KIO-planner: Attention-Guided Single-Stage Motion Planning with Dual Mapping for UAV Navigation

📄 arXiv: 2605.19703v1 📥 PDF

作者: Dexing Yao, Haochen Li, Junhao Wei, Yifu Zhao, Yanxiao Li, Jiahui Xu, Jinxuan Hu, Lele Tian, Baili Lu, Zikun Li, Xu Yang, Sio-Kei Im, Dingcheng Yang, Yapeng Wang

分类: cs.RO

发布日期: 2026-05-19

备注: Accepted by an IEEE Vehicular Technology Conference. 6 pages, 4 figures, 1 table

💡 一句话要点

KIO-planner：基于注意力机制和双重映射的无人机单阶段运动规划

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 无人机导航 运动规划 深度学习 注意力机制 双重映射 自主飞行 碰撞避免

📋 核心要点

  1. 传统基于优化的规划器在密集结构障碍物中容易陷入局部最小值，且受限于建图延迟；现有的端到端学习方法难以提取精细的几何特征，缺乏硬性的运动学约束。
  2. KIO-planner通过集成CBAM关注关键结构边缘和可通行空间，并引入双重映射机制，在深度像素空间中实现运动可行性和无碰撞飞行，无需全局地图融合。
  3. 实验表明，KIO-planner能够实现高达3.0 m/s的敏捷导航，推理延迟低至24ms，轨迹更平滑，控制成本降低28.4%，最小障碍物距离显著提升至0.76m。

📝 摘要（中文）

本文提出了一种名为KIO-planner的、基于注意力机制的单阶段轨迹规划框架，旨在解决无人机在受限、墙壁密集的环境中自主飞行时，对低延迟和可靠运动规划的需求。该方法集成了卷积块注意力模块（CBAM），自适应地关注关键结构边缘和可通行空间。此外，引入了一种新颖的双重映射机制，包含物理边界激活和深度像素空间中的确定性几何安全盾，以在没有全局地图融合的情况下，强制执行运动可行性和无碰撞飞行。实验结果表明，KIO-planner能够实现高达3.0 m/s的高速敏捷导航，推理延迟约为24ms，轨迹更平滑，控制成本降低28.4%，且最小障碍物距离从0.48m提升至0.76m，确保了在高度约束环境中的快速、平滑和更安全的导航。

🔬 方法详解

问题定义：无人机在狭窄、墙壁密集的复杂环境中自主导航，需要低延迟、高可靠性的运动规划。传统优化方法计算复杂度高，易陷入局部最优解，且依赖精确的地图信息。现有的端到端学习方法难以从原始深度图像中提取精细的几何特征，并且缺乏对无人机运动学约束的显式建模，导致碰撞风险增加。

核心思路：KIO-planner的核心在于利用注意力机制增强感知能力，并设计双重映射机制来保证运动规划的安全性和可行性。通过注意力机制，网络能够更有效地提取环境中的关键几何信息，减少对全局地图的依赖。双重映射机制则在像素空间直接施加物理约束和几何安全约束，避免了复杂的全局地图融合和碰撞检测过程。

技术框架：KIO-planner采用单阶段的端到端学习框架，主要包含以下模块：1) 感知模块：使用深度图像作为输入，通过卷积神经网络提取特征，并集成CBAM注意力模块，增强对关键结构边缘的感知能力。2) 规划模块：基于提取的特征，生成无人机的轨迹。3) 双重映射模块：包含物理边界激活和几何安全盾，用于约束生成的轨迹，保证运动可行性和无碰撞。

关键创新：该论文的关键创新在于以下两点：1) 将CBAM注意力机制引入无人机运动规划，使网络能够自适应地关注环境中的关键几何信息，提高感知精度。2) 提出了双重映射机制，通过物理边界激活和几何安全盾，在像素空间直接施加运动学约束和碰撞避免约束，无需全局地图融合，降低了计算复杂度，提高了规划速度和安全性。

关键设计：CBAM模块被集成到感知网络的卷积层之间，自适应地学习通道和空间注意力权重。物理边界激活通过激活函数限制无人机的运动范围。几何安全盾则在深度图像的像素空间定义一个安全区域，确保生成的轨迹与障碍物保持一定的距离。损失函数包括轨迹平滑损失、控制成本损失和碰撞惩罚项，用于优化生成的轨迹。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，KIO-planner在高速导航（3.0 m/s）下表现出色，推理延迟仅为24ms，显著低于现有方法。与最先进的基线方法相比，KIO-planner生成的轨迹更加平滑，控制成本降低了28.4%。更重要的是，KIO-planner显著提高了安全性，将最小障碍物距离从0.48m提升至0.76m，有效避免了碰撞风险。

🎯 应用场景

KIO-planner适用于各种需要在狭窄、复杂环境中进行自主导航的无人机应用，例如室内巡检、仓库物流、灾难救援等。该方法能够提高无人机在这些场景下的导航效率和安全性，降低人工干预的需求，具有重要的实际应用价值。未来，该方法可以扩展到其他类型的机器人，并与其他感知和控制技术相结合，实现更高级别的自主导航能力。

📄 摘要（原文）

Autonomous UAV flight in confined, wall-dense environments requires low-latency and reliable motion planning under strict safety constraints. Traditional optimization-based planners suffer from mapping latency and easily fall into local minima when navigating through dense structural obstacles. Meanwhile, existing end-to-end learning methods struggle to extract fine-grained geometric features from raw depth images and lack hard kinodynamic constraints, leading to unpredictable collisions near walls. To address these issues, we propose KIO-planner, an attention-guided single-stage trajectory planning framework. First, we integrate a Convolutional Block Attention Module (CBAM) into the perception backbone to adaptively focus on critical structural edges and traversable space. Second, we introduce a novel Dual Mapping mechanism--comprising physical bounds activation and a deterministic Geometric Safety Shield in the depth-pixel space--to enforce kinodynamic feasibility and collision-free flight without global map fusion. Extensive high-fidelity simulated experiments demonstrate that KIO-planner enables highly agile navigation at speeds up to 3.0 m/s. Compared to the state-of-the-art baseline, KIO-planner achieves lower inference latency (approximately 24 ms) and generates significantly smoother trajectories, reducing control cost by 28.4%. Most notably, our Dual Mapping substantially increases the worst-case safety margin, measured by minimum distance to obstacles, from 0.48 m to 0.76 m, ensuring fast, smooth, and safer navigation in highly constrained environments.