无人机避障不再先分动静：极坐标梯度场一次给出安全方向，重规划压到4.8毫秒内

无人机在动态环境中的避障不再需要先跟踪并区分静态与动态障碍，而是由一张统一的安全梯度场直接给出避让方向。 此前的模块化方案依赖动目标检测与跟踪，把动态障碍建模成包围盒或椭球并分别制定规避策略，在高度杂乱场景中容易失效；基于ESDF的自监督方法则要为快速变化的障碍配置反复构建和更新距离场，计算代价高。 在ROS-Gazebo中搭建40米乘40米的杂乱场地，设置三种障碍配置，每种方法在每个场景跑25次独立飞行，最大飞行速度统一为2.5米每秒；在动态障碍占75%、平均速度0.5米每秒和1.0米每秒的两类密集场景中，该方法成功率比表现最好的对比方法VIGO高出16.0%，且所有测试用例的平均重规划时间低于4.80毫秒。

安全梯度场由机载相机视锥对齐的极坐标占据图生成，因此天然匹配有限的视觉观测范围。 该方法先把特权场景点云投影成以机体为中心的极坐标占据表示，再用多核可分离高斯卷积把它变成可微的时序极坐标梯度场，并用ESDF引导的离线学习把显式几何先验蒸馏进场的结构参数。 梯度场在GPU上并行计算，ESDF在CPU上构建；用2000帧随机采样的离线数据、5次预热后测20次迭代，批量评估下TPGF的耗时始终低于ESDF。

这套框架面向仅靠RGB-D相机感知、在未知动态环境中朝目标连续规划平滑轨迹的自主飞行器，验证覆盖仿真中的三种障碍配置、静态森林、杂乱室内和拥挤走廊三类泛化场景，以及真实四旋翼在杂乱室内与动态森林中的飞行。作者提出后续把更稳健的动态障碍感知嵌入端到端框架，并把障碍与飞行器速度纳入当前纯空间场以实现实时自适应调速，最终把TPGF扩展到三维。

作者指出，在极坐标网格上做卷积会引入固有的空间模糊，因此需要ESDF引导的离线学习来校准梯度方向；消融显示去掉相关损失或安全区损失后，梯度场退化为核心主导的窄场，成功率接近零。泛化测试中，随着障碍密度与飞行速度同时增大，成功率呈预期下降趋势。真实飞行出于行人安全考虑把最大速度限制在1.6米每秒。