0.   引言

地下复杂空间无人机不依赖GPS导航信息，可在地下矿井、隧道、城市地下等场景中执行快速目标搜救、未知环境探索等任务^[1]，与传统无人机相比，地下复杂空间无人机需要具备复杂环境态势感知及导航拒止环境下的自主定位、自主避障、自主路径规划等功能。

美国等军事强国已从与无人机飞行相关的关键技术探索研究迈入到实际场景的基础应用阶段，如DARPA地下挑战赛、Elios 3 无人机等。国内的研究起步较晚，目前仍处于技术探索研究阶段，其中，由陆军装备部举办的“跨越险阻”陆上无人系统挑战赛中设立“地下无人系统侦察搜索”科目，考验了机器人在地下楼道、坑道、管网区域的机动、通信、测绘、侦察等能力。

随着传感器和新一代信息技术的快速发展，人们的活动空间已不再局限于地面，开始逐步向地下空间探索。面对地下环境的复杂性及未知性，人们开始尝试使用智能机器人进行探索，然而地面机器人存在体积大、质量大、灵活性差、越障能力弱等缺点，不能满足实际探索的需要。而无人机具有体积小、机动灵活、活动空间广、造价低等特点，常被应用于矿井、隧道、涵洞、城市地下等危险、肮脏或不适宜人类活动的领域^[2]。

无人机在地下复杂空间环境面临单体性能不足、环境态势感知及自主导航能力受限等问题，影响无人机安全高效地执行目标搜救、未知环境探索等任务。本文阐述了近年来国内外地下复杂空间无人机的技术发展与应用现状，分析了地下复杂空间无人机面临的挑战，并展望了未来无人机在一体化设计、感知与自主导航及有编队协同等方面的发展趋势。

1.   地下复杂空间无人机技术发展与应用现状

地下无人机技术发展和应用的框架如图1所示。围绕地下复杂空间无人机进行未知环境探索、目标搜救的需求，国内外相关研究机构陆续开展了GPS拒止环境下感知定位、路径规划、鲁棒控制等关键技术的研究，构建了多型无人机试验平台与多类试验场景，示范验证了无人机在地下复杂环境中应用的可能性。

图  1  地下无人机技术发展与应用框架

Figure  1.  Development and application framework of underground unmanned aerial vehicle technology

下载: 全尺寸图片 幻灯片

1.1   地下无人机定位规划与控制关键技术研究

针对地下复杂空间环境，无人机需要具备GPS拒止环境下的自主感知定位功能、自主路径规划与导航功能及鲁棒自适应控制等能力，本文主要从感知定位、路径规划及鲁棒控制等算法方面介绍当前的技术发展与应用现状，其中感知定位算法主要用于获取无人机的位置及环境信息，路径规划算法基于无人机的位置及环境信息实现无人机到目标点的路径规划，最终输出运动控制指令至机载鲁棒控制模块，以实现无人机的自主稳定飞行，如图2所示。

图  2  无人机关键技术框架

Figure  2.  Key technology framework of UAV

下载: 全尺寸图片 幻灯片

1.1.1   感知定位算法

即时定位与地图构建（Simultaneous Localization and Mapping，SLAM）感知定位算法主要用于解决机器人在未知环境运动时的定位与地图构建问题。

为了使激光雷达导航适用于机载计算机算力有限的小型无人机，Xu Wei等^[3]提出了一种基于紧耦合迭代卡尔曼滤波的快速鲁棒激光雷达惯性里程计框架，简称FAST−LIO。在快速运动、噪声大、杂乱的环境中，使用紧耦合迭代卡尔曼滤波融合雷达特征点云和惯性测量单元（Inertial Measurement Unit，IMU）数据，以实现稳健的导航，研究团队使用无人机平台在室内外各类环境开展了测试，表明FAST−LIO可提供实时可靠的导航效果。

