导读———————————————————————————————————————————无人机自主导航面临一个两难困境板载浅层DNN感知能力有限遇到复杂环境容易碰撞将计算卸载到边缘服务器又受网络波动影响延迟不可控而VLM虽然具备语义理解能力但推理延迟通常超过200ms无法满足实时飞行要求。能否让三者各取所长、协同工作中山大学陈旭教授团队提出CoDrone将端侧灰度图轻量导航、边缘深度估计辅助和云端VLM语义干预整合为统一的三层协同框架。系统通过一个仅需1.0×10^4 FLOPs的DRL神经调度器实时协调三层资源并让云端Qwen-VL-Max通过函数调用function calling直接输出飞行控制指令绕过自然语言解析的开销。实验结果显示CoDrone的平均飞行距离提升40%导航质量QoN提升5%相比此前方法AdaDrone最多延长飞行距离86米。论文信息———————————————————————————————————————————标题CoDrone: Autonomous Drone Navigation Assisted by Edge and Cloud Foundation Models作者Pengyu Chen, Tao Ouyang, Ke Luo, Weijie Hong, Xu Chen机构中山大学计算机科学与工程学院发表IEEE Internet of Things Journal已录用特刊 Augmented Edge Sensing Intelligence for Low-Altitude IoT Systems一、无人机自主导航面临的三重瓶颈———————————————————————————————————————————无人机自主导航依赖板载DNN处理前置摄像头图像输出转向角和碰撞概率来控制飞行。但现有方案存在三个核心矛盾板载DNN感知不足受功率和算力限制无人机只能部署浅层CNN。当视野被严重遮挡如墙壁、密集灌木浅层模型的推理可靠性急剧下降无法及时做出正确避障决策。边缘卸载受网络波动制约将计算任务卸载到边缘服务器可以使用更大的模型但实际飞行中网络带宽频繁波动。带宽骤降时边缘推理的延迟反而会拖累导航甚至导致碰撞。此前的AdaDrone框架通过DRL调度器在板载和边缘之间切换但仅依赖RGB图像推理缺乏深度感知。VLM推理延迟与实时要求冲突VLM具备语义级环境理解能力但即使7B参数的模型也需要约20GB GPU内存推理延迟通常超过200ms直接部署到边缘不现实部署到云端又引入额外通信开销。CoDrone的设计思路是不试图用单一层级解决所有问题而是让端、边、云三层各自承担最合适的任务并通过智能调度实现实时协同。二、三层协同架构端侧轻量导航、边缘深度辅助、云端语义干预———————————————————————————————————————————CoDrone的架构分为三层每层解决一个特定问题。端侧灰度图轻量导航论文对板载导航DNN做了一个关键优化将RGB输入替换为灰度图。输入通道从3减少到1通道维度减少66%。在224×224分辨率下灰度图内存占用仅48KB而RGB为120KB。最终的导航模型输入为(1, 200, 200, 1)的灰度图像FLOPs为4.3×10^7模型输出转向角θ∈[-1,1]和碰撞概率p∈[0,1]。灰度图不仅降低了推理开销还减小了向边缘传输时的数据量进一步压缩通信延迟。边缘Depth Anything V2 DEGAGE一维占用栅格当环境复杂度升高时边缘服务器启动Depth Anything V2深度估计模型将单目RGB图像转换为像素级深度图替代昂贵的RGB-D相机或LiDAR传感器。论文提出了DEGAGE算法Depth Estimation Map Generation Algorithm将二维深度图压缩为一维占用栅格。算法对深度图进行垂直离散化提取与无人机水平飞行轨迹对齐的信息将每个方向区域分类为三类区域类型含义后续处理可行驶区域Drivable无碰撞的空旷路面正常飞行低碰撞风险区域远距离障碍物速度衰减v←α·v高碰撞风险区域即刻碰撞危险速度置零v←0在此基础上控制调整算法CAA通过低通滤波平滑飞行指令。速度更新公式为vt α·v{t-1} (1-α)·(1-p)·V_max其中平滑系数α0.5在响应性和稳定性之间取得平衡。论文还从理论上证明了E[P_D] E[P_R]即深度辅助的碰撞概率严格低于仅RGB推理的碰撞概率。云端Qwen-VL-Max通过函数调用直接控制飞行对于极端场景如误入灌木丛、遇到从未见过的环境CoDrone调用云端Qwen-VL-Max进行语义推理。这里的关键设计是函数调用function calling机制系统预定义了一组底层飞行原语——如move_forward、turn_left、turn_right、move_right、get_current_position等VLM直接输出结构化的函数调用命令而非自然语言描述。