对于试图在繁忙的环境（如仓库或森林）中高速飞行的无人机来说，能够随时准确地知道自己的位置似乎非常重要。麻省理工学院计算机科学和人工智能实验室（CSAIL）的研究人员说，情况并非如此。他们设计了一种新的、有效的方法来引导无人机绕过障碍物。关键成分是什么？不确定性。

大多数无人机——事实上，大多数自动驾驶车辆——导航都是从地图开始的。为了绘制一幅图，深度传感器被用来扫描被编译成单个3D模型的直接环境。然后，这不仅告诉车辆在任何给定时刻的位置，还告诉车辆如何到达目的地。这是一种通常被称为“同步定位和映射”或SLAM的方法。

到目前为止，SLAM为社区提供了相当好的服务，但它也有其缺点。首先，这是一个非常密集的过程，需要大量高保真数据和计算能力来处理。这就是为什么Waymo和Uber最近和解的诉讼都是关于激光雷达的——激光发射传感器用于收集和处理深度数据。数据很重要。

但是，这一过程在高速和无人驾驶飞机等小型飞行器上会产生问题。他们没有时间收集他们需要的所有数据，而给他们处理器来理解这些数据是昂贵的。

但CSAIL的彼得·弗洛伦斯说，绕过这些要求的一种方法是少计划多反应。Florence和他的团队开发了一种导航和避障的替代方法，这种方法可以根据这些需求进行调整，他们称之为纳米地图。它仍然通过收集有关环境的3D数据来工作，但这些信息从未融合到单个地图中，而是存储在一系列快照中。这使得反应时间更快：无人机每秒处理的信息更少（这是不确定性方面），因此可以轻松地处理数据。

弗洛伦斯告诉《边缘》杂志：“因为我们没有进行数百次测量并将它们融合在一起，所以速度非常快。”当我们想要规划我们的环游世界之路时，我们只需通过我们已有的视图进行搜索。”

这种方法也有缺点，Florence说NanoMap对于需要高质量的周围地图的应用（比如在农业中进行勘测工作或帮助执行搜索和救援任务的无人机）来说不是很好。类似地，自驾汽车**商可能会对SLAM更满意，因为它的硬件需求对大型和昂贵的汽车来说负担较小。

但是，弗洛伦斯说，对于小型无人机来说，纳米地图可能是一种完美的方式，可以让它们在不过度使用数字大脑的情况下获得障碍感知能力。在现实环境和模拟中的早期测试都是有希望的。

弗洛伦斯说：“我们现在有了可以四处飞行的无人机，但没有什么能比得上鹰，比如说，它能以最快的速度在森林中燃烧。”当你走得那么快的时候，你就不能指望对世界有完美的几何测量。你还需要别的东西。”

“我认为，研究能够快速优雅移动的机器人很有趣，所以这是最重要的。”