基于事件相机的无人机高速感知：一种三层递进式脉冲神经网络架构
谢海明1 唐萍2 朱飞龙1 张鑫1 王耀达1 刘晋宏1

1西京学院，陕西西安，710123；

2武汉东湖学院，湖北咸宁，437224；

摘要：针对无人机在高速敏捷飞行中传统视觉感知因运动模糊、固定帧率与高延迟导致的感知能力骤降问题，本文提出一种基于事件相机的三层递进式感知体系。该体系以“像素层—目标层—状态层”为核心结构，逐层实现事件流滤波、动态障碍物检测与环境态势融合。像素层采用自适应时空滤波与IMU驱动的运动补偿，实现微秒级噪声抑制与动静分离；目标层构建轻量化脉冲神经网络，以事件驱动方式实时检测动态障碍物，并辅以时间曲面聚类作为补充路径；状态层通过紧耦合扩展卡尔曼滤波器融合目标检测与IMU数据，输出无人机自身状态、障碍物运动预测及局部可导航地图。整体架构在延迟、信息广度与计算资源之间实现均衡配置，为后续高速避障与敏捷控制提供高时效、高可靠的环境感知基础。

关键词：事件相机；无人机；高速感知；脉冲神经网络；扩展卡尔曼滤波

参考文献

[1]吴祎哲.基于事件相机的无人机避障方法研究[D]. 电子科技大学, 2025.

[2]李慕琦. 基于事件相机的无人机避障算法研究[D]. 哈尔滨工业大学, 2025.

[3]崔隆基,李星星,李圣雨. 基于原始事件流的事件相机/IMU时空标定 [J]. 导航定位与授时, 2025, 12 (04): 27-38.

[4]赵磊. 基于事件相机的动态目标检测算法研究[D]. 广西大学, 2025.

[5]Zhang X, Tie J, Li J, et al. Dynamic obstacle avoidance for unmanned aerial vehicle using dynamic vision sensor[C]. International Conference on Artificial Neural Networks, 2023, 161-173.

[6]Hu J, Yang X, Wang W, et al. Obstacle avoidance for uas in continuous action space using deep reinforcement learning[J]. IEEE Access, 2022, 10: 90623-90634.

[7]Messikommer N, Georgoulis S, Gehrig D, et al. Multi-bracket high dynamic range imaging with event cameras[C]. Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, 2022, 547-557.