自主性悖論：工程打造 韌性導航於 GNSS 拒止與 對抗環境

執行摘要

現代自主系統的前提長期依賴一項脆弱假設： 全球衛星導航系統（GNSS）的普及與可靠。數十年來，全球 定位系統（GPS）及其國際對應系統，一直作為隱形繫繩， 為無人飛行載具（UAV）提供穩定所需的空間真值， 航點導航與返航協定。然而，地緣政治與 2020 年代的技術格局已粉碎這項假設。證據可見於 東歐的高強度衝突，以及地下採礦的作業現實 與關鍵基礎設施巡檢：GNSS 不再是有保證的公用服務；它是一項受爭奪的 脆弱點。

本白皮書由 Veriprajna 撰寫，主張依賴 GPS 維持穩定的無人機 並非真正自主；它只是在許可環境中被自動化。當該 環境變為非許可——因電子戰（EW）、實體遮蔽， 或訊號多路徑劣化——系統即失效，使精密硬體淪為 「紙鎮」。此外，產業對雲端人工智慧（AI）的依賴 用於決策，會引入致命的延遲與頻寬依賴，在任務關鍵情境中 難以承受。

我們對 視覺慣性里程計（VIO） 與 邊緣 AI 作為真正自主的基礎技術，提出全面架構分析。透過在邊緣融合高頻慣性 資料與電腦視覺，UAV 可達成「航位推算」能力，其 在數學上穩健、無法被干擾，且完全自成一體。本報告詳述 從分立、脆弱的導航堆疊，轉向整合式語義視覺 同步定位與地圖構建（vSLAM）系統。我們分析在嵌入式平台上運行深度神經網路的運算 需求，例如 NVIDIA Jetson Orin 系列，並說明 Veriprajna 的方法——超越單純的 API 包裝層， 走向深度、感測器融合工程——如何交付現代國防、 工業與公共安全作業所需的韌性。

1. 連線典範的脆弱性

商用無人機領域中「自主」的定義，經常被與 「自動化」混為一談。自動化系統依外部輸入執行預先定義的腳本 （GPS 座標、飛行員指令）。真正的自主意味著能夠感知 環境、判定狀態，並在不依賴外部的情況下做決策。當前 一代商用 UAV 大多屬於前者，一旦外部訊號中斷，便會造成災難性的 失效點。

1.1 GNSS 拒止的物理與戰術

GNSS 干擾是現代戰爭的「先手」，因為它不對稱：低成本、 地面發射機能在廣大區域癱瘓高價值空中資產。此脆弱性的物理根源 在於訊號強度。GPS 衛星軌道約在地球上空 20,200 公里，所發射訊號抵達地表時功率極低 ——常被比喻為從 10,000 英里外偵測一顆 25 瓦燈泡。這微弱 訊號極易被地面雜訊淹沒，無論意外或惡意。

1.1.1 干擾機制：干擾與飽和

電子戰（EW）系統透過數個主要向量利用此微弱訊號， 主要聚焦於飽和接收機前端。現代 GNSS 接收機運作方式是 追蹤衛星所送載波的相位。干擾機發射高功率無線電 頻率（RF）雜訊，以飽和 L1（1575.42 MHz）、L2（1227.60 MHz）與 E1/E5 頻段。 ¹

此拒止的有效性受平方反比定律支配，但功率 差距極為巨大。衛星訊號行進數千公里；干擾機往往僅在 數公里外。即使可攜式干擾機以相對低功率 10–40 瓦運作，也能形成延伸數公里的「黑障區」。 ¹ 在這些區域內， 訊噪比（SNR）降至接收機鎖定載波相位所需門檻 以下。對依賴衛星導航來穩定的小型無人機而言， 航線跟隨與自主返航，影響立即顯現：漂移、喪失 位置信心，或失效保護下降。 ¹

在烏克蘭這類高強度衝突區，這不是理論風險，而是主導性的 作業約束。報告指出，FPV 與商用四旋翼機經常 在前線 EW 部署的 5–10 公里內經歷 GNSS 喪失。 ¹ 先進的俄羅斯 系統，例如 R-330Zh Zhitel，提供近乎持續的區域拒止，迫使操作員 改採人工目視駕駛。 ² 這種對人工控制的依賴，要求高超的操作員技能 以及無遮擋的視訊饋送，兩者在戰鬥中皆屬稀缺資源。

1.1.2 欺騙與轉播欺騙：欺敵向量

比干擾更陰險的是欺騙：對手以略高於真實衛星星座的功率，發射偽造 GNSS 訊號。與干擾不同， 干擾會觸發「訊號喪失」警告，欺騙則愚弄導航堆疊。

●​ 轉播欺騙（Meaconing）： 此作法錄製真實 GNSS 訊號並以 輕微延遲再廣播。接收機鎖定較強、已延遲的訊號，使計算出的 位置漂移。

●​ 相干欺騙： 精密攻擊者產生完美模仿 衛星星座年曆與星曆資料的虛假訊號，但在 位置、速度與時間（PVT）解算中逐步引入誤差。 ¹

欺騙的後果嚴重。無人機可能自以為靜止，實際上卻 正在漂入敵對領土，或感知到虛假高度變化而撞向 地面。 ³ 歷史事件，例如 2017 年無人機監視遭到破壞 委內瑞拉總統選舉期間，顯示這些戰術的地緣政治效用。 ³ 儘管 多星座接收機（追蹤 GPS、GLONASS、Galileo 與北斗）以及經鑑權的 服務如 Galileo OSNMA 提高了欺騙難度，但仍無法消除風險 面對有能力進行寬頻訊號操縱的國家級對手。 ¹