针对四旋翼无人机状态估计精度低及稳定性问题，Zhang Kunyi等^[4]提出了一种内嵌深度神经网络处理算法的四旋翼内部感知状态估计系统，其中四旋翼动力学被认为是惯性动力学的感知补充。为了提高无人机多传感器融合的精度，该研究团队在真实的四旋翼飞行数据上训练级联网络，分别学习IMU运动学特性、四旋翼动力学特性和四旋翼运动状态及其不确定性信息，通过级联网络编码后的信息解决传感器融合过程中的IMU偏置稳定性、四旋翼动力学模型和多传感器校准问题。将获取的多源信息融合到一个两阶紧耦合扩展卡尔曼滤波框架中，以更好地估计无人机的状态。

针对多无人机的协同定位问题，Shen Hongming等^[5]提出了一种基于体素地图的定位与建图方法，通过体素地图对雷达点云数据进行降维，减小算法的计算复杂度与占用的通信带宽。提出了一种基于雷达−惯性里程计因子与分布式地点重识别因子的相对状态估计器，实现多无人机在导航拒止环境下的协同定位。

目前，基于激光点云数据的SLAM定位算法取得了较大进展，但在复杂多变未知的地下空间环境下，算法的精度及环境适应性均有待提高。

1.1.2   路径规划算法

无人机路径规划算法是指在综合考虑地形、威胁代价、任务时间等因素的前提下，规划出符合无人机机动性能约束且综合代价最小的飞行路径。

Zhang Ji等^[6]提出了一种Falco规划算法，使无人机可以在杂乱的环境中实现快速自主飞行。该算法认为在传感器范围内障碍物是确定已知的，在传感器范围之外，基于先验地图，可认为障碍物是概率性已知的。该算法不是搜索成本最短的路径，而是确定下一步导航时最可能到达目标的最短路径，单条路径规划耗时约为0.2~0.3 ms。通过实验验证，搭载该算法的无人机能够在杂乱的森林环境中以10 m/s的速度飞行。

Zhu Hongbiao等^[7]提出了一种有效探索高度复杂环境的算法DSVP。该算法包含扩展地图边界的探索阶段及将机器人明确转移到环境中不同子区域的重定位阶段。探索阶段在环境的自由空间中开发一个局部快速探索随机树（Rapidly-exploring Radom Tree，RRT），重定位阶段通过映射环境维护一张全局地图，该算法在未知空间探索方面具有较高的效率。

Cao Chao等^[8]提出了一种在复杂三维环境中进行自主探索的算法TARE。该算法在全局范围内计算一条粗略的路径，以确定机器人的行驶方向，在局部范围内，寻找一条能让机器人的传感器完全覆盖局部探索区域的路线。在靠近机器人的地方进行精细化处理，在远离机器人的区域加权以提高计算速度。该算法根据目标路径长度优化了整体探索路径，并输出可通过的局部路径。研究团队使用地面和空中机器人自主探索高度复杂的室内和室外环境，与后最佳视角（Next-Best-View Planner ，NBVP）、基于图的探索规划器（Graph-Based exploration Planner，GBP）、基于运动基元的探索规划器（Motion primitives-Based exploration Planner，MBP）等算法进行对比，该算法产生的探索效率（每秒平均探索量）提高了80%，且计算量不到50%。

Yang Fan等^[9]提出了快速可通行的路径规划（Fast，Attemptable Route Planner，FAR Planner） 算法，使用动态更新的可见性图进行快速重新规划。规划器通过提取障碍物的边缘点对环境进行建模，并与导航信息融合构建全局地图。在已知环境中，根据先验地图规划路径，在未知环境中，根据导航过程中观察到的环境，尝试多条路径引导车辆到达目标。当存在动态障碍物时，FAR Planner 断开被动态障碍物阻挡的可见性边缘，并在重新获得可见性后重新连接。项目团队在虚拟和真实环境中评估该算法在未知环境中的导航能力，与基于搜索的A^*、D^* Lite算法相比，行程时间减少了 12%~47%，与RRT^*（Rapidly-exploring Random Trees，基于采样的运动规划算法）、BIT^*（Batch Intormed Trees，基于图搜索和采样的规划算法）和 SPARS（Sparse Roadmap Spanners，基于稀疏数据结构的路径规划算法）相比，行程时间减少了 24%~35% 以上。

