在持续探索无人机极限空间飞行的研究过程中，法国洛林大学与Inria联合团队近期发布了其阶段性成果。2025年6月，他们在Nature子刊《npj Robotics》发表论文Flying in Air Ducts，提出一套融合气动力感知与神经网络定位的轻型飞行系统，成功实现一架18厘米微型四旋翼在直径仅35厘米的通风管中自主飞行。该系统集成了风管内气动建模、ToF-IMU融合感知与神经网络定位，突破了微型无人机在狭窄空间中自主悬停与导航的关键瓶颈。

01研究背景

通风管道作为现代建筑（如商办楼宇、医院、轨道交通、工业厂房）中的关键结构，其内部状态直接影响空调、供暖系统运行与空气质量，需要定期检查。然而，这些封闭、狭小、复杂的风管系统对传统检测方式构成极大挑战：

• 人工作业不可进入；

• 地面机器人难以攀爬/越障；

• 飞行器则面临严重气动干扰与感知障碍。

尽管已有一些轮式与带壳飞行机器人应用于管道环境，但它们多用于较大空间或依赖人工遥控，很难实现在小直径圆形风管中的稳定自主飞行。

技术难点

• 气动扰动复杂 风管内部回流强烈，叠加地面效应、吸顶效应与吸墙效应，使无人机悬停高度敏感、姿态易失稳。

• 感知条件极端 风管环境封闭、黑暗、无特征，视觉类定位算法难以工作，传统ToF+IMU方法精度不足。

• 算力资源有限 嵌入式平台算力受限，难以实时运行高复杂度算法，需实现低延迟、高鲁棒、可部署的定位与控制方案。

02研究方法

该研究围绕微型无人机在狭窄通风管中的自主稳定飞行，提出了一套融合气动力建模与端到端位置估计的轻型飞控系统，实现了在直径仅35厘米风管中的悬停与自主飞行。

图片来源:《Flying in air ducts》，Thomas Martin 等，npj Robotics 2025

通风管内气动力场建模

研究团队首先量化旋翼在封闭圆管中的回流气动力，并据此确定最适合悬停的位置。

• 研究团队将安装六维力/矩传感器的无人机模型固定在Franka Panda七轴机械臂末端，在圆管截面定义的192个离散点静止测量气动力差值。

• 基于测量结果，系统绘制了圆形风管截面的扰动力分布图，揭示旋翼回流叠加壁面吸附效应，导致气动力随高度和横向位置呈非均匀分布。

• 数据表明，距管底约10cm处附加力最小，是相对稳定的悬停高度；中心线及靠近顶部位置的扰动显著增大。

图片来源:《Flying in air ducts》，Thomas Martin等，npj Robotics 2025

数据驱动的轻量级定位系统

为解决管道内无纹理、弱光导致的视觉失效问题，论文提出ToF传感器阵列 + 嵌入式MLP的定位方案。

• 微型ToF传感器阵列：采用9-10个VL53L1X传感器，分别指向无人机周围不同方向，测量无人机与管道壁之间的距离。传感器测距精度高、响应快，且不受光线环境影响。

• 神经网络架构：研究团队构建了一个多层感知机（MLP）模型，通过输入ToF传感器数据、无人机的速度信息以及IMU姿态信息，实时输出无人机在管道截面内的横向和纵向位置。

图片来源:《Flying in air ducts》，Thomas Martin 等，npj Robotics 2025

• 模型训练：利用OptiTrack和HTC Vive Lighthouse系统，采集了长达52分钟的精准飞行数据，构建训练集与测试集，神经网络最终实现定位误差在1厘米以内。

• 边缘计算部署：神经网络经过优化后，可直接部署于无人机搭载的STM32微控制器上，实时性强，延迟低于1毫秒。

03实验测试

研究团队采用了一款整机宽约 18 cm（螺旋桨尖对尖）、高 7.5 cm，含电池总重约130g的微型四旋翼，进行飞行测试。

• 在最优高度（~10cm），无人机在内径35cm的圆管中稳定悬停超过2分钟；

• 在内径45cm、56cm管道中，该神经网络模型表现出良好的泛化能力；

• 在总长3.9m、内径45cm隧道内，执行1.5 m前进后返航（共3m）测试，横向误差<2cm。

图片来源:《Flying in air ducts》，Thomas Martin 等，npj Robotics 2025

资源速递

论文链接：

Flying in air ducts | npj RoboticsAir ducts are integral to modern buildings but are challenging to access for inspection. Small quadrotor drones offer a potential solution, as they can navigate both horizontal and vertical sections and smoothly fly over debris. However, hovering inside air ducts is problematic due to the airflow generated by the rotors, which recirculates inside the duct and destabilizes the drone. In this article, we map the aerodynamic forces that affect a hovering drone in a duct using a robotic setup and a force/torque sensor. Based on the collected aerodynamic data, we identify a recommended position for stable flight, which is not the center of a circular duct. We then develop a neural network-based positioning system that leverages low-cost time-of-flight sensors. By combining these aerodynamic insights and the data-driven positioning system, we show how to improve the stability of a small quadrotor drone (here, 180 mm) inside small air ducts (down to 350 mm diameter) and fly autonomously over 2 m.https://www.nature.com/articles/s44182-025-00032-5

如果您有感兴趣的技术话题，请在留言区告诉我们！关注阿木实验室，更多技术干货不断更新！

开发遇到棘手难题可以上阿木官方论坛：

bbs.amovlab.comhttp://bbs.amovlab.com/

有工程师亲自解答、10000+无人机开发者和你共同进步！