1.1.3 指揮與控制（C2）切斷

現代寬頻電子攻擊系統不止於導航；它們也鎖定 指揮與控制（C2）鏈路（通常為 2.4 GHz、5.8 GHz 或 900 MHz）。 ¹ 對於第一人稱 視角（FPV）與遙操無人機，C2 鏈路切斷是災難性的。沒有 迴路中的飛行員，缺乏真正自主的無人機便進入失效保護模式——通常懸停或 立即降落。 ¹ 在戰區，懸停的無人機是靜止目標；在工業 場域，無人機任意降落可能損壞昂貴機械，或對人員構成安全 風險。

1.2 民用部門的經濟風險

軍事意涵是動能性的，民用意涵則是經濟性的。對 GPS 的依賴 延伸至採礦、基礎設施與物流，訊號拒止往往是 物理作用而非惡意。GPS 的經濟足跡驚人；一項由 美國國家標準與技術研究院（NIST）贊助的研究估計，GPS 在美國私部門約產生 $1.4 trillion 的經濟效益，期間為 1984 年至 2017 年。 ⁴ 相對地，GPS 服務喪失估計會使美國經濟付出代價 約每日 $1 billion。 ⁵

1.2.1 地下與工業拒止

在地下採礦中，環境本質上即為 GPS 拒止。在礦房、巷道、 與隧道中巡檢岩體特性或爆破後破碎，無法依賴 衛星訊號。 ⁶

●​ 人工巡檢成本： 傳統巡檢方法涉及人員或 昂貴的專用設備，例如鑽孔掃描器。這些方法緩慢、 勞力密集且危險。人工測量可能耗時數日或數週，而 無人機方案可將其縮短至數小時。 ⁷

●​ 設備風險： 在這些環境中使用非自主無人機，會使該 資產處於風險。在狹窄礦井中因感測器失效而失去穩定的無人機 很可能墜毀。工業無人機平台成本高達 $10,000 至 $50,000， 可靠、非 GPS 穩定遂成為經濟上的必要。

1.2.2 多路徑與基礎設施陰影

關鍵基礎設施巡檢面臨類似挑戰，稱為「多路徑」效應。 當飛近大型金屬結構，例如儲油槽、橋樑，或處於「都市 峽谷」時，GPS 訊號在抵達接收機前會從表面反射。此延遲會破壞 計時計算，導致數公尺的位置誤差。 ⁹

●​ 管線巡檢： 對油氣管線而言，失效成本極為巨大。單一次 管線失效可能耗費數百萬美元的清理與監管罰款。 ⁸ 無人機被用來 偵測洩漏、腐蝕與沖蝕。然而，巡檢橋樑下方或 油槽區底部，會使無人機處於 GPS 陰影。若沒有視覺慣性里程計 （VIO），無人機便無法維持高解析度所需的精確定點 攝影測量或熱成像。 ¹⁰

●​ 財務意涵： 無人機巡檢的投資報酬率（ROI）建立在效率上。無人機 作業相較有人直升機，可將巡檢成本降低達 70% 或地面人員。 ⁷ 然而，若無人機因訊號不穩而無法飛入必要 地點，此 ROI 便會蒸發。

創辦人論文中所述的「紙鎮」現象，因而同時得到 軍事損耗率與工業作業約束的驗證。無法在沒有 GPS 下導航的系統 即為具有單一失效點的系統，同時暴露於敵對行動 與環境物理。

2. 延遲陷阱：為何雲端 AI 在機器人學中失敗

「連線自主」謬誤的第二根支柱，是對雲端 AI 的依賴。該 典範是將無人機視訊資料串流至雲端伺服器處理（例如物件 偵測、攝影測量），再接收指令返回，這在根本上有缺陷，對 任務關鍵作業而言，受限於延遲、頻寬與可靠性。

2.1 控制迴路的物理

自主飛行需要極緊密的控制迴路。四旋翼機每秒進行數百次 馬達調整以維持穩定。高階導引指令（例如 「避開障礙」、「追蹤目標」）必須在毫秒內被接收並處理，才能在速度下 有效。

2.1.1 延遲：頭部對尾部

在網路化控制系統中，延遲不是單一數字；它是一種分布。

●​ 頭部延遲： 這代表理想條件下觀察到的最小或平均延遲 。在 5G 網路中，這可以極低（個位數毫秒）。

●​ 尾部延遲： 這代表最壞情況——請求時間的第 99 百分位 。在機器人學中，尾部延遲是殺手。 ¹¹ 因下列原因造成的瞬間網路延遲尖峰 擁塞、封包遺失或基地台間換手，會導致「抖動」。

對以每秒 20 公尺移動的無人機，300 毫秒延遲——在雲端中很常見 往返，若計入上傳、處理與下載——相當於 6 公尺的 行進距離。 ¹² 在此盲目區間，無人機沿先前軌跡繼續前進。若有 障礙出現或目標機動，無人機反應會太遲。研究指出 變動延遲會顯著劣化控制，遙操在實務上變得 超過 700ms 即無法控制。 ¹²

