极致轻量化飞行规划！浙大FAST Lab新作，让小型无人机高速自主避障

1. 传统分层规划（Fast、Ego‑Planner、Super‑Planner） 建图‑搜索‑优化的完整链路，安全性约束完备，但耗时随障碍物密度急剧升高。稠密场景下机载延迟激增，高速飞行易反应滞后，陷入局部最优，产生迂回绕路轨迹。

2. 离线运动基元库（Primitive‑swarm） 在线只做轨迹筛选，计算快；但要覆盖全部速度、加速度状态需要TB级存储，机载无法落地；找不到匹配基元时，拼接轨迹会出现加速度剧烈跳变，加重电机负担。 图 | 加速度曲线（图4）

3. 模仿学习规划网络（YOPO等） 网络仅输出端点/路标点，仍要后端求解生成轨迹，带来额外时延；耦合训练目标容易陷入局部最优，稠密环境导航成功率下降。

三类方案都难以兼顾高速推理、高质量轨迹、低内存占用。Neural‑Primitive的思路是：模仿基元专家策略，网络直接输出多项式系数，去掉后端求解环节。

系统分为仿真数据集采集、Npe2eNet离线训练、机载零样本部署三部分。输入点云、机体速度加速度、目标方向，单次网络前向即可输出多项式系数，轨迹直接交付闭环控制器执行。

模仿学习效果上限取决于专家数据集质量，项目没有采用DAgger这类需要反复交互的昂贵方案，设计一套闭环仿真数据采集管线，自动生成专家样本，不需要实机试飞。

核心逻辑：每一次重规划时刻，在当前机体状态下采样一批终端状态，通过二次规划求解得到多条动力学可行的最小加跃度多项式基元；给每一条基元绑定体素占用关系，利用哈希查表快速做碰撞标记，剔除碰撞基元；再由代价函数从安全候选集合选出最优专家轨迹。

代价函数:

关键点：专家策略把避障和目标逼近解耦。先筛掉全部碰撞轨迹，再在安全集合里选最靠近目标、路径最短的一条，避免联合优化里避障约束挤压目标趋近，减少局部最优迂回路径。

网络Npe2eNet架构全部使用MLP，没有卷积、Transformer这类重算子，参数量仅0.355M，模型大小约1.38MiB。 输入包含三类信息：点云观测、机体速度加速度、归一化目标方向；输出多项式9个关键系数c_a。

 图 | 系统总览图©【深蓝 AI】编译

图 | 点云输入尺寸灵敏度分析©【深蓝 AI】编译

论文对点云输入尺寸做灵敏度消融：333点推理更快，但成功率掉到91.6%；1024、2048点成功率提升微乎其微，内存和耗时明显上涨；最终选择666点，在成功率、计算、内存三者拿到平衡点。

为了缩小仿真‑现实差距，训练阶段两套数据增强策略：

1. 点云预处理增强：随机对点云做降采样、不足则填充远距虚拟障碍物点，模拟真实LiDAR点云密度忽高忽低；

2. 域随机化噪声注入：给点云坐标、机体状态叠加高斯噪声，模拟机载传感器测量噪声。

图 | 域随机化参数消融研究图 | 点云预处理参数消融研究©【深蓝 AI】编译

消融实验表可以看到，两组增强配合之后稠密仿真环境导航成功率从90.4%提升至97.2%。

重要工程细节：虽然网络输出经验上无碰撞，但不是形式化安全保证。系统保留独立并行的轻量碰撞检测作为安全兜底，推理输出轨迹会做快速体素查询校验，一旦发现潜在碰撞触发重规划，防止网络遇到训练分布外极端输入输出危险轨迹。

机载运行采用事件触发重规划：前进0.5m、执行时间到达2/3轨迹时长、检测潜在碰撞，三者任意条件达成，就触发网络重新推理。既适配不同飞行速度，又保证规划窗口有效性。整套推理全部机载完成，不需要地面服务器。

