同济大学的“地空协作机器人”：让无人车和无人机在隧道里默契配合？
这项由同济大学多个研究团队联合完成的研究，于2026年6月发表在arXiv预印本平台（编号：arXiv:2606.25393v2），参与机构涵盖同济大学上海智能自主系统研究院、自主智能无人系统全国重点实验室以及电子与信息工程学院。有兴趣深入了解的读者可以通过上述编号在arXiv平台上查阅完整论文。
说到水电站，大多数人脑海中浮现的是巍峨的大坝和奔腾的江河。然而在大坝背后，隐藏着绵延数公里的引水隧道——这些黑暗、潮湿、空间狭窄的地下管道，是整个水电系统的"血管"。这些隧道需要定期检查，以确认管壁是否出现裂缝、渗水或结构损坏。然而，派人进去检查既危险又耗时，而且人眼很容易遗漏隐患。
于是，用机器人代替人类去执行这项任务，成了工程师们的目标。问题是：隧道里没有GPS信号，光线极度不足，隧道壁面千篇一律毫无特征，地面还可能覆盖着淤泥。这样的环境，就像让机器人在完全陌生的黑暗迷宫里独自行走，既不能看地图，也不能依赖手机定位。
研究团队提出了一个叫做FLISP（快速激光雷达-惯性同步路径规划器，Fast LiDAR-IMU Synchronized Path Planner）的系统，让一辆地面无人车和一架无人机协同工作，共同完成隧道的全面检查。这套系统最独特的地方在于：它不需要提前建好地图，也不依赖GPS，只靠安装在地面车上的一套激光雷达和惯性传感器，就能同时为地面车和飞行器实时规划出安全路径，而且每次规划只需约7毫秒——相当于眨眼时间的七十分之一。
一、黑暗迷宫里的导航难题：为什么普通方法行不通
理解FLISP的价值，首先要明白在这种极端环境中导航究竟有多难。
以目前机器人领域最主流的导航方案为例：通常的做法是让机器人先"建图"再"导航"，也就是先用传感器扫描周围环境，把所有信息整合成一张精确的地图，然后在地图上规划路线。这套方法在室内仓库或结构化工厂里运行得很好，但在水电隧道里却频频"翻车"。
原因出在隧道的物理特征上。水电隧道的截面是规整的圆弧形，内壁光滑均匀，无论走到哪里看起来都一模一样。这对负责"建图"的算法来说是一场噩梦，因为算法需要识别环境中的"地标"来判断自己走了多远、转了多少角。当四面八方都长得一样时，算法就会逐渐迷失，积累误差，最终地图越画越歪。研究团队用实验验证了这一点：他们测试了两种当前主流的建图+导航组合方案，两者都在隧道深处因为"迷路"而彻底失效。
其中一种方案（LIO-SAM加上Informed RRT*）的失败方式尤为戏剧化：建出来的地图会出现"重叠"，弯曲的隧道壁叠加到路径中间，机器人以为前方有障碍物，实际上那只是地图错乱产生的幻觉。更糟糕的是，在某些测试中，这套系统的位置估算会完全失控，计算出机器人已经"飞到"了完全不存在的位置。另一种方案（Fast-LIO2加上Grid A*）则陷入了另一种困境：建图程序在隧道深处"卡住"，虚拟位置停止前进，但机器人本体还在物理上移动，导致实际位置和地图记录的位置越来越偏，最终在地图上制造出一个"幽灵堵塞"，让路径规划系统误以为前方已经无路可走。
研究团队还测试了一种完全不建图的"纯本地规划"方案，用一种叫做TEB的弹性带算法来实时规避障碍。这种方案虽然绕过了建图失效的问题，却遭遇了三种新的困境。
第一个困境叫做"屋顶阴影盲区陷阱"。地面车顶部安装的激光雷达有一个固有缺陷：正前方上方有一片它扫描不到的盲区。在这个盲区里，算法认为"没有障碍物"，于是本能地生成一条笔直穿过盲区的路径。在直线隧道里这没问题，但一旦进入弯道，这条"笔直捷径"会把地面车直接开向弯道外侧的隧道壁，引发碰撞风险。
第二个困境叫做"拓扑死锁"。如果地面车因为地面不平而稍微侧倾，滑上了隧道的弧形侧壁，二维平面规划算法就会把周围的弧形壁投影成"前方有墙"，彻底封死机器人的前进方向。即使用IMU（惯性测量单元，类似手机里的陀螺仪）修正了车体倾斜信息，二维规划器也无法从这种拓扑死锁中自救。
