（原標(biāo)題：專(zhuān)訪賓夕法尼亞大學(xué)Vijay Kumar：無(wú)人機(jī)背后的故事）

提到無(wú)人機(jī)，有人也許會(huì)想到巡航在海上的大型的軍用武器，而近年來(lái)，隨著消費(fèi)級(jí)無(wú)人機(jī)的技術(shù)革新和價(jià)格優(yōu)勢(shì)，這類(lèi)無(wú)人機(jī)開(kāi)始被大眾所熟悉。無(wú)論是攝影還是送貨，只要一提起無(wú)人機(jī)，人們馬上會(huì)聯(lián)想到大疆（DJI）、Parrot（一家總部位于法國(guó)巴黎的無(wú)人機(jī)及無(wú)線產(chǎn)品制造商）、3D Robotics（由前《連線》雜志主編Chris Anderson和時(shí)年20歲的Jordi Munoz創(chuàng)建，主打北美市場(chǎng)）、AscTec（德國(guó)Ascending公司旗下的無(wú)人機(jī)品牌）這些生產(chǎn)商。

然而，在美國(guó)賓夕法尼亞大學(xué)有這樣一間實(shí)驗(yàn)室，早在2006年就開(kāi)始了無(wú)人機(jī)相關(guān)技術(shù)的探索，至今他們的無(wú)人機(jī)算法和技術(shù)在農(nóng)業(yè)、救災(zāi)、建筑、娛樂(lè)等方面有著廣泛的嘗試。相對(duì)于常見(jiàn)的攝影或物流類(lèi)的無(wú)人機(jī)，他們所研究的無(wú)人機(jī)應(yīng)用的場(chǎng)景更多樣、處理的問(wèn)題更復(fù)雜、涉及的技術(shù)領(lǐng)域和更為寬泛。可以說(shuō)，他們的每一個(gè)新進(jìn)展，都引領(lǐng)著整個(gè)無(wú)人機(jī)領(lǐng)域的技術(shù)變革，同時(shí)也是推動(dòng)無(wú)人機(jī)和人工智能領(lǐng)域發(fā)展的杠桿。

近日，《程序員》雜志在CCF–GAIR全球人工智能和機(jī)器人峰會(huì)上專(zhuān)訪了美國(guó)賓夕法尼亞大學(xué)工程學(xué)院院長(zhǎng)，IEEE、ASME Fellow，美國(guó)國(guó)家工程院院士，Vijay Kumar。他就自己實(shí)驗(yàn)室最新的研究成果與我們進(jìn)行了交談。

　除了攝影，無(wú)人機(jī)還能干什么？

Vijay Kumar是位印度裔機(jī)器人科學(xué)家，1983年畢業(yè)于印度理工學(xué)院坎普爾分校（IIT），后進(jìn)修于美國(guó)俄亥俄州立大學(xué)，1987年獲得機(jī)械工程博士學(xué)位。Vijay是世界上第一批研究無(wú)人機(jī)的科學(xué)家之一，早在2006年，Vijay和他的團(tuán)隊(duì)便第一次成功開(kāi)發(fā)出了四軸飛行器原型，并積極推廣無(wú)人機(jī)在多個(gè)實(shí)用場(chǎng)景下的應(yīng)用。十年后的今天，無(wú)人機(jī)產(chǎn)業(yè)早已變的炙手可熱，市場(chǎng)規(guī)模實(shí)現(xiàn)了百億美元的增長(zhǎng)，有人估計(jì)，到2020年，無(wú)人機(jī)市場(chǎng)將達(dá)到250億美元。盡管市場(chǎng)越來(lái)越熱，但學(xué)術(shù)界和產(chǎn)業(yè)界之間，依然存在一定的距離。這也讓Vijay坦言，他并不關(guān)心無(wú)人機(jī)市場(chǎng)，眼下自己的重點(diǎn)，依然放在無(wú)人機(jī)的四個(gè)核心研發(fā)問(wèn)題上：體型、安全、智能、速度。雖然這四點(diǎn)看似簡(jiǎn)單，但要是一一展開(kāi)，無(wú)疑會(huì)讓我們看到一幅關(guān)于無(wú)人機(jī)的更大的畫(huà)卷。Vijay的最新研究成果，就是對(duì)這四點(diǎn)最好的詮釋。這些成果包括以下幾類(lèi)。