2.1.2 抖動不穩定

抖動——延遲的變異——甚至比恆定延遲更具破壞性。控制 演算法（如 PID 控制器）可調校以處理恆定延遲，但隨機抖動 會使回饋迴路失穩，導致振盪與潛在失控。 ¹³ 在 電子戰系統主動引入雜訊的對抗環境中，網路抖動成為 常態，使雲端迴路控制對機體而言形同自殺。

2.2 頻寬與「靜默」律令

視覺導航產生大量資料。立體相機配置以 每秒 30 幀運行，每分鐘產生數百百萬位元組的原始資料。將此串流 至雲端在頻寬上不可行，並產生巨大電磁特徵。

2.2.1 資料重力的代價

「資料重力」指移動大型資料集的困難。在工業巡檢 情境中，無人機可能擷取 4K 視訊或 LiDAR 點雲。將此原始資料傳輸至 雲端做即時處理，需要極大頻寬（高上行）。

●​ 雲端 AI 模型： 高頻寬消耗、高延遲、高營運成本（數據 方案），並完全依賴網路覆蓋。 ¹⁴

●​ 邊緣 AI 模型： 資料在本地處理。僅傳輸高階洞察（例如「腐蝕 在座標 X 偵測到」）。這將頻寬使用降低達數個數量 級。 ¹⁵

2.2.2 電子可見度

在防務應用中，無線電靜默即是生存。向雲端串流視訊的無人機，作用如同 高功率信標，易被敵方測向（DF）資產三角定位。 ¹ 雲端 AI 使「匿蹤」不可能。邊緣 AI 使完全無線電靜默下的作業成為可能： 無人機感知、決策並行動，且不發射任何一個位元組的資料，直到任務 參數決定突發傳輸或返回基地。

2.3 可靠性與安全性

雲端依賴擴大攻擊面。傳輸中的資料易被攔截， 雲端基礎設施本身亦是目標。

●​ 安全性： 邊緣 AI 將敏感原始資料（關鍵基礎設施的視訊饋送或 戰術位置）留在裝置上。它從不穿越公共網際網路，降低 攔截風險。 ¹⁴

●​ 存活性： 若網路鏈路被切斷，依賴雲端的無人機等於被切除腦葉；它 失去「大腦」。原生邊緣無人機則繼續任務，因為其智能在 機上。此區別即是「紙鎮」與武器 系統之間的差異。 ¹⁶

3. 自主導航原理：視覺慣性 里程計

要切斷 GPS 與雲端的繫繩，我們必須複製生物導航能力： 視覺（眼）與前庭系統（內耳）的整合。在機器人學中，這就是 視覺 慣性里程計（VIO） 。它是 Veriprajna 解決方案架構的基石。

3.1 VIO 的技術原理

VIO 是兩種互補感測模態的融合：

1.​ 視覺里程計（VO）： 透過追蹤獨特紋理的移動來估計姿態 「地標」（特徵）於連續相機幀之間。 ¹⁸

2.​ 慣性里程計（IO）： 使用高頻（200Hz–1kHz）的 加速度計與陀螺儀估計狀態變化，位於慣性測量單元（IMU）內。 ¹⁸

3.1.1 視覺與慣性的互補本質

任一感測器單獨皆不足。

●​ 視覺限制： 相機相對緩慢（30–60Hz），且會受運動模糊影響於 快速機動。此外，單目視覺里程計缺乏度量尺度——無人機 能判定自己在前進，但無法知道移動了 1 公尺還是 10 公尺， 若沒有外部參考或立體基線。 ¹⁹

●​ 慣性限制： IMU 很快（1000Hz）但受快速漂移之苦。導航需要 對加速度做雙重積分以得到位置（$x = \iint a dt$）。這意味著任何 感測器讀數中的微小誤差會隨時間二次累積（$Error \propto t^2$）。消費級 MEMS IMU 若未經校正，可在數秒內漂移數公尺。 ¹⁸

VIO 融合這些模態以抵消各自弱點。IMU 提供 高速率狀態預測，並處理影像可能模糊的快速運動。 相機提供「校正」步驟，將漂移中的 IMU 估計錨定到固定地標 於世界中。 ¹⁸ 此融合可使漂移率低至行駛距離的 1-2%，即使在

GPS 拒止環境。 ¹

3.2 感測器融合架構：濾波對最佳化

實作 VIO 需要精密的數學框架，以定義這些 感測器如何相互告知。現代機器人學中有兩種主要方法。

3.2.1 基於濾波器的方法（MSCKF）

多狀態約束卡爾曼濾波器（MSCKF）利用擴展卡爾曼濾波器（EKF） 結構。

●​ 機制： 它維持包含無人機姿態與 IMU 偏差的狀態向量。它 使用 IMU 讀數傳播狀態（預測），並在視覺 特徵跨多幀被追蹤時更新狀態（更新）。 ¹⁸

●​ 優點： 運算效率高，適合資源受限平台 （微控制器）。

●​ 缺點： 它依賴於當前狀態的線性化。一旦狀態被邊緣化 （處理完畢），資訊即固定。它無法回頭重新線性化過去的 量測，若稍後有更好的估計可用，使其在 長軌跡上較不精確。 ¹⁸

