雙目視覺：這個方法運用了人眼估計距離的原理，即同一個物體在兩個鏡頭畫面中的坐標稍有不同，經(jīng)過轉(zhuǎn)換即可得到障礙物的距離，雙目視覺方法也可以獲得障礙物的深度圖像。這種方法的缺點在于技術難度較高（不過自從有了OpenCV，媽媽再也不用擔心我不會寫機器視覺程序了），且距離估計的誤差隨距離變大而指數(shù)型增長，只是這一缺點在無人機避障應用中并無大礙。

電子地圖：借助細粒度的數(shù)字高程地圖和城市3D建筑地圖，既能夠?qū)崿F(xiàn)避免重要建筑物受到無人機撞擊（即禁飛區(qū)功能），也能夠?qū)崿F(xiàn)很多情況下的無人機避障。而事實上，戰(zhàn)斧巡航導彈的遠程飛行也在很大程度上依賴于數(shù)字高程地圖。

障礙物測量的原理搞懂了，就可以開始討論無人機避障了。最簡單的策略莫過于遇到障礙物時停止前進，然后與障礙物保持一定的距離。這種遇到障礙物后就默默懸停等待，仿佛手足無措不知所往的初級策略，就是這么簡單的開始，無人機就進入了避障時代。

繞過障礙物

很顯然，我們不會滿足于讓無人機遇到障礙物后傻傻等待（固定翼表示自己一秒鐘也無法等待），這就需要設計讓無人機安全高效地繞過障礙物繼續(xù)完成預定飛行的策略。表面上看，連薩摩耶這種囧傻呆萌的狗狗都知道前面有座大樓時該怎么繞過去（請自行想象為什么說到狗狗時要強調(diào)前方是大樓，而不是一棵樹），讓無人機繞過障礙物的策略應該很簡單了，但這其中的門道可多了去了。

首先，狗狗很清楚前方大樓的輪廓，因此只需要往邊緣走就可以繞過去，但是無人機想獲得障礙物輪廓就很難了，如果避障傳感器是普通超聲波，無人機就只能知道前方有障礙，但是卻無從知道障礙物的邊緣，這就是前面為什么要強調(diào)“能夠獲得障礙物深度圖像”了，對于能獲得深度圖像的TOF測距和雙目視覺測距方式，只要障礙物沒有充滿視場，就總能夠找到障礙物的邊緣。舉例說明，下圖所示的是無人機的到的深度圖像示意圖，灰度越深，表明距離越近，遇到這種情況，很顯然的策略就是往左上方飛，即朝向灰度最淺的區(qū)域飛行，此時問題仿佛已經(jīng)得到解決。

但是別高興太早，這種策略可以滿足大多數(shù)應用場景，但是問題還遠沒有解決，看下面的左圖，一架無人機剛繞從一座高大建筑旁繞過去，然后得到了如左圖的障礙物深度圖像，如果按照前面的策略，肯定是要往顏色最前的地方飛行，好那我要是告訴你其實右圖是無人機和兩座懸崖幾何關系的俯視圖，請你告訴我無人機會怎么飛，如果按照前述的策略，這又必將是一場刻骨銘心的事故。

也許有人對windows98時代的迷宮屏保還有印象，屏保中，使用一直沿著左側(cè)墻壁和一直沿著右側(cè)墻壁都會最終走出迷宮，這是因為普通迷宮的拓撲結構就是兩條平行線中間有一個通道，按照這種思路，無人機遇到下圖這種簡單策略躲不過去的障礙時，完全可以采取類似的方式，就一直向左或者向右尋找出路。即如果上面右圖的局部場景的完整形態(tài)如果如下圖所示的話，沿著圖中的兩條曲線為路徑都可以繞過去，如果場景比下圖更復雜，繞過去的路可就需要苦苦追尋了。

雖然關于機器人在未知場景中的避障方法研究非常多，但是由于終究是未知場景，其中必然有復雜的搜索過程。

場景建模和路徑搜索

再回到狗狗繞過大樓的例子，看下圖，如果狗狗左側(cè)右側(cè)的路都走過，而且右側(cè)其實沒有那棵樹的話，很顯然的它下一次繞過這座樓的時候基本上會選擇左側(cè)的路（但是當右側(cè)有顆邪惡的樹之后，結論仿佛有所改變），這是因為它大腦里已經(jīng)有了一幅地圖，即有了這個場景的模型。