第三个困境研究团队称之为"异构视野悖论"。对于地面车和飞行器组成的协作团队，规划视野的长短是个两难困境。如果规划视野设得很短（比如5米），飞行器在宽阔的隧道上空会频繁生成锯齿形路径，引发剧烈震荡；如果规划视野延长到10米，在非凸形的弯道中，优化算法会陷入相互冲突的软约束，生成突兀的折角路径，这对笨重的地面车而言在动力学上根本无法执行。更根本的问题是，地面车和飞行器用不同长度的视野，会让两者的空间同步彻底崩溃。
FLISP正是为了一次性解决这所有问题而生的。
二、FLISP的核心哲学：用几何直觉代替精确地图
FLISP的思路可以用一个比喻来理解：一个经验丰富的矿工不需要精确的洞穴地图，只需要用手电筒照亮前方几十米，通过观察隧道壁面的弧度和走向，就能判断路怎么走，哪里该转弯，哪里该注意头顶高度。FLISP做的就是把这种"经验判断"用数学语言写成代码。
具体来说，FLISP采用"无图规划"策略：它完全不试图建立一张全局地图，而是每次从激光雷达获取的原始点云（可以理解为激光扫描出来的三维点阵，每个点对应环境中的一个位置）中，直接提取出足够导航的几何信息，立刻生成路径，然后丢掉这批数据，等下一帧数据到来时重新计算。整个过程像是一位导航员不断用望远镜瞭望前方，根据实时看到的地形即时调整方向，而不是依赖一张可能过时的地图。
这套方案在整个系统架构上是高度非对称的：地面车扮演"大脑"角色，承担所有的感知和计算任务；飞行器扮演"执行者"角色，只接收地面车算出来的飞行路径并执行，本身不需要独立处理复杂的感知数据。两者之间的通信通过无线网络完成，地面车上的工业路由器为飞行器提供局域WiFi，同时通过另一台中继路由器与隧道入口的地面控制站保持连接。
三、地面车的路径规划：三个递进步骤
地面车的路径规划是整个系统的核心，分三个递进的步骤完成，每一步都在上一步的基础上把路径磨得更精准、更安全。
第一步叫做"建立基础廊道"，目标是从原始的激光点云中快速提取出隧道的基本几何结构。
由于在磁场复杂的隧道环境里，六轴惯性测量单元（可以感知加速度和角速度，但无法感知绝对方向）无法直接给出准确的偏航角（即机器人朝向相对于隧道轴线的偏转角度），系统需要先估算车体相对于隧道壁的偏向。具体做法是从点云中提取隧道侧壁的法向量（垂直于壁面的方向向量），通过计算这个法向量与车辆前进方向的夹角，得到偏航角偏差，再把这个角度融合进惯性测量单元的姿态数据，得到完整的车体位姿信息。
有了车体姿态之后，系统按照一种"动态步长分箱"策略来生成初始路径中心线。通俗地说，就是把激光扫描到的点云沿前进方向切成一段一段的"箱子"，在每个箱子里找出最左边和最右边的壁面点，取两者中点作为路径点。箱子的大小不是固定的：在直线段，步长较大，路径点稀疏，计算快；在弯道处，步长自动缩小，路径点更密，确保弯道的曲率被精确捕捉。
在弯道部分还有一个额外的挑战：当地面车尚未完全转入弯道时，激光雷达会被弯道外壁遮挡，扫不到内侧壁面，导致边界点数据残缺。系统通过分析路径点斜率序列的方差来判断当前是否处于弯道，一旦确认是弯道，就切换为多项式拟合模型，用已知的点位推断被遮挡的壁面位置，从而"脑补"出完整的隧道边界，保证路径连续。这个推断功能还有一个额外好处：隧道地面有时会积水，激光照射到水面会产生镜面反射，出现点云空洞；多项式拟合可以自动跨越这些空洞，保持路径完整。
第二步叫做"路径鲁棒化与精炼"，专门对付传感器噪声产生的异常路径点。
激光雷达在实际工作中难免受到震动、反射异常等因素干扰，产生少量"离群点"——位置严重偏离正常轨迹的错误路径点。如果直接用这些点导航，机器人会出现莫名其妙的突然偏转。系统采用贝叶斯推断方法来识别并修正这些离群点：对每一个路径点，用前后相邻点做线性插值预测其"应该在的位置"，再计算实际位置与预测位置的偏差，通过贝叶斯概率公式判断这个点是否异常。一旦判定为异常点，就用预测位置替换实际位置。这就像批改试卷时，如果某道题的答案与学生整体水平严重不符，就推断可能是笔误，用最合理的答案替代。
