编辑推荐：
随着无人机在室内应用场景的拓展，其在复杂室内环境中的导航问题亟待解决。研究人员开展了基于概率模糊逻辑（PFL）的无人机导航研究。结果表明，PFL 控制器能有效规划路径、避免碰撞。该研究为无人机室内导航提供了可靠方案，意义重大。
在科技飞速发展的当下，无人机（Unmanned Aerial Vehicle，UAV）的身影越来越多地出现在人们的视野中。从医疗领域的药品运输，到搜索救援时在复杂环境中寻找受困人员，再到基础设施检查和环境监测等方面，无人机都发挥着重要作用。特别是在室内环境应用方面，如室内货物配送、工厂和仓库的巡检等，无人机展现出了巨大的潜力。然而，室内环境对于无人机来说，却是一个充满挑战的 “战场”。
室内空间有限，布满了各种静态和动态的障碍物，而且还缺乏全球定位系统（GPS）信号 ，这使得无人机在室内的路径规划和优化变得异常困难。传统的路径规划算法，在面对室内环境的复杂性和不确定性时，往往显得力不从心，难以满足无人机在室内安全、高效飞行的需求。因此，寻找一种高效的路径规划算法，成为了无人机室内应用领域亟待解决的问题。
在这样的背景下，研究人员开启了对无人机在动态协作室内环境中导航控制的研究。虽然文中未提及具体研究机构，但研究人员针对无人机室内导航难题，开展了基于概率模糊逻辑（Probability Fuzzy Logic，PFL）的研究。他们旨在开发、模拟并实验 PFL 控制器，以实现无人机在不确定的静态和动态环境中的路径规划和避障功能。
研究人员在这项研究中用到了多种关键技术方法。首先，构建了基于网格的运动规划模拟环境，通过设定不同的场景，如无障碍物、有静态障碍物以及多无人机协同飞行等场景，来测试 PFL 控制器的性能。其次，利用 PFL 系统，结合基于概率的碰撞评估和模糊逻辑规则，处理环境中的未知因素和变化。通过 30 条模糊规则，根据障碍物与无人机的距离，决策无人机的速度和航向角。此外，还进行了实际实验，使用自制的 Nano - 无人机，搭载多种传感器，在模拟真实室内环境的场地中进行测试。
研究结果
- PFL 控制器在不同场景下的表现：研究人员设置了三个不同的模拟场景来评估 PFL 控制器的性能。在 “无障碍物场景” 中，无人机能够沿着最短路径，以最快速度抵达目标，验证了在理想环境下系统的基础性能。在 “多障碍物场景” 里，无人机需要不断调整速度和方向以避开静态障碍物。随着障碍物密度增加，它能更精确地做出反应，虽然路径效率有所降低，但仍能成功到达目标，这表明 PFL 控制器在复杂静态环境中有良好的避障和路径规划能力。在 “多无人机场景” 中，多架无人机同时飞行，PFL 控制器不仅能让每架无人机避开障碍物，还能避免与其他无人机碰撞。尽管飞行路径更复杂，旅行时间和路径长度增加，但所有无人机都安全抵达目的地，体现了其在多无人机协作环境中的有效性。
- 仿真与实验结果对比：为了进一步验证 PFL 控制器的性能，研究人员将仿真结果与实际实验数据进行对比。实验环境模拟了真实的室内场景，包括静态和动态障碍物。通过对路径长度和旅行时间等关键指标的分析，发现仿真和实验结果存在一定偏差。在单无人机静态障碍物场景中，路径长度平均偏差为 4.47%，旅行时间偏差为 12.77% ；多无人机静态障碍物场景中，偏差约为 6.66%。这些偏差主要是由传感器不准确、电机响应延迟、通信延迟以及环境因素等造成的。不过，总体来说，PFL 控制器在实际实验中仍能成功引导无人机避开碰撞，到达目标位置，证明了其在真实环境中的可行性和有效性。
- 与现有 AI 控制器的比较：研究人员还将 PFL 控制器与其他先进的路径规划算法，如改进蚁群优化算法（Improved Ant Colony Optimization，IACO）、概率路线图算法（Probabilistic Roadmap，PRM）进行对比。在相同的环境设置下，PFL 控制器生成的路径更短、更优化。与 IACO 相比，PFL 使路径长度减少了 4.23%；与 PRM 相比，路径长度减少了 3.42%。这充分展示了 PFL 控制器在路径规划方面的优势，能够更高效地引导无人机在复杂环境中飞行。
研究结论与讨论
通过一系列的研究，研究人员得出结论：PFL 控制器在无人机室内导航中表现出色，无论是单无人机应对静态障碍物，还是多无人机在静态和动态障碍物环境中飞行，它都能有效地规划路径，帮助无人机避开碰撞，成功到达目的地。尽管在实际实验中存在一些与仿真结果的偏差，但最大偏差在可接受范围内（6.66%），这表明 PFL 控制器在动态室内环境中具有较高的可靠性和有效性。
与其他 AI 技术的对比也证实了 PFL 在优化路径长度方面的优势，为无人机导航提供了更高效的解决方案。这项研究成果对于推动无人机在室内环境中的广泛应用具有重要意义，为未来无人机在复杂室内场景中的安全、高效飞行奠定了坚实基础。
然而，研究也存在一些可提升的空间。未来的研究可以着重提高传感器的精度，减少通信延迟，增强实时决策能力，以进一步降低误差，优化无人机在实际应用中的导航性能。此外，还可以探索将自适应学习机制，如遗传算法（GA）或强化学习，融入 PFL，使其能够根据环境变化实时调整模糊规则，提高系统的适应性和灵活性。同时，结合深度学习技术，有望进一步提升无人机在复杂不确定性环境中的感知和决策能力。将研究成果应用于实际硬件系统，在大规模室内环境中测试其可行性和计算效率，也是未来研究的重要方向。
该研究成果发表在《Cognitive Robotics》上，为无人机室内导航领域的发展提供了新的思路和方法，有望推动相关技术的进一步发展和应用。
