×

深度研报 | 无人机“失明”之后:全球 GNSS 拒止导航技术、军用实战与空间智能革命

wang wang 发表于2026-02-27 16:36:27 浏览1 评论0

抢沙发发表评论

深度研报 | 无人机“失明”之后:全球 GNSS 拒止导航技术、军用实战与空间智能革命
🚀 摘要：当电子战切断了 GPS 信号，当无人机深入地下矿井或城市峡谷，谁能拥有“不依赖外源信息”的自主感知与决策能力，谁就掌握了下一代低空经济与国防安全的绝对“制空权”。本文系统梳理全球“全自主/无卫星导航”技术的顶尖玩家，揭秘 Shield AI、Skydio 等独角兽的核心壁垒，并深度剖析李飞飞“空间智能”如何对传统 SLAM 技术实施降维打击。
📢 前言：从“飞行器”到“飞行机器人”的物种爆发
无人机正在经历一场从“遥控平台”向“高度自治智能体”的跨越式进化。
在俄乌冲突的电子干扰常态化背景下，以及城市物流、地下巡检等复杂民用场景中，传统的“卫星导航（GPS/北斗/GNSS）”正面临前所未有的挑战。一旦信号被拒止（Denied）或欺骗（Spoofed），90% 的现有商用无人机会变成“无头苍蝇”。
“去 GNSS 化”导航能力——即在无卫星信号、无通信链路的极端环境下，依靠自身传感器实现自主定位、避障与目标追踪，已成为全球军工巨头与科技独角兽竞逐的核心赛道。本文将基于真实可查的公开数据，为您呈现这一领域的全球技术全景。

一、技术硬核：当卫星信号消失，无人机靠什么看世界？

无人机实现自主导航与目标感知，传统依赖卫星导航提供高精绝对坐标。但在室内、地下、丛林遮挡或强电磁对抗环境下，无人机必须构建“相对坐标系”。
目前全球主流的去中心化（Decentralized）技术栈包括：

1. 视觉惯性里程计 (VINS / VIO)

原理：类似人类的内耳（前庭）与眼睛配合。利用 IMU（惯性测量单元）的高频数据与摄像头的特征点漂移进行融合计算。
优势：成本低、体积小，是被动探测（不发射信号，隐蔽性好）。
局限：在弱光或纹理缺失（如白墙、海面）环境下易失效。

2. 激光雷达 SLAM (LiDAR SLAM)

原理：利用激光雷达每秒发射数十万个点云，实时构建周围环境的 3D 轮廓并定位自身。
优势：精度极高（厘米级），完全不受光照影响（全黑环境可用）。
局限：算力消耗大，硬件成本相对较高。

3. 语义导航与空间智能 (Semantic & Spatial Intelligence)

原理：利用 AI 识别环境中的物体（门、窗、车辆），不仅知道“那里有障碍”，还能理解“那是路标”。
进阶：结合大模型（LWMs），让无人机具备“常识推理”能力（例如：看到河流知道流向，看到铁轨知道延伸方向）。