3.2.2 基於最佳化的方法（VINS-Mono / ORB-SLAM3）

Veriprajna 優先採用基於最佳化的方法，常稱為圖形 SLAM 或滑動視窗最佳化。

●​ 機制： 這些系統建構「因子圖」，其中節點代表機器人 姿態，邊代表約束（視覺量測或 IMU 預積分）。 它們求解非線性最小平方問題，以最小化總誤差於滑動 近期幀視窗。 ¹⁸

●​ 優點：

○​ 重新線性化： 系統可在新資訊到達時校正過去的姿態估計 ，提供更一致的軌跡。

○​ 迴路閉合： 此架構自然延伸至 SLAM（同步 定位與地圖構建），允許全域一致性（於第 4 節討論）。

○​ 穩健性： 如 VINS-Mono 與 ORB-SLAM3 等演算法已證明 在 EuRoC 與 KITTI 等基準中具有優越精度，特別是在攻擊性 戰術無人機典型的運動情境。 ²³

運算成本	低（線性）	高（對視窗成立方 大小）
精度	短期良好	優越，降低漂移
迴路閉合	難以整合	原生整合
硬體目標	微型 UAV / MCU	邊緣 AI 電腦 （Jetson）
Veriprajna 選擇	備用 / 失效保護	主要導航堆疊

3.3 VIO 的失效模式與緩解

雖然 VIO 無法被干擾，但它並非萬無一失。理解其極限是穩健 工程的關鍵。

3.3.1 特徵貧乏環境

VIO 依賴追蹤紋理（對比、角落）。低紋理環境——例如 白牆、濃霧、煙霧或開闊水面——可能造成「追蹤喪失」。 ²⁴

●​ 緩解： LiDAR-VIO 融合。 整合輕量固態 LiDAR 可提供密集 幾何資料，在全暗或無紋理空洞中仍有效。LiDAR 點雲 在相機失效時提供錨定 VIO 解算的幾何約束。 ¹

3.3.2 動態環境

標準 VIO 演算法假設世界是靜態的。移動物體（卡車、人員、樹葉在 風中）可能被誤認為靜態地標。若無人機追蹤移動卡車並假設它 是靜止牆壁，無人機將錯誤估計自身運動以補償。

●​ 緩解： 語義遮罩。 這是「深度 AI」與導航交會之處。我們利用 深度學習模型（如 SegNet 或基於 YOLO 的遮罩）來識別動態物體 逐像素。這些區域從 VIO 管線中被「遮罩掉」，確保無人機 只追蹤靜態背景特徵。 ²⁵

4. 語義智能：SLAM 與空間 理解

VIO 提供 局部 一致性（例如「我向前移動了 5 公尺」），但它會累積漂移於 時間。要在沒有 GPS 下達成 全域 一致性，系統必須辨識它曾 到過何處。這就是從里程計轉向 同步定位與地圖構建 (SLAM) 。

4.1 「被綁架機器人」與迴路閉合

在機器人學中，「被綁架機器人問題」描述機器人被突然 移到新位置且未被告知如何到達（例如無人機從 自旋或訊號喪失中恢復）。要存活，它必須辨識周圍以重新定位。

迴路閉合 作為內部 GPS 校正。當無人機返回先前 造訪過的區域，系統將當前視覺指紋與其儲存地圖比對。若 找到匹配，它計算自上次造訪以來累積的漂移誤差，並「卡回」 整條軌跡重新對齊。 ²⁷

4.1.1 詞袋（BoW）

傳統迴路閉合使用「詞袋」表示。視覺特徵（ORB、SIFT）被 叢集成詞彙樹。系統查詢此資料庫以詢問：「我是否見過此 影像？」。 ²⁷

●​ 機制： 每張影像被轉換為「視覺詞」向量。相似度以 餘弦距離等度量計算。若找到高信心匹配，該 系統嘗試將當前幀與歷史幀幾何對齊。 ³⁰

●​ 重要性： 沒有迴路閉合，巡檢長管線或周界的無人機將 最終偏離航線數公尺。有迴路閉合時，地圖保持一致於 長時段，使航點再訪達到公分級精度。 ²⁸

4.2 語義理解：「深度 AI」的差異

標準 VIO 將世界視為無意義的點雲。Veriprajna 的「深度 AI」 方法整合 語義 SLAM 。

●​ 幾何對語義： 幾何 SLAM 看見點、線與平面。語義 SLAM 看見「門」、「牆」、「卡車」、「敵方戰鬥人員」。 ³¹

4.2.1 語義優勢

1.​ 動態場景中的穩健性： 透過理解「汽車」是會 移動的物件類別，語義 SLAM 演算法主動將汽車上的特徵排除於地圖 最佳化過程之外。這可防止繁忙環境中的地圖腐化。 ²⁶

2.​ 長期導航： 幾何特徵（角落的像素強度）會隨 光照改變（晝對夜）。語義特徵（「窗戶」或「門」的概念）則 對光照條件不變。語義 SLAM 系統能辨識曾造訪的位置 於日間，即使夜間返回，只要語義結構仍 可見。 ³³