自主小型飛行器（Autonomous Micro UAVs），這種飛行器可以利用GPS在復(fù)雜的三維環(huán)境中巡航，可以用于搜尋工作和精細(xì)農(nóng)作（Precision Farming）。這種無(wú)人機(jī)的重量只有20克，通過(guò)傳感器來(lái)規(guī)劃路線和監(jiān)控當(dāng)前環(huán)境，傳感器包括IMU（Inertial Measurement Unit）、攝像頭、激光測(cè)距儀、測(cè)高儀等。

飛行器矩陣（SWARMS，Scalable sWarms of Autonomous Robots and Mobile Sensors），在矩陣中，每臺(tái)飛行器都是以自主（Autonomic）的狀態(tài)完成任務(wù)，在沒(méi)有中央控制系統(tǒng)的情況下，僅根據(jù)傍邊飛行器的反應(yīng)而作出調(diào)整，從而達(dá)到協(xié)作的目的。

微型生物機(jī)器人（Micro Bio Robots），這些微型機(jī)器人只有10～100微米，由生物傳感器和馬達(dá)制動(dòng)。他們可以被用于藥物探索、微創(chuàng)治療以及微型裝配。同時(shí)，他們還可以被應(yīng)用在生物傳感器和生物電路的合成，幫助行成“傳感——驅(qū)動(dòng)——通信”的閉環(huán)。

飛天手機(jī)（Flying Smart Phones），智能手機(jī)是當(dāng)下最常見(jiàn)的高性能、低成本處理器和傳感器集成，用無(wú)人機(jī)搭載智能手機(jī)，相當(dāng)于擁有了一個(gè)給力的CPU/GPU、兩個(gè)攝像頭、一塊電池、GPS、Wi-Fi、藍(lán)牙模塊、IMU、電信數(shù)據(jù)接收器，以及相應(yīng)的內(nèi)存。這無(wú)疑給飛行器賦予了更好的性能。

通過(guò)上述研究，無(wú)人機(jī)可以被應(yīng)用在很多場(chǎng)景，例如可以放進(jìn)大樓作為報(bào)警器，一旦有入侵者，馬上報(bào)警；在建筑內(nèi)尋找生化／煤氣泄漏，或者把飛行器送進(jìn)倒塌的樓房或核反應(yīng)堆，來(lái)探測(cè)放射強(qiáng)度；室內(nèi)建模，在陌生的空間內(nèi)構(gòu)建實(shí)時(shí)地圖，甚至連一些室內(nèi)細(xì)節(jié)都可以反映出來(lái)；搬運(yùn)重物；搭建建筑龍骨（目前，根據(jù)Vijay一位學(xué)生開(kāi)發(fā)的算法，飛行器矩陣可以自己建造矩形的龍骨），飛行器根據(jù)對(duì)周?chē)w行器的探測(cè)，可以自行選擇用什么材料、用在哪里、什么時(shí)候用。

除此之外，Vijay研究的飛行器還有很多實(shí)際用途，例如精細(xì)農(nóng)作，通過(guò)熱感攝像機(jī)和普通攝像頭捕捉的數(shù)據(jù)，分析每株作物的特定需求，并且將結(jié)果反饋給農(nóng)戶(hù)，比如作物A需要澆水、作物B需要施肥、作物C需要除蟲(chóng)等。通過(guò)這一方式，無(wú)人機(jī)還可以計(jì)算每株作物的果實(shí)數(shù)量，從而幫助農(nóng)戶(hù)對(duì)收成進(jìn)行預(yù)估，以及找出染上疾病的作物。