针对无人机在未知环境自主探索覆盖率低、决策频次低等问题，Zhou Boyu等^[10]提出了FUEL分层框架，在复杂的未知环境中实现无人机快速探索。通过前沿信息结构(Frontier Information Structure，FIS)维护探索规划所需的整个空间中的关键信息，包括代价信息、视场信息等，这些信息可在探索空间时逐步增量更新。在FIS的支持下，分层规划器分3个步骤规划探索运动，找到有效的全局覆盖路径，细化一组局部视点并按顺序生成最短时间轨迹。

传统的基于梯度的轨迹规划算法需要计算欧氏距离场内所有更新空间，而轨迹优化范围仅涉及该空间中的部分区域，存在计算冗余大、算力要求高的问题。针对上述问题，Zhou Xin等^[11]提出了一种无需距离场的基于梯度的轨迹规划算法（ESDF-free Gradient-based Local Planner Quadrotors，EGO−Planner），罚函数中的碰撞项通过对比碰撞轨迹和无碰撞的引导路径获得，只有当轨迹碰到新的障碍物时，产生的障碍物信息才会被存储，使得规划器只提取必要的障碍物信息，大大降低了算力需求及路径规划时间。但该算法仅适用于静态工作环境或在不做任何修改的情况下对缓慢移动的障碍物(低于0.5 m/s )进行自主避障。

针对基于梯度的轨迹优化算法（Gradient-based Trajectory Optimization，GTO）在四旋翼轨迹重新规划中存在局部最小值的问题，Zhou Boyu等^[12]提出了一种基于GTO的重新规划算法，设计了一种路径引导优化(Path-Guided Optimization， PGO )方法来解决不可行的局部极小值问题，显著提高了重规划的成功率。开发了一种拓扑路径搜索算法，在三维环境中捕获一组不同的有效路径，然后针对每条路径进行轨迹优化，实验证明该算法具有较强的鲁棒性。

针对复杂未知多障碍环境对多无人机实时轨迹规划性能的要求，张学伟等^[13]提出了一种基于Tube−MPC和模型预测路径积分(Model Predictive Path Integral, MPPI)控制相结合的多无人机分布式实时轨迹规划框架与方法。首先，构造代价函数，将多无人机的轨迹规划问题转化为随机最优控制问题。然后，借鉴Tube−MPC设计思想，将低频标称控制器与高频辅助控制器串联，实现系统的实时性和鲁棒性。最后，为避免传统方法在求解过程中的维数灾难，提出基于MPPI的多无人机异步轨迹规划方法，将多无人机随机最优控制问题的求解转化为给定代价函数下对采样轨迹期望的求解，最终实现无人机在多障碍环境下的实时避障飞行。

针对无人机集群路径规划问题，Hou Jialiang等^[14]提出了一种增强的分散式自主空中机器人集群规划系统。根据智能体的空间分布，系统动态地将集群分成若干群体和孤立的智能体。对于每个群体内的冲突，研究团队提出了一种新型协调机制−群体规划。群体规划由高效的多智能体寻迹和轨迹联合优化组成，可显著提高规划质量和成功率。通过仿真和实验研究证明，该方法不仅适用于大型集群编队，且具有较高的路径规划质量。

针对矿井灾后环境探索效率低的问题，刘栋等^[15]开展了矿井无人机飞行轨迹定位及多机协同搜索方法的研究，引入吸引度与分散度函数，对基本边界搜索方法进行改进，提出了一种多机协同探索煤矿灾变环境的改进型边界探索算法，大大提高了多机集群系统的搜索探测效率。