3.​ 以人為本的指令： 它使高階指令成為可能，例如「飛過那扇門」 或「檢查紅色油槽」，而非「飛到座標 X,Y,Z」。 ³⁵ 這對 降低操作員認知負荷至關重要。

4.3 演算法選擇：ORB-SLAM3 對 VINS-Fusion

對企業部署而言，核心演算法的選擇至關重要。Veriprajna 已評估 領先的開源框架以建構我們的專有堆疊。

4.3.1 ORB-SLAM3

●​ 架構： 一種基於特徵的方法，支援視覺、視覺慣性與 多地圖 SLAM。

●​ 優勢： 它是第一個能執行多地圖合併的系統（Atlas 系統）。若 無人機迷失（追蹤喪失），它會啟動新地圖。當它辨識先前 位置時，它合併兩張地圖。這使其對「綁架」或 打斷追蹤的攻擊性機動極具韌性。 ³⁶

●​ 效能： 在基準（EuRoC）中持續展現優越精度，並且 誤差比部分競爭者低一個數量級，因其穩健的 光束平差。 ²³

4.3.2 VINS-Fusion

●​ 架構： 基於最佳化的滑動視窗估計器。

●​ 優勢： 高度高效且模組化。它擅長融合全域感測器（如 GPS，若 可用）與 VIO。

●​ 弱點： 在無紋理環境中可能吃力，相較於 ORB-SLAM3 的 精密地圖管理與地點辨識。 ³⁶

Veriprajna 堆疊： 我們採用強化版的 ORB-SLAM3 ，並搭配 深度學習前端（SuperPoint/SuperGlue）以取代標準 ORB 特徵。這 結合 ORB-SLAM3 的穩健後端與現代的優越特徵擷取 神經網路，確保效能，即使在嚴苛光照下傳統特徵會 失效。 ²⁴

5. 運算引擎：邊緣 AI 硬體 架構

VIO 與語義 SLAM 的數學複雜度需要可觀的運算 能力。執行非線性最佳化（VIO）同時還有卷積神經網路 （語義分割）於即時（30+ FPS）需要專用硬體。這正是 「邊緣 AI」成為硬體現實，而不只是流行語之處。

5.1 硬體架構：NVIDIA Jetson Orin

NVIDIA Jetson Orin 系列代表嵌入式機器人當前的最先進水準 運算，在嵌入式外形中提供伺服器級 AI 效能。

5.1.1 效能密度

Jetson Orin NX 提供高達 100 TOPS（每秒兆次運算）的 AI 效能。這相對前代如 Xavier NX 是巨大躍進，提供 3 倍 至 5 倍效能增益。 ³⁸

指標	Jetson Orin Nano	Jetson Orin NX （16GB）	Jetson AGX Orin
AI 效能	40 TOPS	100 TOPS	275 TOPS
GPU 架構	Ampere（1024 核心）	Ampere（1024 核心）	Ampere（2048 核心）
記憶體	8GB LPDDR5	16GB LPDDR5	64GB LPDDR5
功率	7W - 15W	10W - 25W	15W - 60W
目標用途	入門級 VIO	進階 語義 VIO	重工業 / 樞紐

對戰術微型無人機與工業巡檢員，Orin NX 提供最佳平衡，於 SWaP-C（尺寸、重量、功率與成本）。它允許運行 VIO 後端（如 Isaac ROS Visual SLAM 或自訂 ORB-SLAM3 實作）同時還有物件偵測網路 （YOLOv8/v11）而不使熱預算飽和。 ³⁸

5.2 即時飛行的最佳化策略

沒有軟體最佳化，原始矽晶功率並不足夠。視覺管線中的延遲 會直接轉化為飛行不穩定。

5.2.1 TensorRT 與量化

我們利用 NVIDIA 的 TensorRT 編譯神經網路，最佳化層融合與核心 選擇。

●​ Int8 量化： 將神經網路權重從浮點 32（FP32）轉換為 整數 8（Int8）可降低記憶體頻寬使用並提高吞吐量。在 Orin 平台上，這對達到控制迴路穩定所需的 >30 FPS 至關重要。 ⁴¹

●​ 結果： TensorRT 最佳化可將推論吞吐量加倍或三倍，相較於 原始 PyTorch 執行，使複雜語義分割模型落入 飛行無人機的延遲預算之內。 ⁴²

5.2.2 硬體加速（VPI 與 CUDA）

為防止 CPU 瓶頸，我們卸載特定任務：

●​ 前端： 特徵追蹤與光流被卸載至 視覺程式設計 介面（VPI） 或專用 PVA（可程式視覺加速器） 核心於 Orin，釋放 GPU 供深度學習推論。 ⁴³

●​ 後端： 非線性最佳化（光束平差）使用 CUDA 平行化 核心於 GPU 上，確保地圖更新不會停滯追蹤執行緒。

此異質運算方法確保飛控接收里程計 更新達到所需頻率（通常 >50Hz），無論場景複雜度如何 正在分析。 ⁴³

6. 作業現實：防務、採礦與 基礎設施

轉向以 VIO 為基礎的自主，不僅是技術升級；它是作業 律令，可在各部門解鎖新能力與成本節省。

6.1 防務：無法被干擾的巡飛彈藥

在烏克蘭衝突與未來對等交戰的脈絡中，GNSS 拒止是 確定的。

●​ 末端導引： 當前 FPV 無人機依賴類比視訊鏈路，在接近時會中斷 地面（因菲涅耳區與干擾）。配備 VIO 的無人機可「鎖定」 目標以視覺方式，並自主執行最終打擊階段，即使 C2 鏈路被 切斷。 ⁴⁴