仿生學(xué)在無(wú)人機(jī)領(lǐng)域的應(yīng)用

對(duì)仿生學(xué)的應(yīng)用是Vijay研究中最重要的思想之一，也是很多創(chuàng)新技術(shù)誕生的基石。在上面提到的無(wú)人機(jī)四個(gè)要素中，體型大小會(huì)對(duì)其他因素造成不同程度的影響。通過(guò)對(duì)蜜蜂的觀察，Vijay發(fā)現(xiàn)，這種小型飛行生物可以很好地跟環(huán)境互動(dòng)，即使相撞也不會(huì)受傷。同時(shí)小體型意味著慣性更小，速度更快，受到撞擊時(shí)也可以很快恢復(fù)。但小體型的代價(jià)卻是搭載的傳感器更少，單個(gè)飛行器能做的事情也有限。

為了彌補(bǔ)這一缺憾，Vijay和他的團(tuán)隊(duì)發(fā)明了飛行器矩陣，即通過(guò)一組飛行器來(lái)配合完成某項(xiàng)任務(wù)，這也是Vijay團(tuán)隊(duì)無(wú)人機(jī)研究中最重要的概念。為了讓一組飛行器更有機(jī)地配合，他們?cè)俅谓梃b了仿生學(xué)規(guī)則。通過(guò)對(duì)切葉蟻亞科的盤(pán)腹蟻屬（Aphaenogaster）進(jìn)行觀察（如圖1所示），Vijay總結(jié)了三個(gè)重要的自然生物協(xié)同工作的原則。

切葉蟻亞科的盤(pán)腹蟻屬通過(guò)協(xié)作搬運(yùn)重物

獨(dú)立自主（Decentralized），蟻群不受任何“中央命令”的控制，每只螞蟻都是按照自己的本能做事；

　臨近感知（Neighbor Sensing），單只螞蟻的行為根據(jù)自己“鄰居”的行為作出調(diào)整；

匿名（Anonymity），單只螞蟻對(duì)自己的“鄰居”是誰(shuí)并不清楚，因此無(wú)論“鄰居”換成誰(shuí)，都不會(huì)對(duì)自己的行為造成影響。

受到上述自然規(guī)則的啟發(fā)，Vijay設(shè)計(jì)了原理類(lèi)似的飛行器矩陣，這種矩陣被稱(chēng)為Swarm（如圖2所示）。在Swarm中，每臺(tái)飛行器都裝有本地傳感器，并且擁有本地通信和計(jì)算能力。兩臺(tái)相鄰的飛行器通過(guò)傳感器控制彼此的距離，傳感器以100次/s的頻率將數(shù)據(jù)發(fā)送到處理器，并由處理器將解決方案?jìng)魉徒o電機(jī)。在圖2的示例中，Swarm利用鄰近感知原則，可以在障礙物前轉(zhuǎn)換陣型（Formation），由于匿名原則，在一個(gè)Swarm中，即使抽掉（或增加）了幾臺(tái)飛行器，陣型依然可以保持原樣。

Swarm無(wú)人機(jī)矩陣

而由于每臺(tái)飛行器都是獨(dú)立運(yùn)算行動(dòng)的，在另一個(gè)例子中，飛行器通過(guò)自身對(duì)環(huán)境的探測(cè)，完成了一系列高難度的動(dòng)作，比如在狹窄的通道前轉(zhuǎn)體，鉆過(guò)通道后迅速恢復(fù)原樣；以及鉆過(guò)向上拋出的鐵圈等（如圖3所示）。這兩個(gè)例子的原理在于，人們先為飛行器預(yù)先編入飛行軌跡，但飛行器需要在預(yù)設(shè)的軌跡上加一個(gè)動(dòng)作，這需要它們先積聚動(dòng)能再改變方向，再回到預(yù)設(shè)的軌跡上來(lái)。它們知道怎樣完成每段獨(dú)立的軌跡，然后把每一小段的軌跡組合起來(lái)。

