台夫特大學無人機模仿蜜蜂導航：僅靠 42KB 記憶體飛行 600 公尺自動歸航

蜜蜂啟發的導航革命：42KB 就夠了

荷蘭台夫特理工大學（TU Delft）的研究人員打造出一款無人機，能在不依賴 GPS、不使用預存地圖的情況下，僅憑 42KB 的神經網路記憶體，就能從超過 600 公尺（1,969 英尺）外自動飛回起點。42KB 有多小？比大多數帶有 Logo 的電子郵件簽名檔還要小。這套系統的靈感完全來自蜜蜂——一種能沿著蜿蜒路徑飛行數公里，卻幾乎能走直線回巢的昆蟲。

這套系統名為「Bee-Nav」，研究團隊於 2026 年 5 月 13 日在《Nature》期刊上發表了相關論文。台夫特理工大學微型飛行器實驗室（MAVLab）多年來持續向業界傳達一個令人不安的事實：要實現良好的自主飛行，你不需要厚重的感測器堆疊和強大的機載電腦，你需要的是更聰明地決定「該記住什麼、該丟棄什麼」。

Bee-Nav 真正值得關注的，不是一架小型無人機成功飛回家，而是它完成這件事所需要記住的東西少得驚人。

Bee-Nav：粗略航位推算搭配微型視覺記憶

Bee-Nav 結合了蜜蜂使用的兩種方法，而且使用順序也和蜜蜂一樣。在去程時，無人機透過追蹤地面在視野中的移動速度，粗略估算自己飛了多遠、朝哪個方向前進，這個過程稱為「里程計」（odometry）。在回程時，當無人機接近起點，它會依靠學習過的視覺記憶來修正航向。

里程計本身會產生漂移，飛行時間越長，誤差越大，這就是為什麼僅靠航位推算（dead reckoning）從來不足以實現精確歸航。蜜蜂的解決方法是：在首次外出覓食前，先在蜂巢附近進行一段短距離的環繞飛行，從多個角度記住巢穴周圍的景象。Bee-Nav 採用了相同策略——在執行任務之前，無人機先在起飛點附近進行一段簡短的學習飛行，收集全景影像，讓小型神經網路學習解讀這些影像。

最反直覺的部分在於訓練過程。研究人員使用那些會漂移的里程計估算值來訓練神經網路，連同誤差一起餵入。該論文第一作者、台夫特理工大學博士候選人歐德全（Dequan Ou）直接提出了關鍵問題：不精確的距離和方向估算，是否仍足以讓無人機學會返航？答案是肯定的。「里程計漂移並未阻止成功的視覺歸航，」團隊報告指出。無人機學會了足夠好地「閱讀」環境，使得累積誤差在飛行尾段不再造成影響。

記憶體用量才是真正的頭條

在台夫特理工大學 CyberZoo 測試場的室內飛行中，引導無人機回家的神經網路僅佔用 3.4KB。萊登大學人工智慧研究員 Roy de Kleijn（未參與該計畫）為荷蘭《人民報》（de Volkskrant）做了一個形象的比喻：這大約比你手機上的一張照片小 600 倍。該神經網路並不儲存它看過的影像，而是儲存壓縮後的特徵表示，然後在看到新畫面時辨識其是否與之前學過的內容相似，即使兩者並不完全相同。

在較長距離的室外飛行中，記憶體用量增長至 42KB，依然微乎其微。相比之下，基於 NVIDIA Jetson Orin Nano 建構的 VSLAM 平台，其 GPS 拒止導航依賴邊緣運算硬體和持續建圖。Bee-Nav 以極小比例的運算量和儲存空間解決了一個相近的問題，而這正是該實驗室真正想要打造的機器所需要的核心差異。

室內百發百中，室外得看老天爺臉色

實測數據相當明確，而實驗室與戶外環境的差距也誠實呈現。根據《Nature》論文，在 30 至 110 公尺（98 至 361 英尺）的飛行中，無人機 100% 能返回距起點 0.5 公尺（1.6 英尺）以內；在 200 至 600 公尺（656 至 1,969 英尺）的飛行中，成功率為 70%。在機庫等大型室內空間中，每次測試都成功。最亮眼的室外測試是在荷蘭法爾肯堡（Valkenburg）的無人機實驗場「Unmanned Valley」進行的，無人機飛行超過 600 公尺後仍成功返航。