目前，针对单机/多机的路径规划算法均取得了较大进展，但在复杂多变未知的地下空间环境下，路径规划算法的实时性有待提高、所需能耗降低。

1.1.3   鲁棒控制算法

无人机的安全稳定飞行需依赖鲁棒性能好的控制算法，以增强无人机自主飞行过程中的抗干扰能力。Tian Bailing等^[16]提出了一种连续多变量姿态控制方法，可使四旋翼无人机的姿态跟踪误差在有限时间内趋于零。针对带有匹配扰动的任意阶积分器系统，提出一种多变量类超螺旋算法（Super-Twisting-Like Algorithm，STLA），为了补偿干扰，在控制律中引入了一个不连续的积分项。

无人机实现完全自主飞行面临路径规划与精确跟踪2个方面的挑战。一般来说，无人机规划器和控制器均为单独设计，路径规划可通过全局/局部路径规划算法实现，但控制器却无法实现精确的轨迹跟踪。针对上述问题，Ji Jialin等^[17]提出了一种基于飞行走廊的模型预测跟踪控制算法（Corridor-based Model Predictive Contouring Control，CMPCC），该算法通过优化最大化跟踪进度与最小化跟踪误差克服不可测干扰，以提高系统的鲁棒性，具有抵抗外部扰动的特性。该算法可对无人机飞行速度进行实时优化，具有较好的安全性、可行性及实时性能。

无人机在飞行过程中会受到非定常的外力干扰，导致无人机的位姿控制产生偏差，影响无人机的飞行稳定性。针对上述问题，Ding Ziming等^[18]提出了一种紧耦合的视觉−惯性−动力学里程计估计方法，该方法在外力变化较大的情况下能稳健而准确地估计外力值和无人机姿态。

航线安全是无人机无风险运行的前提条件。当前规划的安全航线受到实际飞行过程中未知干扰的影响，仍会导致不可控的危险情况。针对上述问题，Hoseong Seo等^[19]提出了一种针对未知但有界扰动的路径规划方法，利用Hamilton−Jacobi进行路径可达性分析，在一段时间内获取系统所有可达路径的集合，进而规划一条避免危险的安全性路径，并在系统遇到突发干扰时实现快速重新规划。

目前，强鲁棒性的控制算法取得了较大进展，但在复杂多变未知的地下空间环境下，无人机面临外部的多源扰动耦合及本体的配置变化、模型不匹配等情况，该控制算法的跟踪性能及稳健性均有待提高。

近几年国内外关于地下空间无人机关键技术的研究方向、研究进展及存在的问题见表1。

表  1  国内外关键技术研究现状总结

Table  1.  Summary of the research status of key technologies at home and abroad

研究团队/机构	研究方向及代表算法	存在的问题
浙江大学FAST实验室	研究方向主要集中在无人机运动规划。 针对微小型无人机，提出了一种无需距离场的基于梯度的轨迹规划算法，EGO−Planner	偏向理论研究，示范与应用验证较少，算法工程适用性仍需验证
天津大学无人系统自主导航与控制实验室	研究方向主要集中在多无人机集群控制与路径规划。针对多无人机协同系统，提出了基于地图匹配及全局路图的多无人机协同定位及协同调度算法	实际应用场景仅限于无GPS森林、无矿洞和隧道的示范与应用，算法工程适用性仍需验证
香港科技大学空中 机器人研究组	研究组与大疆创新科技有限公司建立联合实验室，倾向于使用优化的思路去解决无人机自主飞行中的工程问题，研究方向主要集中在无人机状态估计、建图、运动规划等。 针对深度视觉定位无人机，提出了一种鲁棒且通用的单目视觉惯性状态估计器，VINS Mono	无人机控制算法相关的研究较少，示范与应用验证较少
香港大学MaRS实验室	研究方向主要是空中机器人设计、规划和控制，以及基于激光雷达的SLAM。 针对激光雷达定位无人机，提出了一种计算高效且鲁棒的LiDAR惯性里程计框架，FAST−LIO算法	路径规划与控制算法相关的研究较少，示范与应用验证较少
卡内基梅隆大学 机器人研究所	主要研究方向为导航拒止环境下自主导航和路径规划算法，提出了多种路径规划算法，如Falco、自主探索的方法、TARE、FAR Planner 等	感知定位和鲁棒控制算法相关的研究较少，示范与应用验证较少，算法工程适用性仍需验证