為了更好地理解Swarm，Vijay通過(guò)一個(gè)理論來(lái)進(jìn)一步說(shuō)明，他稱(chēng)這個(gè)理論為Consensus，Consensus解決的是在Swarm中到底該怎樣形成陣型（Formation），哪臺(tái)飛行器該飛到哪，矩陣如何保持一致性的問(wèn)題。Vijay舉了一個(gè)例子。假設(shè)你身處一個(gè)5個(gè)人的房間，每個(gè)人腦子里都想一個(gè)數(shù)字（事先不能交流），這時(shí)5個(gè)人都想到同一個(gè)數(shù)字的概率小到可以忽略不計(jì)，而這時(shí)你把你想到的數(shù)字告訴“鄰居”，“鄰居”再把自己聽(tīng)到的數(shù)字相加再除以人數(shù)。比如A說(shuō)1、B說(shuō)4、C說(shuō)10，當(dāng)你問(wèn)C的數(shù)字是幾的時(shí)候，C會(huì)說(shuō)5（1+4+10＝15，3/15）。如果你們重復(fù)這一步驟，那么幾輪之后，你們就會(huì)得到相同的數(shù)字了。這就是為什么每臺(tái)無(wú)人機(jī)都有自己的飛行路線，但最終卻能協(xié)同起來(lái)的原因。

盡管在充分訓(xùn)練的情況下，Swarm已經(jīng)擁有良好的表現(xiàn)，但Vijay也坦言，隨著飛行器的數(shù)量增多，Swarm的組織也越難，原因有二。其一是隨著飛行器數(shù)量的增加，單個(gè)飛行器對(duì)“鄰居”動(dòng)態(tài)的感知更難，需要掌握的數(shù)據(jù)也更多；其二在于，當(dāng)不同特征（Traits）的飛行器同時(shí)加入編隊(duì)后，對(duì)陣型的優(yōu)化影響很大。

Vijay團(tuán)隊(duì)曾做過(guò)一項(xiàng)實(shí)驗(yàn)。實(shí)驗(yàn)中，他們?yōu)椴煌娘w行器賦予不同的特征（Traits），使具備相同特征的飛行器成為一個(gè)“種群”（Species），讓不同“種群”的飛行器組成一個(gè)陣列，去完成某項(xiàng)任務(wù)。結(jié)果發(fā)現(xiàn)，種群的基數(shù)越大陣型就越難被優(yōu)化。

無(wú)人機(jī)，走出實(shí)驗(yàn)室要面臨更多的挑戰(zhàn)

今天，無(wú)人機(jī)在現(xiàn)實(shí)世界中的真實(shí)應(yīng)用案例還相當(dāng)有限，盡管2011年，Vijay的無(wú)人機(jī)曾被用來(lái)日本地震災(zāi)后的探測(cè)工作（如圖4所示），但要想讓無(wú)人機(jī)在更多的任務(wù)中發(fā)揮作用，依然面臨著不小的技術(shù)挑戰(zhàn)，外部世界的復(fù)雜性遠(yuǎn)遠(yuǎn)超過(guò)實(shí)驗(yàn)室的模擬，除了上文提到的Swarm之外，無(wú)人機(jī)在室外甚至是災(zāi)難現(xiàn)場(chǎng)工作，還面臨著風(fēng)速、無(wú)GPS定位、懸停電量消耗、陡坡降落等難題。由于Vijay研究的無(wú)人機(jī)是“獨(dú)立”且完全“自動(dòng)”的（Autonomic），即使要完成從A點(diǎn)到B點(diǎn)這樣簡(jiǎn)單的動(dòng)作，都要穿過(guò)一個(gè)12維的空間。

上圖是2011年在日本一所被地震震塌的房子內(nèi)構(gòu)建三維地圖，為了節(jié)省“體力”無(wú)人機(jī)由一臺(tái)地面機(jī)器人載入房間，之后再進(jìn)行飛行探測(cè)”。

