2025 A2RL阿布扎比无人机自主飞行竞速比赛

多伦多大学参赛队无人机控制系统和视觉导航分系统负责人:纯单目视觉竞速,22支队伍中获团体第7名,获得1万美元奖金;8–12 m/s高速飞行跟踪精度约15 cm。

时间: 2024/09至2025/04 · 多伦多大学航空航天研究院

比赛官网: a2rl.io/autonomous-drone-race

A2RL 2025阿布扎比比赛场地内的一次竞速飞行(隔着安全网拍摄)。
A2RL 2025最终排名
最终排名(22支队伍中的前8名)。多伦多大学代表队UTADR获第7名。
潜龙昊在A2RL比赛场地手持竞速无人机
A2RL竞速无人机
左:潜龙昊在A2RL比赛场地。右:比赛现场的A2RL竞速无人机。
左:在训练场地的试飞。右:同一场地在Isaac Sim中的3D高斯泼溅(3DGS)重建模型——仿真机载相机画面与场景中的无人机。
纯视觉导航流程:训练与实现
纯视觉导航流程。训练:利用比赛场地的3DGS重建模型生成门框角点数据集,训练YOLOv11。机载实现:门框角点检测(10 Hz)→ PnP解算绝对位置 → EKF融合VIO(20–30 Hz)与IMU → 100 Hz MPC控制。
  • 代表多伦多大学参加2025 A2RL(Abu Dhabi Autonomous Racing League)无人机自主竞速比赛,担任无人机控制系统和视觉导航分系统负责人。比赛要求仅使用单目相机,在纯视觉定位与导航的前提下完成竞速飞行。
  • 作为首次参赛的团队与专业团队同场竞技,取得团体第7名(共22支队伍参赛),获得1万美元奖金。
  • 构建数据驱动的竞速无人机高精度动力学模型。应用该模型后,模型预测控制(Model Predictive Control,MPC)的跟踪误差降低20%;在8–12 m/s的高速飞行过程中,无人机跟踪精度可保持在15 cm左右。
  • 参与实现了基于三维高斯泼溅(3D Gaussian Splatting,3DGS)技术的视觉导航数据集生成系统。利用3DGS构建飞行场景的三维模型,结合特征点的几何位置,快速生成高精度视觉导航YOLO训练集。
  • 与团队协作,实现了基于视觉里程计、IMU和障碍物特征定位的纯视觉动态飞行定位系统,定位精度约为0.2–0.5 m。在比赛中完成了所有规定飞行科目(22支参赛队伍中,仅有8队完成全部飞行科目)。