TU Delft 研究人員於 2026 年 10 月 14 日在 Science Robotics 發表 MonoRace 背後的方法。論文解釋的成果較早：無人機在 2025 年 4 月贏得 Abu Dhabi Autonomous Drone Racing Competition。論文詳述單一前向攝影機、慣性測量單元（IMU）及小型機載控制網路，如何在競速速度下協同運作。

這份作者可取得的預印本於 2026 年 1 月 21 日提交，報告稱 MonoRace 在淘汰賽中擊敗其他自主團隊及三位人類世界冠軍。文中指出，MonoRace 在競賽賽道上最高達到 100 km/h，且未使用外部動作追蹤。 TU Delft 校園刊物報導了這場勝利，時間是 2025 年 4 月。BIG CHANGE 尚未測試這套系統。

主要變化

  • 變化之處： 2026 年 10 月的論文說明，團隊如何在撞擊或維修後，利用機載飛行影像及已知的門框形狀重新校正 MonoRace 的攝影機對準，不需外部動作追蹤。
  • 重要性： 評估多架飛行器的無人機競速團隊，必須另外評估避碰能力。MonoRace 因缺乏此能力，在多機賽事中排名第三，儘管它贏得了單機賽及人機競賽。
  • 後續觀察： 標記賽道上的結果，並不能證明它在賽道外的可靠性、通用導航能力、部署安全性、商業可用性或轉移到其他機器人的能力。

從門框影像到馬達指令

競賽無人機使用一台視覺攝影機，以及一台測量動作的 IMU。滾動快門攝影機將影像傳送到機載電腦，神經網路在其中標示競速門框。接著，軟體找出門框角點，與預期視野比對，並在狀態估測器中融合視覺位置估計與 IMU 讀數。根據論文的方法，當急劇操控使加速度計超出測量範圍時，無人機動力學模型會協助估測器。

研究人員也使用飛行紀錄改善各次飛行間的校正。他們比較已知形狀與尺寸的門框應在攝影機影像中出現的位置，以及分割系統實際找到的位置。這項離線調整特別有助於在維修或撞擊後，微調攝影機相對於無人機的位置與角度。調整使用了競速門框的已知資訊，不需外部動作追蹤。

估測出的狀態接著傳送到飛行控制器上的小型神經網路導引與控制系統。該網路在模擬中訓練，以每秒 500 次更新的頻率直接向馬達傳送指令，略過獨立的內部控制迴路。攝影機影像由機載 NVIDIA Jetson Orin NX 處理；500 Hz 網路則在飛行控制器上執行。影像處理器與 500 Hz 馬達控制器是分開的機載硬體。

這場競賽證明了什麼

研究人員表示，MonoRace 於 2025 年贏得個人 Grand Challenge 與 AI 對決人類的淘汰賽。論文也記錄它在多機競賽中排名第三，當時它缺乏避碰能力。展示的成果是在競賽條件下，沿已知門框賽道快速飛行，所有感知與控制均在機上完成，且未使用外部動作追蹤。論文並未證明通用導航、部署安全紀錄、商業可用性或轉移到其他類型機器人的能力。

較早的一套系統 Swift 曾在室內賽道以機載感測器擊敗人類冠軍飛行員。其研究在開發期間使用立體視覺慣性感測與動作捕捉資料。MonoRace 所報告的進展，是以單一視覺攝影機和機載 IMU 參賽，搭配以門框為基礎的估測器與直接馬達控制器。兩項研究使用不同賽道和賽事，因此其時間不能直接比較哪套系統較快。

來源與延伸閱讀