一个由荷兰代尔夫特理工大学（Delft University of Technology）、瓦赫宁根大学（Wageningen University）及德国奥尔登堡大学（Carl von Ossietzky University of Oldenburg）组成的国际研究团队，近日在《自然》（Nature）杂志上发布了一项仿生导航技术“Bee-Nav”。该系统模拟蜜蜂归巢行为，使微型无人机无需依赖GPS或大算力硬件，仅凭一个42KB的神经网络即可实现长距离自主返航，为轻型、安全的无人机群在温室监测、工业巡检等精细场景中的应用铺平了道路。

原理：蜜蜂“学习飞行”+光流测程+视觉记忆

未来自主机器人的一大障碍在于导航需要建立详细地图，这往往消耗过多算力和续航。研究人员转而向蜜蜂取经：蜜蜂通过结合光流测程（odometry）和对巢穴周边的视觉记忆来导航。光流测程利用视觉运动线索估算飞行距离和方向，但随时间积累会产生漂移误差；而接近巢穴时，蜜蜂更多依赖视觉快照进行精确归巢。Bee-Nav策略正是模仿了这种双重机制——在起飞前，无人机先执行“学习飞行”，用全景摄像头抓取起点环境的多方向快照，构建基础视觉记忆；飞行途中依赖光流测程粗估位置；返航时，当视觉输入与记忆中的快照匹配，即修正航向直至精准着陆。

硬件轻量化：42KB神经网络驱动600米户外飞行

研究团队成功将Bee-Nav从小型室内测试扩展至大范围环境，包括一次由42KB神经网络驱动的600米户外飞行实验。在大型室内机库中，系统达到了100%的成功率；而在有风户外条件下，成功率降至70%。研究人员分析，性能下降主因是风力迫使无人机倾斜，导致全景图像畸变，影响了AI的视觉匹配——这也是后续技术改进的方向之一。“实验结果令人鼓舞，但也表明现有系统需要在实际环境中变得更加稳健。”

应用前景与生物学意义

Bee-Nav技术尤其适用于温室监测：微型、类似昆虫的无人机可以在不与人类或作物发生危险碰撞的情况下，在温室内安全穿梭，早期检测病虫害，帮助种植者提高产量、减少浪费，无需依赖重型硬件。除了工业潜力，该研究还为生物学提供了新的视角——它反过来有助于理解蜜蜂如何整合视觉学习以成功导航返巢。研究团队希望该策略能推广至更广泛的轻型自主机器人平台，包括搜救、环境监测和包裹配送等场景。