●​ 發射後不管蜂群： 自主導航允許單一操作員部署 蜂群。無人機使用 VIO 導航 GNSS 拒止走廊，使用 機上語義 AI 定位目標，並依預設交戰規則（ROE）接戰。這 倍增兵力效能，同時降低操作員暴露。 ⁴⁶

●​ 存活性： 移除無線電鏈路後，無人機成為「沉默殺手」， 直到目視之前，標準 RF 掃描器無法偵測。 ⁴⁴

6.2 採礦：數位化地下空間

採礦業面對本質上 GPS 拒止的環境，安全至關重要。

●​ 爆破後巡檢： 爆破後，礦房充滿粉塵與潛在有毒 氣體。等待淨空會耗費金錢。具備 VIO 的無人機可飛入這些黑暗、 充滿粉塵的環境（可能輔以 LiDAR 融合）以巡檢岩石破碎 與結構穩定，立即進行。 ⁶

●​ 成本對風險： 將人員移出這些危險區域是主要價值驅動。

此外，以無人機取代人工測量（可能耗時數日） 攝影測量（數小時）大幅降低作業成本。人工測量團隊 每日成本數千美元；無人機在 30 分鐘內完成。 ⁷

6.3 關鍵基礎設施：失效的代價

對油氣管線而言，漏檢的成本可能是災難性的（$8.5 million 對 單次失效 vs. $75,000 用於修復）。 ⁸

●​ GPS 陰影作業： 巡檢橋樑下方或在其間飛行的無人機 大型儲槽常因多路徑效應失去 GPS。VIO 系統維持 在這些「陰影」中的精確定點，使無人機能擷取 高解析度影像，而無漂入結構的風險。 ¹⁰

●​ 可擴展性： 真正自主的無人機（駐塢、具備 VIO）可執行排程 每日巡檢而無迴路中的飛行員，於最早偵測洩漏或腐蝕 可偵測階段。這使維護從被動轉為預測性。 ⁴⁸

7. 結論：Veriprajna 願景

「自動化」無人機的時代——依賴脆弱衛星繫繩與雲端連線——正在 結束。未來屬於 自主邊緣系統 。

Veriprajna 不僅僅包裝 LLM API；我們工程打造基礎導航與 感知堆疊，使機器能在物理世界中存在並行動。透過精通 視覺慣性里程計、實作 語義 SLAM，並為 邊緣 運算 最佳化，我們建構的系統是：

1.​ 無法被干擾： 免疫 GNSS 拒止與欺騙。

2.​ 無繫繩： 能在沒有無線電鏈路或雲端連線下完成任務。

3.​ 真正自主： 具備機上智能以感知、理解，並 導航現代環境的複雜現實。

對防務指揮官、礦場營運者與基礎設施管理者而言，此 區別不是學術性的——它是任務成功與資產喪失之間的差異。

技術附錄：導航的比較分析 模態

Col1	導航	光流（P4/Mavic）	語義 VIO
主要 參考	外部衛星	向下相機 （地面紋理）	360° 視覺 特徵 + IMU + 語義 理解
干擾 敏感度	高（L1/L2/L5 頻段）	中（需要 GPS 用於偏航/高度）	零（被動 感測）
漂移率	不適用（絕對 位置）	隨時間偏高 / 低精度	低（<1-2%）經由 迴路閉合
拒止環境 能力	失效 （室內/地 下/EW）	有限（需要 良好光線/紋理）	高（作用於 複雜/GPS 拒 止區域）
動態物體 處理	不適用	失效（若漂移 地面移動）	穩健（遮罩 動態物體經由 AI）
運算 需求	低 （微控制器）	低（ASIC/DSP）	高（NVIDIA Jetson / NPU）
作業 狀態	「紙鎮」於 電子戰	電子戰中不穩定	具備任務能力

詞彙表

●​ GNSS（全球衛星導航系統）： 衛星導航的總稱 系統，包括 GPS（美國）、Galileo（歐盟）、GLONASS（俄羅斯）與北斗（中國）。

●​ VIO（視覺慣性里程計）： 相機資料與慣性感測器的融合，用以追蹤 位置而無外部訊號。

●​ SLAM（同步定位與地圖構建）： 此運算問題為 建構未知環境的地圖，同時持續追蹤 智能體在其中的位置。

●​ EW（電子戰）： 涉及使用電磁與 定向能量以控制電磁頻譜或攻擊敵人的軍事行動。

●​ SWaP-C： 尺寸、重量、功率與成本——無人機工程中的關鍵約束。

●​ 邊緣 AI： 在本地裝置（例如無人機）上部署 AI 演算法，而非在 集中式雲端伺服器。

●​ 迴路閉合： SLAM 中辨識先前造訪位置的過程，用以 校正累積的導航漂移。

參考文獻

1. Navigating Small Drones in an Electronic Warfare Environment ...，於 2025 年 12 月 11 日存取, https://dras.in/navigating-small-drones-in-an-electronic-warfare-environment/