Vijay的方法是把這個(gè)12維空間翹曲成一個(gè)4維空間（如圖5所示），這個(gè)4維空間由橫軸、縱軸、豎軸、旋轉(zhuǎn)軸組成。飛行器在這個(gè)4維空間中以10～100次／s的頻率規(guī)劃“最小化加速軌道”（Minimum Snap Trajectory），同時(shí)通過(guò)對(duì)位置向量、導(dǎo)數(shù)、速度和加速度的推導(dǎo)，創(chuàng)造一個(gè)優(yōu)雅的飛行曲線，并且繞開(kāi)障礙物。

無(wú)人機(jī)的飛行算法

然而當(dāng)飛行速度達(dá)到一定的量級(jí)之后，上面的方法就不利于避障了。由于無(wú)人機(jī)上的傳感器無(wú)法探測(cè)20米外的范圍，這時(shí)如果無(wú)人機(jī)以20m／s的速度運(yùn)行，一秒鐘后就會(huì)飛到一個(gè)完全陌生的環(huán)境或撞上障礙物。這時(shí)就需要建立一個(gè)二維地圖，在二維地圖中找到安全軌跡作為矢量集合，飛行器可以在這個(gè)矢量集合中去調(diào)整“最小化加速度軌道”。

下面我們來(lái)看看Vijay團(tuán)隊(duì)在實(shí)際應(yīng)用方面的一些關(guān)鍵技術(shù)研究

地圖構(gòu)建

地圖的構(gòu)建分為兩種，一種是在未知環(huán)境，且傳感器數(shù)量和信號(hào)都不好（尤其是無(wú)法使用GPS）的情況下創(chuàng)建拓?fù)涞貓D；另一種是構(gòu)建SLAM（Simultaneous Localization And Mapping）。關(guān)于第一種，Vijay和他的團(tuán)隊(duì)開(kāi)發(fā)了一套創(chuàng)建拓?fù)涞貓D的算法工具，通過(guò)ROS呈現(xiàn)（機(jī)器人操作系統(tǒng)）。這一算法需要先對(duì)自由空間進(jìn)行覆蓋，然后建立起該覆蓋環(huán)境的基本維諾圖（Voronoi Graph，如圖6所示）。

陌生環(huán)境下室內(nèi)拓?fù)涞貓D的構(gòu)建

而SLAM的構(gòu)建則要復(fù)雜一點(diǎn)，在講解技術(shù)原理之前，我們不妨簡(jiǎn)單地看一看這個(gè)近幾年在機(jī)器人、VR/AR領(lǐng)域經(jīng)常用到的技術(shù)。簡(jiǎn)單來(lái)說(shuō)，SLAM是指當(dāng)某種設(shè)備（如機(jī)器人、VR設(shè)備等）來(lái)到一個(gè)完全陌生的環(huán)境時(shí)，它需要精準(zhǔn)地建立時(shí)間和空間的對(duì)應(yīng)關(guān)系，并能完美地回答以下一系列問(wèn)題：我剛才在哪里，現(xiàn)在在哪里？我看到了什么？現(xiàn)在看到的和之前看到的有哪些異同？我過(guò)去的行走軌跡是什么？我現(xiàn)在看到的環(huán)境是什么樣子，和過(guò)去相比有怎樣的變化？我的軌跡抖嗎？我的位置飄嗎？我還能跟蹤到自己的軌跡嗎，如果我丟了應(yīng)該怎么辦？我過(guò)去建立的對(duì)環(huán)境的認(rèn)識(shí)還有用嗎？我能在已有環(huán)境的抽象里快速對(duì)現(xiàn)在的位置進(jìn)行定位嗎？

