蜜蜂教做导航！这小飞行机器人用约 42KB“大脑”就能飞600米回家

42.3KB能做什么？存张模糊的自拍？

不。荷兰代尔夫特理工大学MAVLab（微型飞行器实验室）的科学家用它，让一台飞行机器人飞了600米后自己找回家。

秘诀就藏在蜜蜂最平常的动作里——采蜜前的“学习飞行”。受此启发，他们开发出了一种名为Bee-Nav的超轻量导航策略，首次将“路径积分”和“视觉记忆”融合成统一的长距离导航方案。

于是，一台小型飞行机器人仅用42.3KB的神经网络，就能在陌生环境中飞行数百米后精准返航。该研究近日登上国际顶刊《Nature》。

01.

当飞行机器人学会了“先转两圈认认路”

如果你观察过蜜蜂离家前的行为，会发现一个很有趣的现象：它们不会直接冲出去，而是在蜂巢附近飞几圈“学习飞行”，左看看右看看，记住家门口长什么样。然后，不管飞到多远的地方采蜜，回来时几乎都是直线。

这个现象给了MAVLab团队一个关键的灵感：能不能让飞行机器人也先“认门”，再放心远行？ 事实上，他们2024年已在Science Robotics上发表过基于视觉的路径跟随方法，而今年，他们把目光从“跟路”转向了“认家”。

于是，Bee-Nav的策略应运而生，分为两步。

受蜜蜂学习和觅食飞行启发的机器人导航策略Bee-Nav示意图

第一步：学习飞行。

飞行机器人在离家很近的区域（半径约6-10米）飞一圈，用身上的全景相机拍下沿途的画面。与此同时，它通过“路径积分”，也就是不断累计算自己走了多远、转了多大角度，实时算出一个“回家向量”（home vector）。

这个向量告诉它：家在我当前位置的哪个方向、多远。然后，一个极小的神经网络被训练来学习“看到某个画面→就知道家在哪”。

第二步：正式执行任务。

飞行机器人可以飞到很远的地方（实验中最高达600米），途中只依赖路径积分估算位置。由于路径积分会有累积误差，就像闭眼走路会偏，它最终到达的位置可能离真正的家还有一段距离。但只要它落入了“学习飞行覆盖的区域”，它就会切换成视觉导航模式，靠神经网络“看”画面来精确定位家门，从而消除之前的漂移误差。

02.

一个42KB的“大脑”是怎么做到的？

看到这里你可能会问：能看懂环境、推算回家方向的神经网络，参数得有多大？

答案令人吃惊：868个参数，仅3.4KB。更大一点的“注意力网络”版本，也才10820个参数，42.3KB。

作为对比，一篇研究里提到，目前最先进的小型飞行机器人导航方案需要约500KB的内存，而且只能在一个4米×5米的区域里转悠。Bee-Nav在数百米尺度上的导航，用的神经网络比一张表情包还小，这背后正是MAVLab团队长期在极限算力下做文章的成果。

这个“极简大脑”的核心是一个自监督学习机制。换句话说，就是飞行机器人自己给自己当老师。

学习飞行中，飞行机器人每拍一张全景照片，就用自己的路径积分算出一个“回家向量”作为答案。它没有靠GPS，也没有靠人工标注，整个过程只需要几分钟、几百张照片，就能完成训练。

03.

室内室外统统拿下，但风太大了也不行

研究团队在多个真实环境中测试了Bee-Nav：

• 室内10米×10米CyberZoo

这是一个配备OptiTrack运动捕捉系统的精密实验室，地面有屏幕、立柱等障碍物。飞行机器人在此进行了48次视觉归巢飞行，100%成功，最终落点距离真实家门都小于0.5米。无论是离线训练还是在线学习，无论是3.4KB的紧凑网络还是42.3KB的注意力网络，全部过关。

• 室内30米×40米大机

场地扩大到上千平方米，飞行距离拉长到30-110米。飞行机器人先执行搜索模式（比如沿锯齿形路径覆盖区域），再用路径积分估算返航，最后切换视觉归巢。结果依旧是100%成功。

• 室外400米×500米开阔场地

这才是真正的考验。飞行距离拉到200-600米，场地空旷，地面特征稀少，研究团队甚至主动在地上放置了橙色杆子和两个大型地面标志，人为制造视觉地标。即便如此，低风速下（<5m/s）成功率为80%，高风速下（平均>5m/s，阵风>10m/s）骤降至50%。

失败的主要原因有两类：一是阳光直射镜头造成眩光，严重干扰视觉输入；二是大风导致飞行机器人必须大角度倾斜才能稳住位置，这使全景图像发生了扭曲，而网络在学习时并没有见过这种变形。

有趣的是，研究还发现，如果在大风天把最小步长从0.1米提高到0.5米，让飞行机器人每次前进更多，反而能提高成功率。因为这样能更有效地对抗风力的干扰。、

04.

两个让人意外的发现

聊完成功率，再来看看Bee-Nav在“内功”上的两个意外之处。它们解释了为什么这个小网络能比想象中更聪明。

第一个意外：神经网络学会的不仅是方向，还有距离。

大多数昆虫启发的导航研究只让飞行机器人学会“朝哪边走”，而Bee-Nav的输出是一个完整的二维向量，既有方向角，也有向量长度。

飞行机器人在执行视觉归巢时，会读取这个向量的长度来动态调整步长：离得远就走大步，离得近就走小步。这听起来很合理，但能做到“只看一眼画面就估计出还有多远”，对这么小的神经网络来说并不简单。

第二个意外：它比“完美记忆”方案还要好用。

研究者做了一个对比实验：把学习飞行中拍到的所有图片和对应的回家向量全部存下来，归巢时把当前看到的画面和所有存储的画面逐一比对，选出最相似的几个来平均，以此决定回家方向。

结果显示？Bee-Nav的小神经网络不仅在LHA区域内表现相当，在超出LHA区域1.5倍到2.5倍半径的地方，成功率反而更高。论文推测，这可能是因为神经网络具备某种“注意力”能力，能够识别出远处那些虽小但仍有参考价值的地标。

05.

它能做什么？又有什么局限？

眼下，Bee-Nav只适用于“从A（家）出发，回到A”的场景，它记住的只有这一个地方。

但这已经足够支撑很多实际应用了：温室巡检、仓库库存盘点、搜索救援中的区域扫描……小型飞行机器人可以飞出去执行任务，然后自己飞回充电桩或数据收集点。更重要的是，这种轻量级飞行机器人本身质量很小，即使与人发生碰撞也基本不会造成伤害。这在人机协作场景中是一个巨大的安全优势。

当然局限也很明显。如果家门周围的环境发生了剧烈变化，比如一个重要的地标被移走了，神经网络就需要重新学习；如果环境中几乎没有视觉特征，比如一条长长的、两侧都是白墙的走廊，这个方法也会失效。论文作者在讨论部分坦率地指出了这一点，并建议飞行机器人在检测到训练误差过高时，可以自动触发一次新的学习飞行。

但在它划定的边界内，Bee-Nav用42KB的神经网络实现了数百米尺度的自主返航，这是此前任何小型飞行机器人都做不到的。

论文链接：https://www.nature.com/articles/s41586-026-10461-3