小型空中机器人凭借灵活性、低成本以及能够穿越大型平台无法进入的杂乱空间的能力，特别适合在狭窄和危险环境中执行搜救任务。然而，在完全黑暗中实现自主导航仍然是一项重大挑战，因为小型空中机器人难以承载对载荷、功耗或计算能力要求较高的感知系统。针对这一问题，Deepak Singh 等四位作者在 2026 年 5 月 25 日提交至 arXiv 的论文《NightSight: Passive Computation for Navigation in Dark Using Events》中，提出了一种轻量级感知方案，将单目事件相机、编码孔径镜头与红外点阵投影器相结合，以支持此类环境下的导航。
该系统的核心思路在于利用光学结构而非重型计算来实现深度感知。红外点阵投影器向场景投射图案，当这一图案经由编码孔径镜头成像时，会产生随距离变化的模糊特征，这些特征隐含地编码了场景的几何信息。研究团队训练了一个卷积神经网络，将这些模糊特征解码为稠密深度图。值得注意的是，训练数据完全来自一个简单平面墙壁装置生成的合成数据。尽管训练条件如此精简，模型仍能零样本泛化到复杂的真实世界场景中。
在性能方面，该系统在 NVIDIA Jetson Orin Nano 上以 20 Hz 的频率实时运行，显示出其适用于资源受限平台的潜力。在 2.5 米范围内，深度估计达到了较高精度，l1 误差为 7.0 厘米，相对误差为 2.80%。研究还进一步分析了不同编码孔径设计对深度估计性能的影响，为后续光学参数的优化提供了依据。
论文共 6 页、含 7 幅图，归类于机器人学（cs.RO）领域，arXiv 编号为 2605.26330，DOI 为 10.48550/arXiv.2605.26330，投稿时间为 2026 年 5 月 25 日 21:07:44 UTC。作者指出，这些结果凸显了将结构光照明、编码光学与事件驱动感知相结合，在完全黑暗中实现鲁棒感知与导航的潜力。该工作的重要意义在于，它通过“被动计算”式的光学设计降低了感知系统对载荷与算力的依赖，为小型机器人在无光、危险且空间受限的搜救场景中自主作业提供了可行路径。