半密集重建與全密集重建圖

在Vijay的實(shí)踐中，他們采用了一種叫做“直接視覺(jué)SLAM”（Direct Visual SLAM） 的方法。與傳統(tǒng)的用來(lái)構(gòu)建“稀疏重建”（Sparse Reconstructions）的功能性算法相比，直接視覺(jué)SLAM更適合建立“半密集重建”（Semi-Dense Reconstruction）和“全密集重建”（ Fully-Dense Reconstruction），如圖7所示。Vijay告訴我們，他們目標(biāo)是在一個(gè)標(biāo)準(zhǔn)CPU環(huán)境下，將視覺(jué)數(shù)據(jù)和慣導(dǎo)數(shù)據(jù)連接起來(lái)。整個(gè)過(guò)程被拆分為三個(gè)線程，第一個(gè)線程利用視覺(jué)數(shù)據(jù)和慣導(dǎo)數(shù)據(jù)做非線性?xún)?yōu)化，對(duì)攝像頭的移動(dòng)做出判斷，這一過(guò)程以幀速率運(yùn)行，然后構(gòu)建出半密集地圖（Semi-Dense Map）。第二線程則需要構(gòu)建出一個(gè)擁有高梯度區(qū)域（High-Gradient Area）的半密集地圖，目的依然是對(duì)攝像頭位置進(jìn)行追蹤。第三線程則以較低的幀速率構(gòu)建出該場(chǎng)景的全密集重建。

　無(wú)GPS環(huán)境下，微型無(wú)人機(jī)矩陣部署系統(tǒng)

只裝有少量傳感器的微型無(wú)人機(jī)矩陣，是否可以在惡劣的環(huán)境下工作（比如無(wú)法使用GPS等）？為了解答這一問(wèn)題，Vijay團(tuán)隊(duì)在礦井和大風(fēng)的戶(hù)外進(jìn)行了試驗(yàn)，他們開(kāi)發(fā)了一套叫做“基于視覺(jué)的穩(wěn)定系統(tǒng)”（Visual-based Stabilization），這套系統(tǒng)被部署到了多個(gè)應(yīng)用模式中，包括：主從無(wú)人機(jī)矩陣（Leader Follower）、Swarm矩陣在監(jiān)控環(huán)境下的部署與穩(wěn)定、合作無(wú)人感知測(cè)量等。實(shí)驗(yàn)中，這些飛機(jī)的控制、運(yùn)動(dòng)規(guī)劃、穩(wěn)定性和軌道規(guī)劃都有不俗的表現(xiàn)。

高速無(wú)人機(jī)在陡坡的降落

救援型無(wú)人機(jī)需要在災(zāi)難現(xiàn)場(chǎng)長(zhǎng)時(shí)間實(shí)時(shí)傳輸信息或構(gòu)建地圖，然而續(xù)航時(shí)間短仍然是個(gè)重要的短板。為了解決這一問(wèn)題，Vijay和他的團(tuán)隊(duì)，希望通過(guò)讓無(wú)人機(jī)隨時(shí)降落來(lái)“保存體力”，包括降落在各種質(zhì)地和各種角度的平面。Vijay為微型無(wú)人機(jī)設(shè)計(jì)了“抓器”，它可以牢牢“抓住”不同的平面，還可以抓取重物。下圖展示了高速飛行的無(wú)人機(jī)在陡坡降落的情況，目前Vijay的無(wú)人機(jī)可以在90度的陡坡實(shí)現(xiàn)高速降落（如下圖所示）。

高速飛行的無(wú)人機(jī)在50度和90度的平面降落

這個(gè)“抓器”不是一般的“爪子”，而是一個(gè)真空吸盤(pán)，通過(guò)微型真空泵來(lái)驅(qū)動(dòng)。他們對(duì)吸盤(pán)的設(shè)計(jì)和它與放氣、激活力度、最大抓舉力之間的關(guān)系作了很多次測(cè)試，最終這一吸盤(pán)做到了既可以抓取各種物體，又可以在陡坡上降落。

