在复杂环境中执行精细而敏捷机动的能力，是四旋翼无人机释放潜能的核心瓶颈。传统模块化架构依赖外部定位或繁琐的手工特征提取，在大机动飞行时，各模块的误差累积与信息损失，使得这类系统极易失败。如何在仅依赖机载感知的前提下，实现高精度大机动飞行，是空中机器人迈向狭窄场景的关键挑战。

受鸟类凭自身感知系统精准穿越林间缝隙的生物智能启发，本研究提出一套端到端“感知-动作”策略学习框架，直接实现从像素到电机控制指令的跨模态映射，摒弃了状态估计、轨迹规划等传统显式模块。针对高维视觉输入与稀疏奖励导致的探索效率低下，团队创新性地设计“引导重置”策略：利用微分平坦性轨迹优化器生成高质量引导轨迹，将智能体初始化于关键状态附近进行强化学习探索，使策略在10亿次交互内收敛至96%成功率，样本效率提升3倍。

系统架构实现“感知-行动”全链路优化：通过策略蒸馏将高维观测压缩为紧凑时序表征，采用循环神经网络构建历史观测的信念状态；仿真训练时引入多层级域随机化，包括动力学扰动、控制器响应随机化与感知延迟建模，有效缓解仿真与真实世界之间的性能差距。

窄缝极限穿越

在鲁棒性方面，策略成功实现5厘米极限间隙、90°倾角矩形缝隙的高成功率穿越，对动态手持缝隙展现出零样本伺服能力，验证了实时观测驱动的反应式控制本质。在泛化性方面，同一训练框架无缝适配三角形、平行四边形、椭圆及拱门等任意几何形状的狭窄通道，无需手工定义穿越姿态或特征。实验数据显示，在连续三缝隙赛道中，策略可在间距不足0.8米的紧凑空间内，通过6弧度/秒的极限滚转率与精准推力调制完成多个窄缝穿越。

在实物验证中，自研四旋翼平台依托此系统在真实世界完成百余次自主试验，从单一静态度缝隙到运动目标，从规则矩形到复杂几何体，均展现出卓越的可靠性。这一成果实现了飞行机器人规划范式从“模块串联”到“端到端优化”的跃迁，为自主移动系统提供了高敏捷与高精度兼备的决策新范式。

动态窄缝穿越

未来，这套端到端学习框架将推动无人机向类鸟级别的极限运动智能迈进。我们致力于让无人机具备在完全未知的非结构化三维环境中（如茂密森林、灾后废墟内部）在线学习与适应的能力，通过持续交互微调，形成统一的通用飞行策略。最终，无人机将能像鸟类一样，仅凭机载感官，就能在极度复杂、动态变化的空间中自如穿梭，为野外勘探、灾难救援乃至未来的个人空中交通工具，奠定核心的智能决策基础。