下载: 导出CSV 

| 显示表格

1.2   地下复杂空间无人机试验平台/场景

兼容稳定的试验平台及复杂多样的试验场景有利于验证无人机轻量、自主、强鲁棒的算法有效性。

Foehn Philipp等^[20]遵循通用化和标准化设计准则，搭建了基于视觉的Agilicious四旋翼无人机平台，如图3所示。

图  3  Agilicious无人机平台架构^[20]

Figure  3.  Agilicious unmanned aerial vehicle platform architecture^[20]

下载: 全尺寸图片 幻灯片

该平台完全开源，其搭载视觉深度相机和Jetson TX2机载计算机，可供科研工作者进行无人机视觉感知、规划、学习和控制等方面的研究。通过测试，该无人机能够在50~70 km/h的速度范围内保持敏捷性，并实现自主避障飞行。

为了便于智能机器人顶层规划算法的开发，卡内基梅隆大学机器人研究团队搭建了包括室内环境、校园、停车场、隧道及森林等5种仿真环境（表2），分别对应真实世界中的5种具有特征典型性的环境^[21]。

表  2  仿真环境

Table  2.  Simulation environment

序号	环境	特征
1	校园环境 (340 m×340 m)	包含一些上下坡及盘绕的地形
2	室内环境 (130 m×100 m)	包含长且窄的走廊及许多桌子/椅子等障碍物，其中还有一个护栏，由于其中间可以穿透的特性，会对机器人的感知（perception）模块增加挑战性
3	停车场 (140 m×130 m,5层)	包含多层楼且有上下坡，会给机器人3D导航任务增加难度
4	隧道(330 m×250 m)	由错综复杂的隧道构成的一个庞大的网格结构
5	森林(150 m×150 m)	包含无规律分布的树木及几栋房子

下载: 导出CSV 

| 显示表格

DARPA在2019—2021年举办一系列地下挑战赛^[22]，目的是探索机器人在复杂地下环境中执行任务的可行性，演示验证相关方案的自主性、机动性、网络和感知能力，推动相关技术研发，最终实现在救灾或战场作战环境下利用机器人执行快速勘察、地下搜救等任务。针对第3阶段洞穴巡回赛虚拟竞赛，搭建了含多种洞穴特征的仿真环境，最终形成多条长度为1.5～5.2 km的路线，并具有自然地形、动态岩石坠落、低能见度等环境特征。系统中内嵌了多种机器人平台和多种传感器模型，供参赛团队自主选择。

浙江大学湖州研究院以湖州黄龙洞作为试验环境（图4），开展地下密闭空间自主探索研究，以验证无人机在复杂环境下的自主探索能力。

图  4  地下洞穴^[23]

Figure  4.  Underground cave^[23]

下载: 全尺寸图片 幻灯片

1.3   地下复杂空间无人机示范与应用验证

针对地下复杂空间的侦察及巡检需求，各国陆续开展了地下复杂空间无人机的示范与场景应用研究。主要包括快速轻量自主飞行项目、DARPA地下挑战赛、苏黎世联邦理工矿井巷道检测和三维重建应用探索项目、ExynAero Autonomous Drone产品、Elios 3 无人机、“跨越险阻”地下无人系统侦察搜索比赛、中国矿业大学煤矿井下侦测无人机等。