二、全球产业版图深度扫描：谁是“全自主”王者？

✅ 第一梯队：美国（技术溢出与实战化最强）
美国在该领域处于绝对领跑地位，形成了从“底层芯片”到“顶层战术”的完整闭环。
🇺🇸 Shield AI —— 国防级自主霸主
核心护城河：Hivemind软件。这不仅仅是导航算法，而是一个基于强化学习（RL）训练的 AI 飞行员系统。
旗舰产品：
  • Nova 2：专为室内近战设计的四旋翼，能在完全无 GPS、无通信环境下自动探索复杂建筑物。
  • V-BAT：垂直起降长航时无人机，具备在强电子对抗环境下执行蜂群协同任务的能力。
实战地位：唯一通过美国国防部“可信自主系统”认证的 AI 飞行员，已大规模列装。
🇺🇸 Skydio —— 视觉自主导航标杆
核心技术：Skydio Autonomy Core。
技术细节：其最新Skydio X10搭载 6 个专用导航摄像头，实时构建高分辨率体素地图（Voxel Map）。不同于大疆的“避障”（检测到障碍停下），Skydio 能利用 AI 实时规划路径“绕过”树枝、电线，是目前“视觉 SLAM”商业化最成熟的产品。
NightSense：结合可见光与红外，使其在全黑环境下依然能通过视觉定位。
🇺🇸 Exyn Technologies —— 极端环境专家
核心背景：源自宾夕法尼亚大学 GRASP 实验室（全球顶尖机器人实验室）。
杀手锏：Level 4 自主性。主要用于深部矿井和复杂洞穴的地图测绘。其无人机可以在完全黑暗、无 GPS、无人类指令的情况下，自主探索未知区域并带回高精地图。
✅ 第二梯队：以色列与欧洲（细分领域隐形冠军）
🇮🇱 Elbit Systems (以色列)
代表产品：Lanius巡飞弹系统。
技术特点：这是一款“搜索-攻击”一体化微型无人机，利用视觉 SLAM 在复杂的城市巷战和室内环境中自主寻找高价值目标，完全不依赖 GPS，被称为“室内杀手”。
🇪🇸 UAV Navigation - Grupo Oesía (西班牙)
核心优势：专注于AHRS（姿态航向参考系统）与飞控算法的结合。其长处在于当 GPS 丢失时，利用极高精度的空气动力学模型和惯性推演，保持固定翼无人机在数小时内“盲飞”不迷航，漂移率极低。
✅ 第三梯队：中国（产业链完备，算法快速追赶）
中国拥有全球最强的无人机硬件供应链，但在“反卫星干扰”的高级自主算法上，正从“跟随”向“并跑”过渡。
企业/机构技术焦点与现状
大疆创新 (DJI)视觉感知天花板。虽然消费级产品依赖 GPS，但其行业级 Matrice 300/350 RTK 及 Mavic 3E 系列的视觉悬停稳定性是全球标杆。其内部预研的“全向感知”已具备极强的无 GPS 短时作业能力。
苏州荷清智能工业级自主巡检。源自清华系团队，专注于煤矿、隧道等全封闭无信号场景。采用激光雷达 SLAM 方案，实现了工业级的“一键自主巡检”。
联核科技特定场景定位。专注于仓储环境，利用视觉标签（AprilTag）或纹理匹配实现无 GPS 的厘米级定位。
高校力量港科大 (HKUST) 沈劭劼教授团队与 浙江大学 在 VINS（视觉惯性系统）、Fast-Planner（快速规划）等算法上处于世界顶尖水平，大量开源代码滋养了全球产业。
✅ 第四梯队：俄罗斯与乌克兰（实战催生的变种进化）
技术现状：在 2024-2025 年的冲突后期，由于双方电子战能力极强（GPS 基本完全失效），催生了大规模的“末端机器视觉制导”。
低成本自主：FPV 无人机在末端通过加载廉价的 AI 追踪模块（基于 OpenCV 或简单神经网络），在操作员信号被切断后，自动锁定目标图像并撞击。这是“低端但极其有效”的无 GPS 自主导航变种。

三、前沿：李飞飞“空间智能”与大模型如何重塑导航？

斯坦福大学李飞飞教授团队新成立的World Labs提出的"Spatial Intelligence"（空间智能），以及开源界涌现的大模型，正在对传统的 SLAM 技术进行降维打击。

1. 核心理念：从“画地图”到“懂世界”

传统困境：传统 SLAM 只能告诉无人机“前方 2 米有障碍物（坐标 x,y,z）”，但不知道那是一棵树还是一只鸟。
空间智能 (Spatial Intelligence)：李飞飞团队致力构建的Large World Models (LWMs)，旨在让 AI 像人类一样理解三维空间。它能理解物理规律、物体属性和空间关系。

