论文《Synthetic-to-Real Pipeline for Safe Landing Zone Detection》于2026年6月9日提交至arXiv，编号为arXiv:2606.14767v1，属于机器人学（cs.RO）领域。该研究由Shrikant Banerjee与另一位作者共同完成，第一作者为Reza Faieghi，论文被2026年在加拿大不列颠哥伦比亚省温哥华举行的机器人与视觉会议（CRV 2026）收录。研究聚焦于无人机在非合作、非结构化环境中实现自主安全着陆的感知与数据生成流程，旨在弥合仿真到现实的差距。
随着无人机向更高自主性发展，在无协助条件下进行回收变得至关重要。安全自主着陆需要高保真的语义分辨率，以区分可导航地形与危险障碍物。然而，标注航空数据集的稀缺往往阻碍开发。为此，作者提出了一套全面的感知与数据生成流程，核心是一个程序化合成数据引擎。该引擎通过域随机化生成照片级真实的城市环境，并自动生成语义标注，从而无需人工标注。
在模型方面，研究采用基于Transformer的OneFormer架构，仅使用合成数据进行微调。该架构利用多头自注意力机制进行全局上下文解析，从而在复杂场景中实现稳健的语义分割。为了确保操作安全，系统还包含一个确定性着陆模块，该模块利用欧几里得距离变换（EDT）和动态推理逻辑，在障碍物周围保持严格的安全缓冲区域的同时，识别最大的内接安全着陆区。
在定量评估中，该系统在UAVid数据集上进行了基准测试，展示了稳健的语义分割性能。在定性验证中，使用真实无人机视频片段确认了系统在未见环境中识别无碰撞着陆点的能力。研究结果凸显了高保真程序化模拟在消除人工标注需求方面的潜力，同时为自主无人机回收提供了稳健的、可边缘部署的态势感知能力。该工作为无人机自主着陆提供了一种从合成数据到现实应用的完整解决方案，并展示了程序化模拟在安全关键任务中的实用价值。