42.3KB能做什么？存張模糊的自拍？

不。荷蘭代爾夫特理工大學MAVLab（微型飛行器實驗室）的科學家用它，讓一臺飛行機器人飛了600米后自己找回家。

秘訣就藏在蜜蜂最平常的動作里——采蜜前的“學習飛行”。受此啟發，他們開發出了一種名為Bee-Nav的超輕量導航策略，首次將“路徑積分”和“視覺記憶”融合成統一的長距離導航方案。

于是，一臺小型飛行機器人僅用42.3KB的神經網絡，就能在陌生環境中飛行數百米后精準返航。該研究近日登上國際頂刊《Nature》。

01.

當飛行機器人學會了“先轉兩圈認認路”

如果你觀察過蜜蜂離家前的行為，會發現一個很有趣的現象：它們不會直接沖出去，而是在蜂巢附近飛幾圈“學習飛行”，左看看右看看，記住家門口長什么樣。然后，不管飛到多遠的地方采蜜，回來時幾乎都是直線。

這個現象給了MAVLab團隊一個關鍵的靈感：能不能讓飛行機器人也先“認門”，再放心遠行？ 事實上，他們2024年已在Science Robotics上發表過基于視覺的路徑跟隨方法，而今年，他們把目光從“跟路”轉向了“認家”。

于是，Bee-Nav的策略應運而生，分為兩步。

受蜜蜂學習和覓食飛行啟發的機器人導航策略Bee-Nav示意圖

第一步：學習飛行。

飛行機器人在離家很近的區域（半徑約6-10米）飛一圈，用身上的全景相機拍下沿途的畫面。與此同時，它通過“路徑積分”，也就是不斷累計算自己走了多遠、轉了多大角度，實時算出一個“回家向量”（home vector）。

這個向量告訴它：家在我當前位置的哪個方向、多遠。然后，一個極小的神經網絡被訓練來學習“看到某個畫面→就知道家在哪”。

第二步：正式執行任務。

飛行機器人可以飛到很遠的地方（實驗中最高達600米），途中只依賴路徑積分估算位置。由于路徑積分會有累積誤差，就像閉眼走路會偏，它最終到達的位置可能離真正的家還有一段距離。但只要它落入了“學習飛行覆蓋的區域”，它就會切換成視覺導航模式，靠神經網絡“看”畫面來精確定位家門，從而消除之前的漂移誤差。

02.

一個42KB的“大腦”是怎么做到的？

看到這里你可能會問：能看懂環境、推算回家方向的神經網絡，參數得有多大？

答案令人吃驚：868個參數，僅3.4KB。更大一點的“注意力網絡”版本，也才10820個參數，42.3KB。

作為對比，一篇研究里提到，目前最先進的小型飛行機器人導航方案需要約500KB的內存，而且只能在一個4米×5米的區域里轉悠。Bee-Nav在數百米尺度上的導航，用的神經網絡比一張表情包還小，這背后正是MAVLab團隊長期在極限算力下做文章的成果。

這個“極簡大腦”的核心是一個自監督學習機制。換句話說，就是飛行機器人自己給自己當老師。

學習飛行中，飛行機器人每拍一張全景照片，就用自己的路徑積分算出一個“回家向量”作為答案。它沒有靠GPS，也沒有靠人工標注，整個過程只需要幾分鐘、幾百張照片，就能完成訓練。

03.

室內室外統統拿下，但風太大了也不行

研究團隊在多個真實環境中測試了Bee-Nav：

• 室內10米×10米CyberZoo

這是一個配備OptiTrack運動捕捉系統的精密實驗室，地面有屏幕、立柱等障礙物。飛行機器人在此進行了48次視覺歸巢飛行，100%成功，最終落點距離真實家門都小于0.5米。無論是離線訓練還是在線學習，無論是3.4KB的緊湊網絡還是42.3KB的注意力網絡，全部過關。

• 室內30米×40米大機

場地擴大到上千平方米，飛行距離拉長到30-110米。飛行機器人先執行搜索模式（比如沿鋸齒形路徑覆蓋區域），再用路徑積分估算返航，最后切換視覺歸巢。結果依舊是100%成功。

• 室外400米×500米開闊場地

這才是真正的考驗。飛行距離拉到200-600米，場地空曠，地面特征稀少，研究團隊甚至主動在地上放置了橙色桿子和兩個大型地面標志，人為制造視覺地標。即便如此，低風速下（<5m/s）成功率為80%，高風速下（平均>5m/s，陣風>10m/s）驟降至50%。

失敗的主要原因有兩類：一是陽光直射鏡頭造成眩光，嚴重干擾視覺輸入；二是大風導致飛行機器人必須大角度傾斜才能穩住位置，這使全景圖像發生了扭曲，而網絡在學習時并沒有見過這種變形。

有趣的是，研究還發現，如果在大風天把最小步長從0.1米提高到0.5米，讓飛行機器人每次前進更多，反而能提高成功率。因為這樣能更有效地對抗風力的干擾。、

04.

兩個讓人意外的發現

聊完成功率，再來看看Bee-Nav在“內功”上的兩個意外之處。它們解釋了為什么這個小網絡能比想象中更聰明。

第一個意外：神經網絡學會的不僅是方向，還有距離。

大多數昆蟲啟發的導航研究只讓飛行機器人學會“朝哪邊走”，而Bee-Nav的輸出是一個完整的二維向量，既有方向角，也有向量長度。

飛行機器人在執行視覺歸巢時，會讀取這個向量的長度來動態調整步長：離得遠就走大步，離得近就走小步。這聽起來很合理，但能做到“只看一眼畫面就估計出還有多遠”，對這么小的神經網絡來說并不簡單。

第二個意外：它比“完美記憶”方案還要好用。

研究者做了一個對比實驗：把學習飛行中拍到的所有圖片和對應的回家向量全部存下來，歸巢時把當前看到的畫面和所有存儲的畫面逐一比對，選出最相似的幾個來平均，以此決定回家方向。

結果顯示？Bee-Nav的小神經網絡不僅在LHA區域內表現相當，在超出LHA區域1.5倍到2.5倍半徑的地方，成功率反而更高。論文推測，這可能是因為神經網絡具備某種“注意力”能力，能夠識別出遠處那些雖小但仍有參考價值的地標。

05.

它能做什么？又有什么局限？

眼下，Bee-Nav只適用于“從A（家）出發，回到A”的場景，它記住的只有這一個地方。

但這已經足夠支撐很多實際應用了：溫室巡檢、倉庫庫存盤點、搜索救援中的區域掃描……小型飛行機器人可以飛出去執行任務，然后自己飛回充電樁或數據收集點。更重要的是，這種輕量級飛行機器人本身質量很小，即使與人發生碰撞也基本不會造成傷害。這在人機協作場景中是一個巨大的安全優勢。

當然局限也很明顯。如果家門周圍的環境發生了劇烈變化，比如一個重要的地標被移走了，神經網絡就需要重新學習；如果環境中幾乎沒有視覺特征，比如一條長長的、兩側都是白墻的走廊，這個方法也會失效。論文作者在討論部分坦率地指出了這一點，并建議飛行機器人在檢測到訓練誤差過高時，可以自動觸發一次新的學習飛行。

但在它劃定的邊界內，Bee-Nav用42KB的神經網絡實現了數百米尺度的自主返航，這是此前任何小型飛行機器人都做不到的。

論文鏈接：https://www.nature.com/articles/s41586-026-10461-3