為了節(jié)省“體力”，Vijay和他的團(tuán)隊(duì)還做過(guò)其他嘗試。比如2011年他們讓一臺(tái)機(jī)器人背著無(wú)人機(jī)進(jìn)入一棟坍塌的大樓，進(jìn)到大樓呢，無(wú)人機(jī)才開(kāi)始工作，用了兩個(gè)半小時(shí)繪制出了大樓內(nèi)部的地圖。

近景遙感技術(shù)在農(nóng)業(yè)上的應(yīng)用

通過(guò)近景遙感（Close-Range Remote Sensing）技術(shù)對(duì)柑橘屬果樹(shù)進(jìn)行檢測(cè)，并對(duì)患青果病的果樹(shù)進(jìn)行識(shí)別。在佛羅里達(dá)，青果病是威脅果樹(shù)健康的主要因素。在同一景深下，通過(guò)測(cè)量黃色偏振光的反射比，可以找出患病的果樹(shù)。此外，他們還制定了一套標(biāo)準(zhǔn)用來(lái)測(cè)量患病果樹(shù)樹(shù)葉中的淀粉沉積。在獲得這些信息之后，他們?cè)偌由弦粋€(gè)景深維度，和機(jī)器學(xué)習(xí)算法，識(shí)別的準(zhǔn)確率達(dá)到93%。不僅能識(shí)別患病的果樹(shù)，連青果病的傳染和早期受到感染的果樹(shù)也能分辨。

與Vijay Kumar對(duì)話(huà)實(shí)錄

程序員：你最近的研究并不太依靠外部設(shè)施，飛行器是完全“自動(dòng)”（Autonomic）的，而用到的技術(shù)卻談不上創(chuàng)新，你怎么看？

　Vijay：目前我們所用到的技術(shù)，比如動(dòng)作捕捉等確實(shí)稱(chēng)不上新技術(shù)，這類(lèi)技術(shù)我們?cè)缭?008年就有所嘗試。但技術(shù)背后的算法卻是新的，理論也是新的，比如上面提到的陡坡降落等。新的理論讓“舊”的技術(shù)發(fā)揮新的作用。

　程序員：你用手機(jī)作為傳感器集成，比起載有等量傳感器的無(wú)人機(jī)，具體可以減重多少？

Vijay：一般一個(gè)載有等量傳感器的飛行器大約重3千克，懸停的時(shí)候會(huì)更重，電纜、傳感器、外壁的重量占45％～50%，要240瓦才能帶動(dòng)。而一臺(tái)iPhone6只有129克，只相當(dāng)于原來(lái)十分之一的重量。

　程序員：既然無(wú)人機(jī)對(duì)重量的要求如此苛刻，那么執(zhí)行救災(zāi)任務(wù)時(shí)很難載人離開(kāi)？

Vijay：的確。懸停是最大的問(wèn)題，懸停時(shí)每千克消耗200瓦電力，要是載一個(gè)50公斤的人，每次懸停就要消耗一萬(wàn)瓦以上的電力，這不是個(gè)小數(shù)字。但也不是沒(méi)有解決辦法，我們可以看看客機(jī)，無(wú)人機(jī)也可以像客機(jī)那樣用飛機(jī)燃料、汽油或柴油當(dāng)作燃料。

程序員：你認(rèn)為無(wú)人機(jī)要想真正普及，技術(shù)是最大的門(mén)檻嗎？

Vijay：我不這么認(rèn)為。技術(shù)創(chuàng)新固然重要，但很多需求我們已經(jīng)知道該如何實(shí)現(xiàn)了。但商業(yè)創(chuàng)新現(xiàn)在依然處于摸索的階段。無(wú)人機(jī)要想實(shí)現(xiàn)普及，需要由商業(yè)創(chuàng)新來(lái)推動(dòng)，這是我不擅長(zhǎng)的。你看Uber和嘀嘀出行這兩家公司，他們的崛起并非因?yàn)樗麄冊(cè)诩夹g(shù)上有很大突破，而是因?yàn)樯虡I(yè)創(chuàng)新。