完成二维路径的精炼后，系统还需要把路径"贴"到真实的三维地面上。隧道地面并不是水平的，有时会有坡度和起伏，路径需要沿着真实地面走，而不是悬在空中或钻入地下。系统从点云的高度信息中拟合出地面的海拔轮廓，把二维路径投影到这个三维曲面上，得到真正可以行驶的三维路径。
第三步叫做"动态安全与避障"，解决路上突然出现障碍物的问题。
系统采用一种"路径中心检测"策略：不是扫描整个空间寻找障碍物，而是只在规划路径周围构建一个安全走廊（地面车用矩形走廊，飞行器用圆柱形走廊），只检查走廊范围内是否有威胁。检测时用了一个两阶段过滤机制：第一阶段是"粗筛"，用快速整数索引把点云按路径方向分格，只把落在路径格子里的点送入第二阶段；第二阶段是"精检"，对筛出来的点做精确的几何包含判断。这种分层机制大幅降低了计算量，确保整个检测过程在10毫秒的控制周期内稳定完成。
一旦检测到障碍物，系统启动改进版萤火虫算法（一种受萤火虫群体发光吸引行为启发的优化算法）来寻找绕行路径。由于隧道截面是圆形的，绕行本质上只需要在侧向找一个合适的偏移量，所以优化问题被简化为一维的横向搜索。搜索时受到两个约束：路径必须在物理隧道边界内，且偏移量不能让车辆侧倾角超过安全阈值（防止在圆弧形地面上翻车）。评分函数同时考虑与障碍物的距离（越远越好）、偏离中心的程度（越近中心越好）和侧倾风险（越接近壁面，倾斜惩罚越大，形成一道"软墙"）。萤火虫算法中的随机探索因子随迭代次数指数衰减，确保初期广泛搜索、后期稳定收敛到最优解。
经过这三步处理，系统还会对最终路径进行姿态修正和平滑处理：用一个收缩因子衰减测量到的倾斜角，减少翻车风险；根据偏航角的大小自适应插入过渡路径点，让车辆在转弯时有足够多的中间步骤缓慢调整朝向，而不是突然大幅转向——这对那辆转向响应迟钝、依靠可伸缩轮臂行走的重型地面车来说至关重要。
四、飞行器的路径规划：站在巨人肩膀上的轻盈飞翔
飞行器的路径规划建立在地面车路径的基础上，思路是：既然地面车已经把隧道的几何结构摸清楚了，飞行器就不必再重新做一遍，直接从地面车的路径"衍生"出自己的飞行路径即可。
首先，系统从地面车路径生成飞行器的"最低安全飞行路径"，这是飞行器在与地面车保持通信安全距离的前提下能飞的最低高度轨迹。然后，从隧道中心线投影出一条"期望飞行高度路径"，作为飞行器的目标高度参考。每一个路径点都会检查：如果该点在通信安全球（以最低安全路径对应点为球心、以安全通信距离为半径的球形区域）之内，就直接使用；否则就向安全球表面拉取，确保飞行器始终在通信覆盖范围内。
初始飞行路径生成后，系统用一种"动态采样迭代优化"方法打磨路径质量。对每个路径点，系统在其周围用极坐标方式撒出一批候选点，用一个包含四项指标的综合代价函数评分：安全代价（如果某候选点附近有障碍物，且与路径段的距离小于安全半径，就施加二次惩罚）、平滑代价（越偏离起终点连线的直线方向，惩罚越大）、前进奖励（越靠近目标点，奖励越高）和高度一致性代价（与起始点高度差越大，惩罚越大，以节省能量）。找到每个路径点的最优候选点后，拼接成最终的优化飞行路径。
五、轨迹执行：从路径点到实际运动
FLISP生成的是路径点序列，还需要转换成机器人能直接执行的连续时间轨迹。研究团队特别强调，正是因为FLISP生成的路径本身已经具备良好的运动学质量，不需要像很多其他规划器那样在后端再做复杂昂贵的轨迹优化，只需用标准的轻量方法就能满足需求。
地面车的轨迹用五次多项式插值生成，确保加速度和抖动连续，并通过动态时间重新分配确保不超过速度和加速度上限。飞行器的轨迹用非均匀B样条表示，在急转弯处通过一个曲率感知的时间缩放因子自动降速，保证安全。两者的外环控制器都是标准的前馈比例微分（PD）控制器，根据当前状态与期望状态的偏差生成速度指令，分别发送给地面车的电机控制器和飞行器的MAVLink接口。
