4。为补偿飞行中的电池压降，控制器输出会乘上一个由高度向跟踪误差导出的缩放因子——低于参考高度就调大、高于就调小，属积分控制律，显著改善长航时的高度稳定性。同时部署 Safety Node 安全监控：飞出安全区（如动捕跟踪范围）或 EKF 方差超阈值时自动触发降落。低电量不在其列——那由飞控自身触发紧急降落。
2.4 实验可视化与监控层
集成Foxglove可视化面板与自定义控制Dashboard。Dashboard可以下发单机/集群指令，监控电池电压、通信延迟、节点健康状态；Foxglove用来可视化无人机位姿、规划轨迹、三维占据栅格地图，方便调试与记录实验画面。
一共两组室内8×8×4m动捕场地实物试飞：6机无障碍物集群、4机载视觉避障集群。所有感知规划控制全部无人机机载运行，动捕只输出全局真值位姿。
图| 无障碍物环境下无人机交换位置轨迹与Foxglove可视化效果图©论文原图
实验一：六机无障碍物高速分布式避撞 测试机间高速交互场景，先是围成圆形互相交换位置，飞机会向中心汇聚，气动扰动剧烈，是对分布式避撞的强考验；之后循环分配圆周上随机目标点持续漫游。累计两小时飞行没有发生碰撞。 关键指标：平均跟踪误差0.077m，机间最小安全距离维持0.652m；MPC最坏情况迭代耗时39.6ms，超过10ms设计周期上限，PX4会缓存上一版控制指令，依靠0.45m规划安全半径兜底，抵消超时带来的风险。
图| 障碍物环境无人机漫游轨迹与占据栅格可视化效果图©论文原图
实验二：四机带障碍物机载深度估计避障 开启S2M2深度估计，在摆放实体障碍物环境下循环随机目标漫游，累计30分钟试飞，没有发生机间、机‑障碍物碰撞。
指标边界解读：0.075m平均跟踪误差是动捕真值条件下得到。深度模块7Hz更新频率远低于控制环路；同时GPU占用已经到95%，很难再加别的感知模块；为保证安全，地图障碍物做了较大膨胀，适合实验室安全试飞，但在狭窄紧凑场景会变得保守，可用飞行空间被压缩。如果环境更拥挤，需要调小膨胀半径，同时提升深度估计精度。
图| 各模块计算资源占用统计图©论文原图
硬件资源统计：开启视觉深度估计时CPU占用54%，GPU占用95%。HDSM规划最坏耗时86.8ms；深度模块是自由运行7Hz，没有硬实时截止时间约束。
表| 蜂群各模块计算性能统计表©【深蓝AI】编译
消融与现象说明：S2M2深度模型对远距离小物体检测效果有限；整套系统高度依赖外部动捕，这是走向真实灾害搜救场景最大短板；通信丢包0.2%条件下规划依旧维持安全，体现HDSM规划器对通信延迟的鲁棒性。
表| 蜂群跟踪误差、速度、加加速度、通信延迟与安全指标统计表©【深蓝AI】编译
蜂群机器人领域，很多论文的创新点聚焦在规划、协同算法，但真正阻碍行业往前走的，往往是实物实验的工程壁垒。很多算法在仿真表现亮眼，一旦部署到多台实物无人机，装配、部署、同步、调试就会消耗巨大精力。
SwarmNxt并没有提出颠覆性新算法，它的核心价值是补齐敏捷视觉蜂群从图纸到实物的整套工程工具链。硬件装配、批量部署、飞前校验、日志收集、感知规划控制栈一体化，给社区提供一套可以复现实物蜂群敏捷飞行的开源基础设施。
当然平台依然有明确边界：现阶段离不开动捕定位，距离灾害现场真实搜救应用还有距离。但它为后续分布式SLAM、多机探索、集群任务分配等算法，提供了一个可靠实物实验底座。
编辑｜小小怪博士
审核｜阿蓝
参考论文：
论文标题：SwarmNxt: Open‑source Software‑Hardware Platform for Fast and Agile Aerial Swarms
论文链接：https://arxiv.org/pdf/2609.11382v1
项目链接：https://github.com/lis-epfl/swarm-nxt
扫码添加阿蓝，选择想要加入的交流群即可
（按照提交顺序邀请，请尽早选择）
👇
