像鳥群一樣飛：不靠 GPS，無人機怎麼知道自己在哪裡？

地下停車場、老舊廠房、山洞、災後倒塌的建築。這些地方有一個共同點：GPS 訊號進不來。

衛星訊號被牆壁擋住，無人機一失去定位就失去了判斷自己在哪裡的能力，更別說要和其他機器人協調行動。但這些偏偏是最需要無人機進去探查的場合。

維吉尼亞聯邦大學的研究者 Garcia 和 Eskandarian 在 2026 年初發表的這篇論文裡，把兩個問題放在一起解決。

第一個問題：沒有 GPS，無人機群如何維持隊形？
第二個問題：沒有 GPS，單架無人機如何知道自己在哪裡？

鳥群的啟示

研究者注意到，椋鳥在形成幾千隻的群飛隊形時，並不是靠什麼中央系統協調。每隻鳥只看自己最近的六到七隻鄰居，根據視覺感受到的相對位置調整方向。鳥不知道整個隊形的形狀，也不需要知道。

這個原則叫做「拓撲距離」而非「公尺距離」：你在乎的不是鄰居距離我幾公尺，而是他是否緊鄰著我、是否正在靠近或拉遠。

論文把這個邏輯移植到無人機上。每架飛機的機身上裝了兩顆 LED，搭檔無人機的單眼鏡頭可以看到這兩顆燈。LED 的間距是固定的，鏡頭裡兩點之間的像素距離大，代表對方近；像素距離小，代表對方遠。這樣，鄰機距離就從像素換算出來了，不需要雷射測距儀，不需要無線電，不需要 GPS。

隊形控制器拿到這個距離之後，計算速度命令，讓每架無人機把自己調整到「剛好夾在鄰機之間」的位置。如果暫時看不到鄰機，機體靠慣性感測器自持，等視覺恢復後再重新同步。

看到同一個房間的兩份地圖

隊形維持解決的是相對位置的問題：我和你的距離。但另一個問題是絕對位置：我和整個空間的關係。

這時論文引入了 vSLAM（視覺同步定位與地圖建構）。每架無人機用單眼鏡頭拍攝環境，提取特徵點，在飛行過程中建出一張稀疏的點雲地圖，同時估計自己的軌跡。

問題在於，每架無人機的地圖都是相對自己起飛點的座標系，彼此對不上。

解法是指定一架無人機作為「全局錨點」。這架飛機擁有某種全局定位的來源（例如在有 GPS 的地方起飛，帶著已知座標進入室內），它的地圖就附帶了全局座標。

其他無人機的地圖是局部的。它們把自己的點雲和錨點無人機的點雲做配準——找出兩份地圖中的共同特徵，計算出一個剛體轉換矩陣（旋轉加平移），把自己的地圖對齊到全局座標系。這個計算用的是 ICP（反覆最近點）演算法，可以在飛行中即時執行。

完成對齊之後，沒有 GPS 的無人機就知道自己在世界座標系裡的位置了——因為它的地圖已經和全局地圖重疊在一起。

在實驗室裡驗證

第一組實驗用兩架 Crazyflie 2.1 無人機。第一架按預設路徑飛行，掃描場景，建出一份較大的點雲。第二架懸停，從略微不同的視角拍同一個場景，建出一份較小的點雲。

ICP 對齊後，旋轉矩陣幾乎等於單位矩陣——旋轉偏差極小，主要的修正是沿 Y 軸的平移。兩份點雲合在一起，互補了彼此看不到的角度。

第二組實驗更接近實際應用。一台地面車輛先沿實驗室行進，建出一份帶有全局座標的點雲（用動態捕捉系統校準）。接著一架無人機沿類似路徑飛過同一空間，建出自己的局部點雲，再把這份局部地圖對齊到車輛的全局地圖。

對齊之後，無人機的軌跡誤差縮小了大約四倍。

兩件事為什麼要合在一起？

論文的核心主張不是「視覺隊形控制」或「點雲配準」各自有多好，而是這兩件事必須同時成立，任務才能成功。

只有隊形控制：飛機能互相不相撞，但每架都不知道自己在場景裡的絕對位置。
只有地圖配準：飛機知道自己在哪裡，但如果隊形散開，合作建圖就失去了意義。

兩者整合之後，一組無人機可以像椋鳥群一樣相互感知、保持間距，同時共同維護一份整個場景的空間理解。這份理解讓每架飛機都能在隊形內定位自己，也讓下一步的協作任務——像是地毯式搜索或多角度障礙物偵測——有了共同的座標語言。

輕量鏡頭、分散式邏輯、不依賴 GPS。這組設計的約束條件，和真正需要進入的地方恰好吻合。