听起来像科幻场景，却又越来越常见：无人机在温室里穿梭检查番茄，在城市中送货上门，或在工业设施间巡检。关于无人机集群的讨论此起彼伏，无人机技术发展迅猛。但在导航方面，它们仍高度依赖庞大的计算能力和存储空间，导致设备笨重、昂贵且耗能高。

由荷兰代尔夫特理工大学牵头的一个国际团队，转而向大自然学习：研究蜜蜂是如何找到回家路的，并将其转化为工程方案。他们的成果发表在《自然》杂志上。

这个团队由代尔夫特理工大学的机器人专家，以及荷兰瓦赫宁根大学和德国奥尔登堡卡尔·冯·奥西茨基大学的生物学家共同组成，提出了一种受蜜蜂启发的机器人导航策略——“Bee-Nav”。

Bee-Nav 让体积很小的机器人也能在远距离飞行后成功返回，仅依赖 42 千字节的神经记忆。在陌生环境中，机器人会像蜜蜂一样，先在“家”附近进行短暂的学习飞行。

完成学习后，它可以飞出数百米远，仍能找到回程路径。Bee-Nav 使轻量、安全的小型机器人具备自主导航能力，为类似“蝴蝶般”的无人机在温室中巡检等应用打开了可能。同时，这项研究也为飞行昆虫如何归巢提供了新的生物学线索。

导航难题

许多未来的机器人需要在没有 GPS 的环境中自主行动。当前主流做法是构建环境的详细地图，再据此导航。但这种方式对计算和存储资源要求极高，使系统成本和能耗大幅上升。

蜜蜂展示了另一条更高效的路径。尽管它们的大脑极其微小，却能在长距离觅食后准确返回蜂巢。部分原因在于，它们通过“里程计”估算自身移动的距离和方向，利用视觉运动线索来推断位移，有点类似“计步器”。

然而，仅靠里程计会随时间累积误差，精度不断下降。因此昆虫还会依赖视觉记忆，记住蜂巢附近关键地点的环境外观。

科学界对昆虫里程计的神经机制已有较深入理解，但视觉记忆如何编码、又如何与里程计结合，一直难以完全解释。要让微型机器人真正实现类似能力，这一环节仍是关键缺口。

“Bee-Nav”导航策略如何工作

荷兰和德国的研究人员从蜜蜂首次离巢时的行为得到启发。蜜蜂在刚离开蜂巢时，会先在巢穴周围进行一段短暂的学习飞行。

完成这段“熟悉环境”的飞行后，它们就能飞得更远，并在复杂路径后仍然返回。就像人走出家门，在附近几条街内转一圈，以后无论从哪个方向回来，都能凭周围景象认出自己的社区。

“我们对蜜蜂的能力非常着迷：它们可以沿着曲折的路径飞离，却几乎沿直线返回蜂巢。”代尔夫特理工大学生物启发无人机人工智能教授 Guido de Croon 说。

“生物学研究表明，蜜蜂在返程时远距离阶段主要依赖里程计，接近蜂巢时则更多依靠视觉记忆。但它们究竟学到了什么、如何学习这些视觉记忆，仍不清楚。要把这一过程转化为实用的机器人导航策略，我们必须填补这块空白。”

在 Bee-Nav 中，机器人同样会先在“家”附近执行一段短暂的学习飞行，期间采集周围环境的全景图像。一个小型神经网络负责学习处理这些图像，用来估算回家的方向和距离。

“像昆虫一样，机器人并不总能直接‘看到’家在哪里。”代尔夫特理工大学博士生、论文第一作者 Dequan Ou 解释说。

“家可能太小而难以分辨，或者被树木等遮挡。因此我们用里程计估算出的方向和距离来训练神经网络，尽管这些估算会随时间产生漂移。关键在于：这样的训练信息是否足以让机器人学会归巢？”

实验表明，这样做是可行的。里程计的漂移并未阻碍视觉归巢的成功。

在名为“Cyberzoo”的实验环境中，研究人员进行了四次机器人飞行，每次起点都位于学习区域内的不同位置。机器人使用仅 3.4 千字节的神经网络，对周围全景图像进行解读，估算移动方向和距离。

根据估算的距离，机器人在离家较远时会加快飞行速度，接近家时则减速。在所有飞行中，机器人都成功返回了起点位置。

走向真实场景应用

在小型室内环境中验证归巢能力后，研究团队又在更大尺度的室内外场景中测试了完整导航策略。在荷兰瓦尔肯堡的无人机研究场地 Unmanned Valley 的一次户外实验中，无人机飞行距离超过 600 米，仍能成功返回，仅依赖 42 千字节大小的神经网络。

在大型室内空间（如机库）中，系统在每次测试中都成功完成导航。户外有风条件下，成功率下降到约 70%，主要原因是风力会让无人机产生倾斜，导致摄取的图像更难用于稳定导航。

“这些结果非常令人振奋，”Dequan Ou 表示，“同时也说明我们当前的系统在真实环境中还需要进一步提升鲁棒性。”

一个非常现实的应用方向是温室监控。轻量级无人机可以在温室中巡检作物，及早发现病虫害，帮助种植者提高产量、减少浪费。Bee-Nav 尤其适合这类无人机，因为它们需要尽可能轻便，并且在靠近工作人员时保持足够安全。

此外，这项研究也为理解蜜蜂如何返回蜂巢，以及视觉学习在其中扮演的角色，提供了新的研究视角。