多航点视觉引导下的动态转向控制：基于行动能力的仿生导航策略研究

本研究针对高速运动中如何通过视觉信息连续控制转向以穿越多个航点的关键问题，通过无人机模拟实验揭示了人类基于行动能力（affordance-based control）的导航策略。研究人员操纵第三航点（Gate 2）的角度、距离和方向参数，结合不同敏捷度的无人机动力学模型（Experiment 1为高惯性/Experiment 2为高敏捷），发现受试者会根据自身行动能力边界调整轨迹：高惯性条件下呈现"先偏离后回调"的平滑转向模式，而高敏捷条件下采用直接接近策略。该成果发表于《Scientific Reports》，为自动驾驶和机器人导航提供了仿生控制理论依据，证实了行动能力限制对运动规划的核心影响。

　　

在高速穿越复杂环境时，无论是无人机竞速选手还是迁徙中的鸟类，都需要在毫秒级时间内连续调整运动轨迹以穿越多个航点。这一过程涉及对视觉信息（optic flow）的实时解析与动作执行的精准协调，但长期以来存在核心争议：人类究竟如何利用未来航点信息？是像机器人领域常用的"加权吸引子模型"那样逐步切换目标，还是基于几何约束的"恒定曲率策略"，抑或是受自身行动能力限制的适应性控制？

为解答这些问题，A.J. Jansen与Brett R. Fajen在《Scientific Reports》发表的研究中，设计了一套精妙的无人机模拟实验系统。通过Unity引擎构建三维环境，设置固定位置的Gate 0（起点）和Gate 1（第一航点），动态调整Gate 2（第二航点）的角度（±30°/50°/70°）、距离（10/25/40 m）和方向（0°/±20°）参数。19名受试者在Experiment 1中操控高惯性无人机（最大角速度54°/s，最小转弯半径7.35 m），20名受试者在Experiment 2中操控高敏捷无人机（最大角速度78°/s，可零半径转向），通过Xbox控制器完成三航点穿越任务。研究采用重复测量ANOVA分析轨迹参数，通过95%置信区间（Loftus-Masson法）评估条件差异。

轨迹特征分析

高惯性组（Experiment 1）数据显示，受试者在接近Gate 1前会先向Gate 2反方向偏移（最大偏离-2.22 m），形成类似

的平滑曲线。这种偏离程度与Gate 2角度正相关（F_2,36=23.15, p<0.001），与距离负相关（F_2,36=9.17, p<0.001），同时伴随速度调节（大角度时减速至10 m/s）。而高敏捷组（Experiment 2）则呈现直接接近策略（平均偏离仅-0.11 m），在临近Gate 1时才急转，印证了

所示的轨迹差异。

航点朝向影响

与角度和距离的强效应相反，Gate 2方向参数对轨迹影响微弱（η²_G<0.03），这与前人研究一致。作者推测可能是远距离时方向信息难以辨识所致，但也不排除实验设置的方向变化范围（±20°）未触及行为调整阈值。

失败率对比

高惯性组在极端条件（70°角+10 m距离）下错过Gate 1的概率达22%，而高敏捷组仅9.25%，印证了行动能力边界对任务成功率的核心制约。值得注意的是，即使失败案例中，受试者仍表现出与成功试验相似的轨迹模式，说明错误源于对能力边界估计的微小偏差而非策略改变。

这项研究通过双实验对照，首次实证了人类在多航点导航中采用"行动能力维持策略"（affordance-based control）——即根据自身或载具的动态限制（如最大角速度/最小转弯半径）实时调整轨迹，而非简单遵循几何最优路径。该发现不仅否定了传统机器人领域的两大假设（加权吸引子模型和恒定曲率策略），更揭示了生物导航系统的核心原则：运动控制本质上是行动可能性空间的动态管理。

在应用层面，该成果为无人机自主导航算法提供了仿生设计框架，强调需将机械动力学限制纳入控制模型。理论层面则推进了生态心理学（ecological psychology）与行为动力学的融合，提示未来研究需探索更复杂的行动能力学习机制——正如作者指出："当受试者首次操控高惯性无人机时，他们如何迅速领悟到需要采用偏离-回调策略？这指向了人类感知-行动系统深层的适应性智慧。"