仿真设置稀疏、稠密两类障碍物场景，对标 Fast、Ego、Super、YOPO 四款主流局部规划器，从规划耗时、导航成功率、飞行距离、飞行时间、能耗多维度开展对比。 

图 | 不同障碍物密度下基准测试结果©【深蓝 AI】编译

耗时表现：传统基线规划器在稠密环境受建图、走廊生成、轨迹优化影响，耗时显著飙升；Neural‑Primitive 稀疏场景推理 0.70ms、稠密场景 0.68ms，耗时几乎不受障碍物密度干扰，速度达到基线方案的 7‑60 倍。

注：该数值仅代表网络推理耗时，完整系统还包含点云预处理、碰撞校验环节，不等同于整机完整管线耗时，但网络推理层面的稳定性优势确凿。

轨迹质量：传统算法容易陷入局部最优，产生迂回绕路的飞行轨迹，实际航程远大于 64m 理论直飞距离。Neural‑Primitive 承袭专家基元 “安全候选集合中优选最短路径” 的策略，稠密环境平均飞行距离仅 64.51m，轨迹更接近直线，抵达目标耗时更短。

速度‑成功率曲线

图 | 不同平均速度下的成功率©【深蓝 AI】编译

低速 2m/s 条件下各方案表现接近；随着飞行速度提升，Fast、Ego、YOPO 出现成功率断崖式下降。Super 与 Neural‑Primitive 在 6m/s 高速下仍维持 80% 以上成功率，Super 依靠复杂双轨迹机制实现鲁棒性，而 Neural‑Primitive 凭借极低推理延迟减少系统反应滞后，同时输出轨迹更加平直，迂回更少。

指标局限：上述全部测试基于仿真随机地图。仿真的噪声、障碍物样式存在边界，仿真环境的高成功率不能直接等价于现实工况表现，必须结合真机零样本实验进行验证。

图 | 机载规划耗时统计©【深蓝 AI】编译

真机选取两套典型复杂环境开展验证：户外茂密森林完成 60m 远距离自主导航，最大飞行速度 6.10m/s，穿越树木与支架构成的杂乱空间；室内随机障碍场景实现多目标连续导航，依次遍历多个目标点位。全程使用纯仿真训练得到的权重，没有任何真机微调。

机载推理耗时统计：均值 3.68ms，中位数 3.43ms，波动区间 2.71‑5.94ms，能够满足无人机高频重规划的时间约束。

采用训练阶段从未见过的真实森林点云地图、类洞穴不规则噪声仿真地图做泛化测试，网络不做任何微调，导航成功率分别为 0.907、0.833。 可以看出，当面对脱离训练分布的几何环境，算法性能会出现一定衰减，这也是模仿学习类方案普遍存在的共性短板。

Neural‑Primitive走出一条融合运动基元先验与端到端模仿学习的路线。没有把整个规划黑盒交给网络学习，而是把成熟运动基元专家策略在仿真里批量产出样本，让网络学会推理基元多项式系数。砍掉后端求解环节，把推理延迟、内存开销压到很低的水平，同时保留轨迹高阶连续性。

图 | 茂密植被野外场景实拍与机载规划可视化结果。红色球体代表无人机当前位置，蓝色曲线为规划输出轨迹；四旋翼可在不足 0.8 米的狭窄间隙内完成安全稳健机动©【深蓝 AI】编译

它并没有完全取代传统模型‑基于规划，更像是一条互补路线。想要使用这套方案，不能直接拿掉所有安全校验；局部规划的短板依旧需要全局路径规划、碰撞检测模块来补齐。

但它证明：运动基元的思想，不一定非要靠庞大离线库存储，神经网络可以在线推理生成可行基元，为资源受限小型无人机高速自主导航提供了一条可行新思路。

Ref

论文标题：Neural‑Primitive: An Efficient End‑to‑end Local Planner with Primitive‑based Imitation Learning for Autonomous Flight 

论文链接：https://arxiv.org/pdf/2608.20948

项目主页：https://ZhitaoLiu.github.io/neural‑primitive/