在浙江安吉的一片竹林里，飞行机器人每经过一根竹竿，可通行的空间就随之变化。一根斜竹压窄了通道，邻近的无人机也要从同一个缺口穿过。浙江大学 2022 年 5 月的报道描述了小型空中机器人如何依靠机载视觉与计算，在这样的环境中寻找通路。研究人员将硬件、算法与软件作为一套完整系统来开发。[1]

这项工作为了解浙江大学野外自主系统与计算实验室（Field Autonomous System and Computing Lab，简称 FAST Lab）打开了一扇窗口。实验室公布的研究方向涵盖机器人平台、自主导航与机器人协作。[2] 从 EGO-Swarm 到林间实验，再到 Primitive-Swarm，沿着它的空中集群研究往下看，一个问题始终贯穿其中：当每个成员掌握的信息和计算时间都有限时，一群机器人如何协同行动，表现出智能？

协作机群始于单机能力

EGO-Swarm 的预印本于 2020 年 11 月发布，随后发表于 ICRA 2021。Xin Zhou、Chao Xu、Fei Gao 及其合作者介绍了一套去中心化系统：各架无人机在本地规划，各自推进计算，省去了等待统一同步规划周期的环节。它们经由网络共享轨迹，同时观察其他无人机，借此校正彼此位置估计中的偏差。[3][5]

这里有一个重要区别：去中心化仍然包含通信。每架无人机既要掌握附近障碍物的情况，也要了解相邻无人机接下来的飞行意图。各自作出的局部决策在持续交换中相互协调。

EGO-Swarm 将碰撞风险纳入轨迹优化问题，还设计了一种计算负担较小的方法，在局部优化陷入停滞时寻找替代路线。[3] 对无人机来说，它既要能改进已经提出的路线，也要能重新考虑路线本身。仅仅加快某一次计算，仍会留下重新选路的问题。

从实验室开发的系统入手考察研究，吸引力正在于此。算法不断变化，研究问题却持续存在：每个机器人必须知道什么，又来得及在行动之前算清哪些问题？

竹林让飞行时序变得具体

2022 年 5 月 4 日发表于 Science Robotics 的论文，让十架无人机进入茂密竹林，朝林外的目标飞行。规划器同时调整轨迹形状和运动时序。当几架无人机都要经过同一处狭窄缺口时，调整速度有助于让它们依次通过。[4]

因此，空间中的路线只是答案的一部分。两条各自合理的路线，如果使用它们的无人机同时到达交叉处，仍有碰撞风险。调整时序给了系统另一种化解冲突的办法，让无人机沿原有通路错时通过，免去曲折的绕行。

另一项编队飞行测试采用了障碍物密度较低的环境，因此，穿林飞行与编队演示回答的是不同问题。作者也将实用表现置于完备性与最优性的严格证明之前：成功飞行本身，还不足以证明规划器只要遇到有路可走的情况，就一定能找到路线。[4]

浙江大学同期的中文报道介绍了控制科学与工程学院、湖州研究院等单位参与的合作，并将救援、测绘列为潜在应用。[1] 这些目标解释了研究为何要走出受控的飞行空间。至于常态化执行救援任务的部署记录，则是另一层面的证据。

从软件中看清实验

FAST Lab 也公开了部分研究内容，供外界检查。EGO-Planner-v2 仓库注明，它是 2022 年论文的代码库，并附有 Swarm Playground 教程。[6] 其他研究者由此可以从观看飞行结果，进一步查看系统如何描述和处理导航问题。

较早的 EGO-Swarm 仓库披露了一项尤其有助于理解实验的设置：为减少计算负担，默认仿真器将指令直接转换为无人机的运动状态并报告出来。更贴近真实飞行的四旋翼动力学模型可以单独启用，感知仿真也设有不同的 CPU 与 GPU 模式。[5]