2. Drone War Accelerates Over Ukraine - Inside Unmanned Systems，於 2025 年 12 月 11 日存取, https://insideunmannedsystems.com/drone-war-accelerates-over-ukraine/

3. Protecting Autonomous UAVs from GPS Spoofing and Jamming: A comparative analysis of detection and mitigation techniques - AWS，於 2025 年 12 月 11 日存取, https://sdiopr.s3.ap-south-1.amazonaws.com/2024/Oct/28-Oct-24/JERR_124341/Revised-ms_JERR_124341_v1.pdf

4. The Economic Power of GPS Technology - Economy Insights，於 2025 年 12 月 11 日存取, https://www.economyinsights.com/p/the-economic-power-of-gps-technology

5. DOC Study on Economic Benefits of GPS - Office of Space Commerce，於 2025 年 12 月 11 日存取, https://space.commerce.gov/doc-study-on-economic-benefits-of-gps/

6. Safety Inspections and Gas Monitoring in Hazardous Mining Areas Shortly After Blasting Using Autonomous UAVs - DiVA portal，於 2025 年 12 月 11 日存取, https://www.diva-portal.org/smash/get/diva2:1923729/FULLTEXT03

7. Drones in mining: Benefits, use cases & industry impacts - SPH Engineering，於 2025 年 12 月 11 日存取, https://www.sphengineering.com/news/drones-in-mining

8. Cutting Costs, Boosting ROI: The Business Case for Drone Pipeline Inspections Datumate，於 2025 年 12 月 11 日存取, https://www.datumate.com/blog/drone-pipeline-inspections/

9. GPS and IMU Require Visual Odometry for Elevation Accuracy - SciSpace，於 2025 年 12 月 11 日存取, https://scispace.com/pdf/gps-and-imu-require-visual-odometry-for-elevation-accuracy-5an1ym9sye.pdf

10. Smart Safety Helmets with Integrated Vision Systems for Industrial Infrastructure Inspection: A Comprehensive Review of VSLAM-Enabled Technologies - PMC PubMed Central，於 2025 年 12 月 11 日存取, https://pmc.ncbi.nlm.nih.gov/articles/PMC12349484/

11. Metrics and evaluations for computational and sustainable AI efficiency - arXiv，於 2025 年 12 月 11 日存取, https://arxiv.org/html/2510.17885v1

12. Research on the Implementation of New Communication Technologies to Improve Quality and Stability in Motion Control of Autonomous Mobile Robots MDPI，於 2025 年 12 月 11 日存取, https://www.mdpi.com/2227-7080/13/12/556

13. Stability of networked control systems - KTH，於 2025 年 12 月 11 日存取, https://www.kth.se/social/upload/512798bdf2765428364644c7/NCS.pdf

14. Edge AI vs. Cloud AI - IBM，於 2025 年 12 月 11 日存取, https://www.ibm.com/think/topics/edge-vs-cloud-ai

15. AI at the Edge Explained: Benefits, Uses & More - Advantech，於 2025 年 12 月 11 日存取, https://www.advantech.com/en-us/resources/industry-focus/edge-ai

16. Harnessing Edge AI to Strengthen National Security | Strategic Technologies Blog | CSIS，於 2025 年 12 月 11 日存取, https://www.csis.org/blogs/strategic-technologies-blog/harnessing-edge-ai-strengthen-national-security

17. Edge AI is advancing rapidly. So are the ways in which it's being secured.，於 2025 年 12 月 11 日存取, https://www.techmonitor.ai/digital-economy/ai-and-automation/edge-ai-cybersecurity

18. How Visual Inertial Odometry (VIO) Works - Think Autonomous，於 2025 年 12 月 11 日存取, https://www.thinkautonomous.ai/blog/visual-inertial-odometry/

19. Efficient and Accurate Downfacing Visual Inertial Odometry - arXiv，於 2025 年 12 月 11 日存取, https://arxiv.org/html/2509.10021v1

20. Visual Inertial Odometry (VIO) | PX4 Guide (main)，於 2025 年 12 月 11 日存取, https://docs.px4.io/main/en/computer_vision/visual_inertial_odometry

21. A Comprehensive Introduction of Visual-Inertial Navigation - arXiv，於 2025 年 12 月 11 日存取, https://arxiv.org/pdf/2307.11758

22. Dense Visual-Inertial Odometry for Tracking of Aggressive Motions - Yonggen Ling，於 2025 年 12 月 11 日存取, https://ygling2008.github.io/papers/ROBIO2015.pdf

23. Comparison of modern open-source visual SLAM approaches ...，於 2025 年 12 月 11 日存取, https://www.alphaxiv.org/overview/2108.01654v2

24. A robust visual-inertial SLAM based deep feature extraction and matching - arXiv，於 2025 年 12 月 11 日存取, https://arxiv.org/html/2405.03413v2

25. D-VINS: Dynamic Adaptive Visual–Inertial SLAM with IMU Prior and Semantic Constraints in Dynamic Scenes - MDPI，於 2025 年 12 月 11 日存取, https://www.mdpi.com/2072-4292/15/15/3881

26. RO-SLAM: A Robust SLAM for Unmanned Aerial Vehicles in a Dynamic Environment，於 2025 年 12 月 11 日存取, https://www.techscience.com/csse/v47n2/53640/html