1） 快速轻量自主飞行项目。快速轻量自主飞行项目^[24-25]于2015年启动，致力于发展全新算法，使小型无人机仅凭所搭载的高分辨摄像机、激光雷达、声呐或IMU，便可在房间等设障环境中自主导航飞行并搜集态势感知数据。2016年，该项目利用四旋翼无人机在设置障碍物的机库内进行了验证试验，飞行速度达到了20 m/s。2017年6月完成第1阶段测试，验证了在真实环境中算法的有效性和鲁棒性。2018年7月完成第2阶段测试，在仿真环境中实现了无人机的自主侦查与搜索任务。该项目的研究成果可应用于建筑物内部快速搜索建模、复杂视线受限的区域目标搜索、在地震等自然灾害发生后进入受损建筑物寻找幸存者等场景。

2） DARPA地下挑战赛。地下挑战赛（Subterranean Challenge，SubT）^[22]由DARPA组织，目的是获取无人机在地下复杂环境中对目标的态势感知能力，探索在该环境中快速侦查、搜索等任务的新方法。该项赛事始于2018年，主要包括2条路线（物理路线、虚拟路线）和3个场景（隧道、城市和洞穴），如图5所示。主要从复杂场景的导航失效、特征突变的感知退化、通信受限、多样化的地形障碍、动态地形及续航受限等方面评估机器人的系统性能。参赛的机器人仅通过1位操作员使用高级指令（任务确认与变更）进行控制，其余过程中机器人应完全自主工作搜寻目标物，并提供实时、连续的3D地图数据。同时，组织方可随时改变环境以考核机器人的自主能力。

图  5  隧道、城市和洞穴^[22]

Figure  5.  Tunnels, cities and caves^[22]

下载: 全尺寸图片 幻灯片

3） 苏黎世联邦理工学院矿井巷道检测和三维重建应用探索项目。苏黎世联邦理工学院Pascal Gohl等^[26]使用微型无人机对地下矿井进行检测和三维重建，手动控制装有摄像机和激光雷达的无人机在矿井中飞行并采集数据，研究分析了矿井中湿热和多尘环境对无人系统的影响及湍流对飞行性能的影响，评估了记录的数据质量及无人机在矿山巡检任务中的适用性，并提出了以下建议：针对矿井的复杂未知、通信受限环境，无人机应具备自主探测及鲁棒控制的能力，以提高无人机的位姿状态估计精度，实现无人机的自主稳定飞行；无人机应具备重建周围环境的能力，以实现自主避障。

4） Exyn Aero Autonomous Drone产品。Exyn成立于宾夕法尼亚大学的GRASP实验室，主攻方向为利用无人机进行非结构性空间勘察。Exyn Aero无人机可在复杂、高风险的环境中导航，采集高精度的3D点云环境数据，如图6所示。内置的自主飞行技术可在不危及操作员安全的情况下获取超视距的感知数据。依赖机载计算机内嵌的SLAM算法，Exyn Aero无人机可实时适应动态环境、实时避障^[27]。

图  6  Exyn Aero 无人机^[27]

Figure  6.  Exyn Aero unmanned aerial vehicle^[27]

下载: 全尺寸图片 幻灯片

5） Elios 3 无人机。Elios 3 无人机是由瑞士Flyability公司研制的一款可用于室内或狭小空间的检测和测绘无人机，如图7所示。搭载FlyAware飞行控制系统，通过使用SLAM技术，可在飞行时同步创建3D点云地图。在工业建筑物、管道等空间安全使用无人机，可减少设备停机时间、检验成本和工人安全风险，也能用于室内测绘，可快速实现资产的数字化^[28]。

图  7  Elios 3 无人机^[28]

Figure  7.  Elios 3 unmanned aerial vehicle^[28]

下载: 全尺寸图片 幻灯片

6） “跨越险阻”地下无人系统侦察搜索比赛。该赛事由陆军装备部主办，目的是探索无人系统在地下复杂环境中快速侦察搜索的能力。地下无人系统侦察搜索赛事主要涉及地下机动、地下空间测绘、地下目标搜索、催泪弹投掷、目标物获取、自主返航等能力的考核。

