TU Delft 研究人员已在 《Science Robotics》 上发表了 MonoRace 背后的方法，日期为 2026 年 10 月 14 日。论文解释的成果发生得更早：这架无人机于 2025 年 4 月赢得阿布扎比自主无人机竞速赛。论文详细介绍了单个前向摄像头、惯性测量单元（IMU）和小型机载控制网络如何在竞速速度下协同工作。

这些作者公开的预印本于 2026 年 1 月 21 日提交，报告称 MonoRace 在淘汰赛中击败了其他自主参赛队以及三位人类世界冠军。论文称它在竞赛赛道上最高达到 100 km/h，且未使用外部运动追踪。TU Delft 校园刊物报道了这场胜利，日期为 2025 年 4 月。BIG CHANGE 尚未测试该系统。

重大变化

  • 变化之处： 2026 年 10 月发表的论文解释了团队如何在撞击或维修后，利用机载飞行图像和已知门框形状重新调整 MonoRace 的摄像头对准，无需外部运动追踪。
  • 重要性： 评估多架飞行器的无人机竞速团队还需单独评估避碰能力。MonoRace 因缺少该能力，在多机比赛中获得第三名，尽管它赢得了单机赛和人机竞赛。
  • 后续观察： 这些已标记赛道上的结果并不能证明它在赛道外的可靠性、通用导航能力、部署安全性、商业可用性或向其他机器人迁移的能力。

从门框图像到电机指令

竞赛无人机使用一台视觉摄像头，以及一台测量运动状态的 IMU。滚动快门摄像头将图像传给机载计算机，神经网络在其中标记竞速门框。随后，软件找到门框角点，将其与预期视图核对，并在状态估计器中融合视觉位置估计和 IMU 读数。根据论文的方法，无人机动力学模型可在急剧机动令加速度计超出测量范围时帮助估计器。

研究人员还使用飞行记录改进不同飞行轮次之间的校准。他们比较了已知形状和尺寸的门框在摄像头图像中应出现的位置，以及分割系统实际找到的位置。这种离线调整尤其有助于在维修或撞击后微调摄像头相对于无人机的位置和角度。调整利用了竞速门框的已知信息，无需外部运动追踪。

估算出的状态随后传给飞控上的小型神经网络制导与控制器。该网络在仿真中训练，以每秒 500 次更新的频率直接向电机发送指令，绕过单独的内环控制回路。摄像头图像由机载 NVIDIA Jetson Orin NX 处理；500 Hz 网络则运行在飞控上。图像处理器和 500 Hz 电机控制器位于不同的机载硬件上。

这场竞赛证明了什么

研究人员称，MonoRace 于 2025 年赢得个人 Grand Challenge 和人机淘汰赛。论文还记录了它在多机竞赛中获得第三名，当时它缺少避碰能力。已展示的成果是在竞赛条件下，沿已知门框赛道高速飞行，感知与控制均在机上完成且不依靠外部运动追踪。论文并未证明通用导航能力、部署安全记录、商业可用性或向其他类型机器人的迁移能力。

更早的系统 Swift曾在室内赛道上依靠机载传感器击败冠军级人类飞行员。其研究在开发过程中使用了立体视觉惯性传感和动作捕捉数据。MonoRace 报告的进展，是以单个视觉摄像头和机载 IMU 参赛，并配合基于门框的估计器和直接电机控制器。两项研究使用了不同赛道和赛事，因此其用时不能作为两套系统速度的直接对比。

来源与延伸阅读