風是目前的瓶頸。當陣風迫使無人機傾斜時，攝影機對地面的視角會改變，視覺辨識效果隨之下降。MAVLab 主任 De Croon 向《人民報》表示，室外成功率根據風力強度在 50% 至 70% 之間，而室內則穩定維持在 100%。團隊坦承，系統在脫離受控環境之前還需要變得更加強韌。

目前在台夫特測試大廳中飛行的硬體重約 800 公克（1.8 磅），續航時間為 5 至 10 分鐘。但這不是終點。該實驗室之前已開發過基於螞蟻的導航系統，現在希望將 Bee-Nav 下放到約 30 公克（1.1 盎司）的無人機上，小到足以進行協調式蜂群操作。這項工作延續了該團隊一貫的研究模式——從用於昆蟲大小機器人的神經形態視覺控制系統，到在阿布達比僅用一顆前向攝影機就擊敗人類冠軍的 AI 競速無人機。Bee-Nav 的作者名單與競速研究有所重疊，包括 MAVLab 的 Christophe De Wagter，以及瓦赫寧恩大學的生物學家 Florian Muijres 和奧登堡大學的 Jan Degen。該計畫部分資金來自荷蘭研究委員會（NWO）的 VICI 個人研究補助金及荷蘭研究議程補助。

目標應用是溫室農業，而非戰場

該技術的目標應用場景是農業。能夠在溫室內巡邏、及早發現作物病害或蟲害、並自行返航的輕量無人機，可以幫助農民提高產量並減少浪費。Bee-Nav 特別適合這項任務，因為無人機必須夠輕、夠安全，才能在農田工作人員附近飛行，這排除了搭載重型感測器的可能性。MAVLab 團隊在這方面已有相關經驗，包括先前台夫特理工大學衍生企業開發的溫室害蟲防治用微型獵蛾無人機。

De Croon 也直接面對了顯而易見的軍民兩用疑慮。他將仿生自主技術可能被應用於武器開發的前景稱為「令人悲傷」，同時指出他看到了自主無人機在社會和經濟方面的真正價值，並希望這項技術不會被轉用於其他目的。他也表示，考慮到當前的世界局勢，他認為荷蘭在這個領域保持領先是有益的。這兩件事可以同時成立，而他也沒有假裝不是如此。

團隊提到的下一步工程目標是「不確定性停止」（uncertainty stop）機制——一種讓系統忽略混亂輸入（例如陽光直射鏡頭造成的眩光）而不被干擾的機制。之後，De Croon 希望測試無人機是否能從 A 點飛到 B 點而無需返回起點，這將大幅拓展該方法的適用範圍，不再侷限於往返飛行。

評析：用「減法」贏得比賽

這項研究的產業意義在於重新定義了真正的技術難題所在。多年來，從澳洲基於星象的天文導航系統到神經形態攝影機與光纖慣性導航融合，GPS 拒止導航領域大多透過增加更多感測器和更強運算力來解決漂移問題。Bee-Nav 走的是相反方向——它接受廉價且會漂移的感測器本身就會出錯，然後追問：需要多少記憶體就能完成修正？答案是室內僅需 3.4KB，這個數字小到足以讓人重新審視對自主無人機必備配備的所有假設。

MAVLab 持續透過「做減法」來贏得勝利：他們的 A2RL 競速無人機僅用一顆攝影機就奪冠，而對手使用的是多感測器組合；神經形態研究追求的是極致能源效率而非原始算力。Bee-Nav 是同樣思維應用於歸航導航的最新成果，這是一個一致的研究方向，而非一次性突破，正是那些打造更重自主系統的競爭對手需要認真思考的。

誠實面對的開放問題是風。一套在機庫中成功率 100%、在微風中只有 50% 至 70% 的歸航系統，是實驗室成果而非產品，團隊自己也坦言如此。計劃中的不確定性停止機制能否縮小這個差距，還是傾斜造成的影像劣化是軟體修補無法翻越的高牆，下一輪在 Unmanned Valley 的室外測試將揭曉答案。30 公克蜂群無人機的願景取決於這個問題的解決，因為那麼輕的無人機對抗陣風的餘裕更小。

資料來源：Nature、台夫特理工大學、de Volkskrant

---

原文來源： 查看原文