7） 中国矿业大学煤矿井下侦测无人机。中国矿业大学承担了“十三五”国家重点研发计划课题“煤矿灾变环境信息侦测和存储技术及装备”，针对矿井灾后巷道底板有冒落物和积水等场景，研制了一款防爆灾后环境侦测飞行机器人^[29]，集成探测成像技术手段，搭载气体检测设备，可应用于灾后煤矿环境的侦测与救援。

2.   地下复杂空间无人机面临的挑战

结合对地下复杂空间无人机技术及应用现状的分析可知，当前阶段地下复杂空间无人机仍处于特定场景的试验研究阶段，为满足真实任务场景的需求，地下复杂空间无人机仍存在很多问题亟待解决：

1） 单体无人机性能不足。地下环境复杂、随机多变，对无人机的尺寸重量及续航性能、机动性等均有较高的要求。受地下复杂空间环境的影响，地下无人机一般需要搭载激光雷达，以实时获取高密度点云信息进行无人机重定位，实现自主任务。但激光雷达质量较大，搭载于小型无人机平台，系统续航时间短、飞行速度慢，无法有效满足地下复杂空间自主探索实际应用的需要。

2） 环境态势感知与自主导航能力有限。激光雷达对环境适应性较好，但其自身的质量较大，无法满足长续航小型无人机的设计要求；深度相机质量小，但其对环境的感知受光照等影响较大。目前，可用于小型无人机的机载计算机的算力有限，只能对有限的数据进行处理，获取片面的环境信息，且小型无人机的高速飞行对实时性要求较高，因此对感知、决策、路径规划算法提出了很大的挑战。针对地下复杂空间环境的感知存在不确定性，为无人系统的自主导航作业带来很大的挑战。

3） 编队协同能力有限。单个无人系统的能力有限，为提升任务的有效性及完成度，多机集群成为有效的解决手段。但受限于地下空间环境的复杂性及随机性，GPS拒止及通信受限，无人机的高速移动或大区域探索飞行不能及时获取全局信息，在此背景下形成的编队协同具有很大的挑战性。

3.   地下复杂空间无人机发展趋势

与传统无人机相比，地下复杂空间无人机需要具备复杂随机环境实时态势感知、GPS拒止环境自主定位与导航、通信受限环境信息交互与集群协同等能力，极大地增加了无人机的复杂度，但同时也指明了未来地下空间无人机的发展方向^[2,30]。

针对单体无人机性能不足的问题，开展小型化、轻量化、一体化无人机设计技术研究，通过改进无人机的机械结构，提高激光雷达、深度相机等信息感知传感器与机载控制系统的集成度，优化电源管理系统等，最终实现单体无人机巡航速度、续航时间等性能的提升。

针对环境态势感知与自主导航能力有限的问题，开展GPS拒止环境下的态势感知与自主导航技术研究，攻克SLAM导航与实时路径规划等关键技术难题，围绕特定场景逐步突破算法的局限性，提升无人系统的感知能力及环境适应性、鲁棒性。

针对编队协同能力有限的问题，开展有限信息下的编队协同控制技术研究，攻克异构/同构无人机集群协同、复杂信道环境下的无线通信等技术难题，通过优化无人机集群控制策略、有限信息交互机制及任务决策协同机制等，增强集群无人系统的鲁棒性，进而提升无人系统的任务执行效率与成功率。

4.   结语

随着地下复杂空间无人机应用技术的发展，其要求具有较高的自主性、机动性、环境适应性，搭载环境感知传感器，能够在矿井、洞穴、隧道等复杂环境执行探测、搜救等任务，便于辅助现场人员做出准确有效的决策。但目前针对矿井、隧道等特定场景应用的小型化轻量化一体化无人机设计技术、GPS拒止环境下的态势感知与自主导航技术及弱通信状态下的编队协同技术等方面的专项研究欠缺，亟需开展相关的技术研究，研发一体化自主无人机平台，实现地下复杂空间的目标搜救、未知环境探测等任务。