这些设置影响着一次成功运行所能证明的内容。在简化仿真中，规划器可以协调好多机通行；一次这样的运行，对真实飞行器如何执行指令的检验仍有限。文档明确呈现了这种区别，读者便能依据演示的实际条件衡量结果。

对研究团队而言，这种开放的价值还延伸到代码分发之外。其他团队要复现、替换或质疑哪些前提，可以从中找到依据。令人信服的林间飞行展示了能力，而可供检查的仿真器，有助于将这种能力发展为持续推进的研究。

机群扩大，计算安排也随之改变

2025 年的 Primitive-Swarm 将更多计算移到了飞行之前。系统预先准备好可行运动库及碰撞检查所需的对应关系，让每架无人机在飞行中从候选方案里选择。这样安排的核心，是减少周围环境每次变化时都要重复的计算。[7]

规模最大的演示涉及 1,000 架仿真无人机。实验使用一台配有 80 个虚拟 CPU 核心和 384 GB 内存的云工作站，将感知简化为局部点云，并经由共享内存交换轨迹。实机集群实验则让八架无人机相向交叉飞行。两类测试分别考察规模扩展与真实飞行，彼此互补，实验条件也有显著差别。[7]

公开的 Primitive-Planner 仓库明确列出了准备步骤：先生成运动库，再运行规划器。文档还列出经过测试的 Ubuntu 20.04 与 ROS Noetic 环境，并建议在仿真期间监测内存和 CPU 使用情况。[8] 轻量的规划计算，仍然运行在一个更大的计算系统之中。

沿着实验室的研究记录继续追问

沿着这条研究线索看，FAST Lab 的独特贡献在于将数学规划与飞行器必须作出的实际取舍连接起来。实验室公布的研究范围涵盖平台、导航与协作，也解释了这些工作为何反复回到整个机器人团队。[2] 传感器、位置估计、通信与运动，必须配合成一次及时的行动。

下一步最有价值的证据，是把已有演示延伸到持续更久、反复开展的任务中：需要人工干预的频率有多高，感知能力下降时会发生什么，以及在不同地点能否完成有用的工作。这些问题用于衡量研究在已发表实验之后的进展，答案仍有待后续检验。

竹林依然是理解这份研究志向的好地方。一个有智能的群体，必须在穿过每一道通路时，持续为每个成员留出空间。

资料来源

1. 浙江大学，《能独立决策的空中机器人从浙大成群飞出》（2022 年 5 月 5 日，中文原文）——安吉野外实验环境、研究团队、一体化开发及拟议应用。
2. 浙江大学 FAST Lab 官方主页——实验室研究目标与方向；访问日期：2026 年 10 月 20 日。
3. Xin Zhou 及其同事，《EGO-Swarm：杂乱环境中的全自主去中心化四旋翼集群系统》（预印本，2020 年 11 月 9 日）——本地规划、轨迹交换与相对定位。
4. Xin Zhou 及其同事，《野外微型飞行机器人集群》，Science Robotics 第 7 卷，eabm5954（2022 年 5 月 4 日），作者托管的论文——实验、讨论及 Movie 2 视频静帧（第 6 页）。
5. ZJU-FAST-Lab，EGO-Swarm 仓库——ICRA 2021 发表记录，以及 README 中有关感知仿真和飞行动力学的章节；访问日期：2026 年 10 月 20 日。
6. ZJU-FAST-Lab，EGO-Planner-v2 仓库——Swarm Playground 及教程；访问日期：2026 年 10 月 20 日。
7. Jialiang Hou 及其同事，《Primitive-Swarm：面向大规模空中集群的超轻量可扩展规划器》（2025 年 2 月 24 日预印本，第 1 版）——规划方法，以及第 VIII-F/G 节的仿真与实机实验。
8. ZJU-FAST-Lab，Primitive-Planner 仓库——2025 年期刊发表信息、运动库生成方法及文档所列运行要求；访问日期：2026 年 10 月 20 日。