27. Simple bag-of-words loop closure for visual SLAM - Nicolò Valigi，於 2025 年 12 月 11 日存取, https://nicolovaligi.com/articles/bag-of-words-loop-closure-visual-slam/

28. Introduction to Loop Closure Detection in SLAM - Think Autonomous，於 2025 年 12 月 11 日存取, https://www.thinkautonomous.ai/blog/loop-closure/

29. Evaluation of Bags of Binary Words for Place Recognition in Challenging Scenarios - inesc tec，於 2025 年 12 月 11 日存取, https://repositorio.inesctec.pt/server/api/core/bitstreams/66f0e40f-317b-4a83-b890-eeb7ff307e7a/content

30. Bag of Visual Words - 5 Minutes with Cyrill - YouTube，於 2025 年 12 月 11 日存取, https://www.youtube.com/watch?v=a4cFONdc6nc

31. A Frontier Review of Semantic SLAM Technologies Applied to the Open World MDPI，於 2025 年 12 月 11 日存取, https://www.mdpi.com/1424-8220/25/16/4994

32. Is Semantic SLAM Ready for Embedded Systems ? A Comparative Survey - arXiv，於 2025 年 12 月 11 日存取, https://arxiv.org/html/2505.12384v1

33. Hierarchical Loop Closure Detection for Long-term Visual SLAM with Semantic-Geometric Descriptors - GitHub Pages，於 2025 年 12 月 11 日存取, https://siewkeilam.github.io/ei-research-group/Paper/2021C-Gaurav-ITSC.pdf

34. Semantic Loop Closure Detection for Intelligent Vehicles Using Panoramas ResearchGate，於 2025 年 12 月 11 日存取, https://www.researchgate.net/publication/372631598_Semantic_Loop_Closure_Detection_for_Intelligent_Vehicles_Using_Panoramas

35. Visual Planar Semantic SLAM for Aerial Robotic Systems - DSpace@MIT，於 2025 年 12 月 11 日存取, https://dspace.mit.edu/bitstream/handle/1721.1/135936/09045978.pdf?sequence=2&isAllowed=y

36. ORB-SLAM3: An Accurate Open-Source Library for Visual, Visual-Inertial and Multi-Map SLAM - ResearchGate，於 2025 年 12 月 11 日存取, https://www.researchgate.net/publication/343179441_ORB-SLAM3_An_Accurate_Open-Source_Library_for_Visual_Visual-Inertial_and_Multi-Map_SLAM

37. SuperVINS: A visual-inertial SLAM framework integrated deep learning features arXiv，於 2025 年 12 月 11 日存取, https://arxiv.org/html/2407.21348v1

38. NVIDIA® Jetson Comparison: Nano, TX2 NX, Xavier NX, AGX, Orin - Latest News from Seeed Studio，於 2025 年 12 月 11 日存取, https://www.seeedstudio.com/blog/nvidia-jetson-comparison-nano-tx2-nx-xavier-nx-agx-orin/

39. Jetson Orin™ NX Performance vs. Xavier™ NX - Connect Tech - YouTube，於 2025 年 12 月 11 日存取, https://www.youtube.com/watch?v=t4WPyKVX61I

40. Jetson Benchmarks - NVIDIA Developer，於 2025 年 12 月 11 日存取, https://developer.nvidia.com/embedded/jetson-benchmarks

41. Jetson orin nano fp16/int8 performance - NVIDIA Developer Forums，於 2025 年 12 月 11 日存取, https://forums.developer.nvidia.com/t/jetson-orin-nano-fp16-int8-performance/326723

42. Performance analysis on Jetson Orin Nano 8GB - NVIDIA Developer Forums，於 2025 年 12 月 11 日存取, https://forums.developer.nvidia.com/t/performance-analysis-on-jetson-orin-nano-8gb/292343

43. Isaac ROS Visual SLAM，於 2025 年 12 月 11 日存取, https://nvidia-isaac-ros.github.io/repositories_and_packages/isaac_ros_visual_slam/index.html

44. The Rush for AI-Enabled Drones on Ukrainian Battlefields - Lawfare，於 2025 年 12 月 11 日存取, https://www.lawfaremedia.org/article/the-rush-for-ai-enabled-drones-on-ukrainian-battlefields

45. Ukraine's Future Vision and Current Capabilities for Waging AI-Enabled Autonomous Warfare - CSIS，於 2025 年 12 月 11 日存取, https://www.csis.org/analysis/ukraines-future-vision-and-current-capabilities-waging-ai-enabled-autonomous-warfare

46. Drones rack up 70% of troop losses in the Ukraine war — and AI's killing spree will make it worse - Euromaidan Press，於 2025 年 12 月 11 日存取, https://euromaidanpress.com/2025/06/14/drones-rack-up-70-of-troop-losses-in-the-ukraine-war-and-ais-killing-spree-will-make-it-worse/

47. Drone Mining Surveys vs Manual Methods: A Cost & Time Comparison，於 2025 年 12 月 11 日存取, https://safesightxp.com/2025/06/21/drone-vs-manual-mining-surveys/

48. Generative AI + Autonomy: The Next Leap for Industrial Drone Programs Dronelife，於 2025 年 12 月 11 日存取, https://dronelife.com/2025/11/19/generative-ai-autonomy-the-next-leap-for-industrial-drone-programs/