2. “大模型导航”在全球的探索与应用案例

虽然李飞飞的 World Labs 刚刚起步，但类似的“端到端大模型导航”与“具身智能”理念已在全球头部玩家中落地：
🌍 全球先锋案例
Skydio (美国) —— Symbio / Deep Learning
- 应用：Skydio 早已脱离传统几何算法，大量使用深度神经网络来预测障碍物的运动轨迹。他们正在研究利用生成式模型来“脑补”被遮挡的环境（例如：看到半辆车，推测出车后有盲区），这正是空间智能的雏形。
Tesla (美国) —— FSD (可迁移至无人机)
- 应用：Tesla 的 FSD v12 是典型的“端到端” (End-to-End) 大模型。输入是摄像头图像，输出直接是控制指令，中间不再有人工写的规则代码。这种技术路线正在被移植到无人机上（如Wayve在英国的研究），实现无地图导航。
NVIDIA (美国) —— Isaac Perceptor / Gym
- 应用：NVIDIA 并不造飞机，但它提供了训练空间智能的“元宇宙”。全球开发者都在 Isaac Sim 中利用强化学习训练无人机在复杂环境（如森林、倒塌建筑）中的自主导航策略，然后“Zero-shot”迁移到真实世界。
UC Berkeley (美国) —— BADGR / ViNG
- 研究：伯克利分校的机器人实验室通过让 AI 观看数千小时的视频，学习如何在地貌复杂的非结构化环境中导航（例如：草地可以飞过去，但灌木丛不能），这是一种基于经验的直觉导航，而非死板的地图计算。
💡 对卫星拒止环境的意义
拥有“空间智能”的大模型无人机，在 GPS 失效时，不再仅仅依赖惯性推算（容易漂移），而是能像人类一样通过地标识别（Landmark Recognition）和场景理解来定位。
例子：无人机看到一座独特的钟楼，通过大模型检索记忆，直接锁定自身在城市的绝对坐标，无需卫星信号。

四、国内研究生/博士科研方向建议（2026版）

针对计算机/控制/机器人方向的研究人员，建议避开“传统 SLAM 建图”的红海，转向以下高价值结合点：
1.3D Gaussian Splatting (3DGS) for Navigation：利用 3D 高斯泼溅技术进行快速场景表征，比传统 NeRF 渲染速度快 100 倍，适合无人机实时建图。
2.Embodied AI & End-to-End Control：研究从“图像输入”直接到“控制指令输出”的神经网络，抛弃繁琐的中间建图环节。
3.Collaborative SLAM under Bandwidth Constraints：研究在弱网/无网环境下，多机如何只交换极少量的语义信息（而非庞大的点云）来完成协同定位。
4.Robustness in Degraded Environments：专门攻克烟雾、雨雪、强光、动态场景下的感知鲁棒性（Thermal-Inertial Odometry 热成像惯导是目前蓝海）。
📚 参考资料
为方便读者查证与进一步研究，精选以下核心信源：
1.Shield AI 技术主页: shield.ai/hivemind (了解 Hivemind 自主飞行系统)
2.Skydio Autonomy: skydio.com/autonomy (视觉自主导航技术白皮书)
3.World Labs: worldlabs.ai (李飞飞空间智能/大模型官方主页)
4.Exyn Technologies: exyn.com (地下无 GPS 自主测绘案例)
5.HKUST Aerial Robotics Group: uav.hkust.edu.hk (沈劭劼教授团队 VINS 开源项目)
6.UAV Navigation: uavnavigation.com (西班牙抗干扰导航技术)
7.ICRA / CVPR 会议论文集: 搜索关键词 "GPS-denied navigation", "VINS-Fusion", "Semantic SLAM"。
(本文数据截至 2026 年 2 月，旨在提供客观技术分析，不构成投资建议)

Petter留德

更多留德资讯请扫码加V咨询

微信号丨heshenhaiyan

声明：本文部分配图来源于网络，如涉及版权问题请联系本人删除。文中数据来源于公开信息整理，部分为合理估算，仅供参考。任何基于此信息的决策与本人无关，如需专业建议请单独咨询。