六、仿真验证：在数字孪生隧道里的百次考验
在实际部署之前，研究团队在Gazebo仿真平台上构建了一个高保真的虚拟隧道环境，复现了直径13米、有不同弯曲度和闸门的真实水电隧道几何形态，在其中进行了大量测试。
仿真中测试了九种典型场景，每种场景独立运行100次，统计平均指标。结果显示，在无障碍的直线段，系统运行最快，仅需约3.5毫秒；在弯道和连续弯道场景，由于需要多项式拟合，时间略增至约5毫秒。引入障碍物（模拟维修人员）后，计算时间仅小幅增加到6至8.8毫秒，这点增量主要来自仿真平台自身的物理引擎开销，而非算法本身变复杂。闸门穿越场景对飞行器的规划时间要求稍高（约1.5毫秒），因为需要在垂直方向做额外的三维分割来规划"俯冲-恢复"路径。所有场景的计算时间均显著低于10毫秒的安全控制周期阈值。
在路径质量方面，飞行器路径始终比地面车路径更短、路径点更少，体现了飞行器三维机动自由度的优势——它可以在空中"抄近道"，而地面车必须老老实实跟着地面走。
七、实地部署：在真实水电隧道里的1.2公里考验
仿真成功之后，研究团队把系统部署到了一座真实运营中的水电站泄洪隧道里，进行了覆盖全隧道纵向范围的实地测试。整条隧道全长1.2公里，从入口闸门开始经过一段弯道，进入长达约1公里的直线段，最终在另一座闸门处终止。地面车成功自主行驶了1公里，最后200米因为深厚淤泥堆积超过了底盘通行间隙而停止，这是物理机械限制，与算法无关。
实地测试揭示了一些仿真中没有出现的问题。地面车在不平整地面上行进时产生的震动会传递给激光雷达，导致远端点云不稳定，偶尔把隧道壁面的点错误分类为障碍物，触发不必要的避障动作。震动还会让每次规划的最远探测范围稍短，导致实际规划出的路径略短于预设的50米视野（实际约47至48米），但由于系统高频重规划，这点截断无关大局，有效前瞻距离始终保持在45米以上，完全足够安全驾驶。
在多障碍场景测试中，为了安全起见，研究人员采用了手持激光雷达模拟地面车行进的方式，这实际上给系统带来了比真实车辆行进更剧烈的抖动——相当于一次意外的极端压力测试。结果显示，尽管剧烈抖动影响了路径点数量和总长，偏航角估算模块因为对多个壁面法向量取平均，成功过滤了高频干扰，始终保持了稳定的朝向参考，系统没有因此失效。
八、与主流方案的正面比较：数字会说话
研究团队对三种方案进行了系统性的标准化离线评测，使用相同的1.2公里隧道传感器数据作为输入，消除物理随机误差。为确保公平，两种基于地图的对比方案均在其能正常工作的有效定位区间内计算性能指标，而不把失效区间的超时数据算进去——也就是说，对比方案是在"最有利于自己"的条件下被评测的。
系统延迟方面的差距最为悬殊。FLISP的平均延迟为7.05毫秒，而基于Grid A*的方案平均需要49.93毫秒，基于Informed RRT*的方案平均竟然需要6492.61毫秒（约6.5秒）。为什么差距如此巨大？研究团队做了计算延迟分解分析：对于Grid A*方案，整个流程中实际做路径搜索的时间只占很小一部分，超过80%的时间消耗在"栅格化"（把稀疏点云转换为密集体素网格）和"障碍膨胀"（把障碍物在地图上"胖化"以确保安全间距）两个地图维护步骤上。而FLISP完全省去了这个中间表示层，直接在稀疏点云上做几何拟合，天然地绕过了这两个最耗时的步骤。对于RRT*方案，问题更根本：随机采样算法在狭长的隧道空间里需要极其漫长的时间才能找到满足约束的路径，统计显示它平均只能以0.16赫兹的频率完成一次规划，也就是说在两次规划之间机器人要"盲飞"长达6秒，根本无法实现闭环控制。
