你很有可能看到了无人驾驶飞机群。也许不是亲临现场，而是在新年庆祝活动中进行的电视转播。当大量的飞行机器人同步飞向天空时，就会出现无人机群。

他们几乎总是在空旷的室外地区飞行并非偶然。对于这些机器人飞行器，在狭窄的空间中导航时可能会遇到彼此或环境障碍，这很困难。

现在，一种新的机器学习算法正在帮助解决这一挑战。由加州理工学院的研究人员开发的全球至本地安全自主综合（GLAS，Global-to-Local Safe Autonomy Synthesis）人工智能（AI）可使无人机群在拥挤的未映射环境中导航。

计算机视觉

典型的无人机群导航系统依靠某个区域的现有地图来工作。例如，一架无人驾驶飞机将在新年期间照亮天空，就会在时代广场上方（或它飞行的任何地方）有专门的地图。它还依靠了解群中每个无人机的路线。这有助于使每个单元保持原样并避免碰撞。

新的GLAS计划的工作原理有所不同。得益于其机器学习功能，它可以使无人机自行导航未知区域，同时与群中的其他无人机通信。使用这种分布式的模型可以让无人机即兴表演。

这也使标定无人机群变得更加容易。由于计算能力分布在许多机器人上，因此添加更多的机器人实际上是有帮助的。

虽然主要的AI可以帮助无人机导航环境，但是称为神经群的辅助跟踪控制器可以帮助它们补偿空气动力相互作用。这可能像是一架无人机从头顶飞过而产生的向下气流。该系统比当今的许多控制器要复杂得多，因为它们不考虑空气动力学问题。

投入使用

虽然无人机群如今几乎专门用于娱乐，但将来会有所改变。无人机实在太有用了，用途也太多，无法仅用于灯光表演。这样，新的群监视技术具有大量的应用空间。

虽然灯光秀肯定会从中受益，但其他领域也有更多收获。

搜索和救援无疑是一个可以改进的领域。配备新软件的第一响应者可以部署大量无人机，以快速、有效地覆盖区域。这仅是可能的，因为GLAS程序允许它们在不依赖预定区域的地图的情况下进行操作。

同时，这项技术可能在不包括飞行在内的领域有所帮助。例如，它可以集成到自动驾驶汽车中，以帮助避免撞车和交通阻塞。如果每辆汽车都包含这种技术，它们将能够相互自主地进行交互并进行相应的调整。

尽管有这些激动人心的应用，但像GLAS这样的系统集成到现实世界的无人机群中可能还需要几年的时间。需要进行更多测试以确保其可靠性。尽管如此，由于这样的创新，无人机群将有一天变得司空见惯。