这样避免了对自然语言输出的后处理解析减少了执行延迟。VLM触发条件有两个1碰撞概率突然增加同时转向角出现显著偏差表示遇到意外障碍物2DRL调度器连续两次选择深度估计模型且占用栅格持续显示高碰撞风险表明当前环境过于复杂仅几何信息不足以应对。Prompt设计包含5个组件Tool Description定义可调用的控制函数、Task Description规定VLM角色为无人机飞行员、Example需干预的具体场景示例、End不匹配示例时不使用工具、History最近的视觉数据和调用记录防止重复或矛盾命令。论文给出了一个典型案例无人机误入路边灌木丛后VLM依次调用turn_right(120)顺时针旋转120度→move_right(2)向右移动2米→turn_left(10)逆时针修正10度居中对齐确认无人机恢复正确位置后停止发出调用。三、DRL神经调度器用1万FLOPs协调三层资源———————————————————————————————————————————三层架构的核心调度由一个基于A2C算法Asynchronous Advantage Actor-Critic的DRL神经调度器完成。调度器将问题建模为马尔可夫决策过程MDP状态空间为四维向量⟨θ_t, p_t, ap_t, w_t⟩分别表示当前转向角、碰撞概率、过去5步平均碰撞概率和当前带宽。动作空间为三维向量⟨l, o, c⟩l∈{0,1}执行位置0板载1边缘o∈{0,1}是否激活深度估计0使用1跳过c∈{95%, 80%, 60%}图像压缩率奖励函数通过QoN导航质量指标驱动。QoN定义为时间窗口τ内满足深度安全阈值的决策比例。调度器的计算开销极低输入张量仅为(1, 4)FLOPs为1.0×10^4相比导航模型的4.3×10^7低了三个数量级。模型输入张量FLOPs导航模型(1, 200, 200, 1)4.3×10^7调度器(1, 4)1.0×10^4论文展示了一个300秒的飞行案例来说明调度器的自适应行为0-30秒碰撞率高时启用深度估计80-120秒带宽下降时切换到本地推理或提高压缩率180-250秒带宽恢复且环境简单时切回边缘推理250-300秒带宽再次下降时回到板载处理。整个过程无需人工干预。四、消融实验深度估计和VLM分别贡献了多少———————————————————————————————————————————实验在AirSim仿真平台的Coastline环境中进行板载使用Jetson Nano边缘使用RTX 4090测试4种来自HSDPA数据集的带宽场景每组实验重复5次取平均。与基线方法的整体对比论文设置了5个基线进行对比AdaDroneDRL调度RGB推理、CoDrone w/o VLM去掉云端VLM、Local强制板载执行1/3概率用深度估计、Offload始终卸载到边缘、Offload w/o Depth Map边缘执行但不用深度估计。核心对比结果对比维度指标数值CoDrone vs AdaDrone平均飞行距离延长最多86米CoDrone vs AdaDrone最大飞行距离延长最多173米深度估计贡献Offload vs Offload w/o Depth飞行距离延长最多80米CoDrone vs 所有基线QoN提升最高7%总体提升平均飞行距离40%总体提升平均QoN5%VLM模块的单独贡献通过CoDrone完整版与CoDrone w/o VLM的消融对比在不同带宽场景、相同最大速度1.5 m/s下最大平均飞行距离差62米QoN差最高3%在不同最大速度下最大平均飞行距离差53米QoN提升最高3%VLM的贡献主要体现在极端场景的恢复能力上——当无人机陷入常规方法无法处理的困境时VLM的语义理解和函数调用机制能有效帮助无人机脱困。五、总结与思考———————————————————————————————————————————CoDrone提出了一个云-边-端三层协同的无人机自主导航框架。端侧通过灰度图轻量导航降低66%的输入通道开销边缘通过Depth Anything V2深度估计和DEGAGE一维占用栅格算法提供几何感知辅助云端通过Qwen-VL-Max的函数调用机制处理极端场景。DRL神经调度器以仅1.0×10^4 FLOPs的开销实时协调三层资源分配。实验结果显示飞行距离提升40%QoN提升5%。在此基础上有几点值得进一步思考VLM通过函数调用而非自然语言控制飞行保证了输出格式的确定性并减少后处理开销。这种让VLM输出结构化动作的模式对其他需要VLM参与实时控制的Agent系统有参考价值。端→边→云的分层调度思路具有迁移性DRL调度器动态平衡计算成本和感知质量的方式可以推广到其他资源受限的移动机器人场景如无人车、巡检机器人等。