路径平滑度方面，FLISP生成的路径累积角偏差仅为0.016弧度，接近完美直线；Grid A*为6.068弧度，Informed RRT*高达9.638弧度，充斥着"锯齿"和"折角"。路径迂回度（路径实际长度与理论直线距离之比）方面，FLISP为1.03，Grid A*为1.02，极为接近；Informed RRT*为1.42，绕了不少弯路。
资源占用方面，FLISP的CPU占用仅为1.37%，内存占用仅39.7兆字节，留下充足的计算余量供数据采集和飞行控制使用；Grid A*需要1037.3兆字节内存（主要是全局栅格地图和膨胀层的存储开销），Informed RRT*需要760.5兆字节。在资源紧张的机载计算平台上，这个差距的意义非常直接：FLISP的轻量级设计让它可以与高清摄像和飞行控制程序和平共存，而地图方案可能引发"资源争夺"，影响整个系统稳定性。
成功率方面，FLISP在全程1.2公里测试中保持100%成功率；Grid A*为99.6%，Informed RRT*为98.5%，偶发失败均源于建图退化导致的无效定位。
九、系统的边界与未来：哪里还有提升空间
FLISP并非毫无局限。研究团队坦率地指出了几个现阶段的限制。
FLISP依赖地面车的短期轮式里程计（轮编码器加惯性测量单元）做本地状态估计。在深厚泥浆或积水中，轮子打滑会导致里程计暂时失效。好在系统的高频重规划架构会在下一帧激光数据到来时隐式"复位"，不会像全局地图方案那样发生灾难性的全局飘移，但短暂的状态估计失准仍然存在。
当前系统为线性隧道优化，遇到复杂的岔路口或网状结构时，缺乏拓扑决策能力——不知道该走哪条岔路。研究团队将这列为未来工作的首要方向，计划引入拓扑决策层来处理更复杂的地下结构。
此外，当前的轨迹执行控制器属于标准的比例微分控制，在面对极端动态干扰时，安全保障的理论严格性有限。研究团队的另一项并行工作开发了基于控制障碍函数（CBF）的共识追踪控制器，从理论上保证了安全性边界；下一步计划将FLISP与这个控制器结合部署在真实平台上，进行联合验证。
说到底，FLISP的核心价值不仅仅在于一组漂亮的性能数字，而在于它用一种出人意料的简洁思路，解决了一个看似需要复杂全局建图才能处理的问题。它证明了：对于几何形态高度规律的线性基础设施，与其费力维护一张总是可能出错的全局地图，不如直接相信传感器当下看到的几何现实，用几十毫秒做一次干净利落的局部决策，循环往复，反而走得更稳更快。这种"活在当下"的规划哲学，或许也适用于地铁隧道、矿山巷道、海底管道等诸多类似场景，值得关注这一领域的人们进一步思考和探索。有兴趣深入了解完整技术细节的读者，可以通过arXiv:2606.25393查阅原论文，代码和数据集也已在GitHub公开（仓库名：ArchibaldGuo/FLISP）。
Q&A
Q1：FLISP系统是什么？
A：FLISP是同济大学研发的一套面向水电隧道检查的无图路径规划系统，全称"快速激光雷达-惯性同步路径规划器"。它让地面无人车和无人机协同工作，只靠安装在地面车上的激光雷达和惯性传感器，就能在没有GPS、没有预先建图的条件下，同时为两个机器人实时规划安全路径，平均规划延迟约7毫秒。
Q2：FLISP比传统建图导航方案快在哪里？
A：传统建图导航方案的计算时间主要消耗在把稀疏点云转换为密集栅格地图、再对障碍物做膨胀处理这两个步骤上，光这两步就占了超过80%的计算时间。FLISP完全跳过了建图这个中间层，直接对原始点云做几何拟合得到路径，因此比基于Grid A*的方案快约7倍，比基于RRT*的方案快了三个数量级。
Q3：FLISP能用在其他隧道或地下空间吗？
A：目前FLISP专门为截面规整、形态线性的隧道（如水电引水隧道）优化，在这类环境中表现突出。对于有复杂岔路口或网状结构的地下空间，现阶段系统缺乏拓扑决策能力，不知道该走哪条岔路。研究团队已将拓扑决策模块列为未来工作重点，完成后有望扩展到矿山巷道、地铁隧道等更多类似场景。