你很有可能看到了無人駕駛飛機群。也許不是親臨現場，而是在新年慶祝活動中進行的電視轉播。當大量的飛行機器人同步飛向天空時，就會出現無人機群。

他們幾乎總是在空曠的室外地區飛行并非偶然。對于這些機器人飛行器，在狹窄的空間中導航時可能會遇到彼此或環境障礙，這很困難。

現在，一種新的機器學習算法正在幫助解決這一挑戰。由加州理工學院的研究人員開發的全球至本地安全自主綜合（GLAS，Global-to-Local Safe Autonomy Synthesis）人工智能（AI）可使無人機群在擁擠的未映射環境中導航。

計算機視覺

典型的無人機群導航系統依靠某個區域的現有地圖來工作。例如，一架無人駕駛飛機將在新年期間照亮天空，就會在時代廣場上方（或它飛行的任何地方）有專門的地圖。它還依靠了解群中每個無人機的路線。這有助于使每個單元保持原樣并避免碰撞。

新的GLAS計劃的工作原理有所不同。得益于其機器學習功能，它可以使無人機自行導航未知區域，同時與群中的其他無人機通信。使用這種分布式的模型可以讓無人機即興表演。

這也使標定無人機群變得更加容易。由于計算能力分布在許多機器人上，因此添加更多的機器人實際上是有幫助的。

雖然主要的AI可以幫助無人機導航環境，但是稱為神經群的輔助跟蹤控制器可以幫助它們補償空氣動力相互作用。這可能像是一架無人機從頭頂飛過而產生的向下氣流。該系統比當今的許多控制器要復雜得多，因為它們不考慮空氣動力學問題。

投入使用

雖然無人機群如今幾乎專門用于娛樂，但將來會有所改變。無人機實在太有用了，用途也太多，無法僅用于燈光表演。這樣，新的群監視技術具有大量的應用空間。

雖然燈光秀肯定會從中受益，但其他領域也有更多收獲。

搜索和救援無疑是一個可以改進的領域。配備新軟件的第一響應者可以部署大量無人機，以快速、有效地覆蓋區域。這僅是可能的，因為GLAS程序允許它們在不依賴預定區域的地圖的情況下進行操作。

同時，這項技術可能在不包括飛行在內的領域有所幫助。例如，它可以集成到自動駕駛汽車中，以幫助避免撞車和交通阻塞。如果每輛汽車都包含這種技術，它們將能夠相互自主地進行交互并進行相應的調整。

盡管有這些激動人心的應用，但像GLAS這樣的系統集成到現實世界的無人機群中可能還需要幾年的時間。需要進行更多測試以確保其可靠性。盡管如此，由于這樣的創新，無人機群將有一天變得司空見慣。
責任編輯：tzh