如果你用42KB的内存制造一个智能助手，它勉强能放下一张WhatsApp贴纸。

但代尔夫特理工大学的研究人员刚刚用这么少的资源，教会了一台无人机在陌生环境中飞行600多米后，精确返回起点。

这场"小与巨"的对话，源于一个看似简单的生物学事实：蜜蜂的大脑不比芝麻粒大，却能在没有GPS、地图或任何现代导航工具的情况下，飞行3公里去觅食，然后毫无疑问地找到回家的路。

被浪费的算力，和蜜蜂的廉价智慧

现代自主无人机依赖两套成熟的技术支撑。

其一是GPS加地图系统，这需要持续的卫星信号和巨大的存储空间。其二是SLAM同步定位与建图技术，它能在飞行中实时构建环境的三维模型，同时追踪自己的位置。两套方案都极其耗能，每一克重量、每一毫瓦功率对于小型飞行机器人来说都至关重要。

科技行业的普遍逻辑是，问题越复杂，需要的计算能力就越多。但蜜蜂用几百万年的进化告诉我们，这个逻辑也许搞反了。

代尔夫特理工大学博士候选人欧德泉（Dequan Ou）与Bee-Nav无人机合影代尔夫特理工大学 - 微型飞行器实验室

蜜蜂的秘诀分成两个部分，每个都极其巧妙。第一部分叫"路程测量法"，这是一种纯运动学的技巧，根据飞行时的视觉流动来估算自己飞了多远、飞往何方，就像人在黑暗中行走时默默计数自己的步数。问题是这套方法会逐渐累积误差，方向和距离的估算会越来越不准。

蜜蜂用第二套系统来修正这个问题：视觉记忆和地标识别。在正式远航觅食之前，蜜蜂会进行一系列所谓的"学习飞行"，在蜂巢周围反复盘旋，拍摄和记忆周围建筑、植被、光影的细节。这些全景图像存储在它的神经网络里，形成一份"视觉地图"。几小时或几天后，即使蜜蜂已经飞到陌生的地方，只要看到熟悉的地标，它就能立刻意识到自己在哪儿，需要朝哪个方向飞才能回家。

比起GPS，这套系统更耗脑子但省资源。比起SLAM，它需要的处理能力少得多。

经过学习飞行后，Bee-Nav 无人机能够从学习区域内的不同位置返回到起飞点——由于学习过程基于里程计技术，因此机器人无需看到起飞点。代尔夫特理工大学 - 微型飞行器实验室

代尔夫特的研究人员开始思考一个激进的问题：能否把这套生物系统完整移植到机器上？

一次学习飞行，换来终身导航能力

Bee-Nav系统的工作流程，几乎是蜜蜂行为的完整复制。

首先，无人机在基地周围进行一次短途的"学习飞行"，视频摄像头记录周围环境的全景图像。这些图像被输入一个微型神经网络，整个网络的参数和权重加起来，只占用3.4KB到42KB的内存，取决于环境的复杂程度。

网络学习的是什么？一个看似简单实则精妙的映射关系：从当前看到的景象，反推出返回起点的方向和距离。

Bee-Nav无人机导航的长时间曝光可视化图像代尔夫特理工大学 - 微型飞行器实验室

这套系统不需要精确的位置坐标。事实上，研究人员故意用有漂移特性的路程测量数据来训练它，即便这些数据不完美，甚至包含系统性错误。令人惊讶的是，神经网络仍然能够学到有用的视觉特征，足以指导返航。

室内实验首先取得成功。一架小型无人机完成学习飞行后，能够精确返回起点，即便是在复杂的工业建筑内部。研究团队随后将试验扩大到荷兰无人机研究中心"无人谷"的室外环境，无人机在600米外的空旷地带成功返航，神经网络大小仅相当于一张数字贴纸。

然而，室外环境带来了新的敌人：风。

风力会导致无人机倾斜，改变它对周围环境的视角，这进而搅乱了视觉识别的精确性。在风力条件下，系统的成功率下降到约70%。这是一个坦诚的限制，也指向了未来改进的方向。

从蜜蜂到农场，从实验室到现实

这项研究的实际应用场景正在显露。

温室农业成为最有前景的应用之一。轻型无人机配备Bee-Nav系统，可以自主在温室内巡逻，监测作物健康状况，在虫害或病变扩散前及时发现。由于不需要笨重的机载计算机，这类无人机体积更小、能耗更低，在靠近工作人员的环境中也足够安全。

仓库物流、环保监测、工业基础设施检查，甚至灾区搜救，所有这些GPS信号不稳定或难以部署的场景，都成为了这项技术的舞台。

更大的想象空间来自无人机群。一群配备Bee-Nav的微型无人机可以协同工作，每一架都足够自主，足够省能，足够轻便。

但这项研究对科学本身的启示，也许更值得重视。蜜蜂大脑的工作机制一直是神经科学的谜题之一。现在，通过成功地在机器上复现蜜蜂的导航策略，研究人员反过来获得了关于蜜蜂认知的新线索：那个比米粒还小的大脑，究竟是如何用最小的计算代价，达成了现代机器人至今仍觉困难的导航任务。

有时候，最先进的技术，来自最古老的生物。