2. 无人机平台与障碍物检测概述

要让无人机“看懂”并绕开障碍物，首先必须明确三件事：它是什么平台、它飞在什么场景、它要检测的障碍物到底是什么。这三者共同决定了传感器选型、算法复杂度与算力预算。本节从平台分类出发，逐步收敛到障碍物定义与检测任务，并给出典型挑战与常见误区。

一、无人机平台分类：检测能力的物理边界

不同平台的载重、续航、机动性与振动特性差异巨大，直接限制了可搭载的传感器种类与算力上限。按构型与用途，可大致分为以下几类：

• 多旋翼（四旋翼/六旋翼）：可悬停、低速灵活，适合近距精细检测与室内巡检，但续航短、载重有限，通常搭载轻量视觉与超声波/ToF。
• 固定翼：巡航速度快、航程远，适合大范围测绘与巡线，但无法悬停，避障以“前向远距感知+路径重规划”为主。
• 复合翼（垂直起降固定翼）：兼顾起降便利与长航时，传感器布局需兼顾悬停与巡航两种姿态。
• 无人直升机：载重大、可悬停，常用于重载物流与农业植保，但振动强，对视觉与激光雷达的稳定性要求高。
• 微型/纳米无人机：算力与功耗极低，检测任务需高度轻量化，常采用单目+轻量神经网络。

二、飞行场景：决定检测策略的环境变量

同一套检测算法在室内与室外、白天与夜间的表现可能天差地别。常见场景可按“结构化程度”和“动态程度”两个维度划分：

场景分析的核心输出是约束清单：光照范围、障碍物尺寸分布、相对速度、可用算力与功耗。它直接决定后续采用视觉、激光雷达还是毫米波雷达融合方案。

三、障碍物定义：从“物理实体”到“可检测目标”

在工程上，障碍物不能简单理解为“挡路的东西”，而应定义为：在无人机当前飞行包线内，可能导致碰撞或必须改变预定轨迹的实体或区域。按属性可分为：

• 静态刚性障碍：建筑、墙壁、杆塔、地面，位置固定，可用地图+定位直接规避。
• 静态柔性障碍：树枝、草丛、悬挂线缆，边界模糊，视觉与激光雷达回波不稳定。
• 动态障碍：行人、车辆、飞鸟、其他无人机，需要检测+跟踪+运动预测。
• 虚拟障碍：禁飞区、电子围栏、限高面，属于“规则障碍”，由地理信息与飞控策略处理。

检测任务因此可拆解为四个层次：发现（存在性）→ 定位（方位与距离）→ 分类（类型与尺寸）→ 预测（运动趋势）。层次越高，对传感器融合与算力的要求越高。

四、检测任务与典型挑战

从系统角度看，障碍物检测不是单一算法，而是一条“感知—融合—决策”链路。其输入是多源传感器数据，输出是可供飞控使用的障碍物列表与规避建议。典型处理流程如下：

传感器采集（相机/激光雷达/毫米波/超声波）
   ↓ 时间同步与坐标变换
预处理（去畸变、滤波、点云配准）
   ↓
障碍物检测（2D检测 / 3D聚类 / 深度估计）
   ↓
目标跟踪与运动预测（卡尔曼滤波 / 轨迹预测）
   ↓
风险评估（碰撞时间 TTC、最小安全距离）
   ↓
路径重规划与飞控指令

在这条链路中，最常见的挑战包括：

• 小目标漏检：电线、细杆在远距离仅占几个像素，视觉难以稳定检出，需激光雷达或毫米波补充。
• 光照与天气退化：强逆光、夜间、雨雾会显著降低视觉可靠性，需多传感器冗余。
• 算力与实时性矛盾：高分辨率3D检测精度高但延迟大，机载平台往往需要在精度与帧率间折中。
• 动态目标预测：行人突然变向、车辆加速等，要求检测链路具备低延迟与运动建模能力。
• 标定与融合误差：相机与激光雷达的外参误差会直接导致障碍物定位偏移，影响避障安全。

五、案例复盘：园区巡检中的一次漏检

某园区巡检无人机在傍晚执行楼宇间飞行任务，搭载单目相机+超声波。飞行中未检测到一根斜拉钢索，触发紧急制动。复盘发现：

1. 钢索直径约8mm，在逆光下与背景对比度极低，视觉检测置信度低于阈值；
2. 超声波波束角大，对细线缆几乎无有效回波；
3. 飞行高度与钢索接近，留给检测与规避的时间不足1.5秒。

改进措施：增加前向毫米波雷达补盲，调整航线避开已知线缆区域，并在飞控中设置“低置信度障碍物减速”策略。该案例说明：障碍物定义必须结合场景与传感器物理特性，不能只依赖单一模态。