基于视觉和深度学习的无人机室内低计算导航方法
Tzu-Ling Hsieh1, Zih-Syuan Jhan1, Nai-Jui Yeh1
1Department of Intelligent Automation Engineering, National Taipei University of Technology, Taipei 10608, Taiwan.
Sensors (Basel, Switzerland)
|January 11, 2024
概括
本研究介绍了无人机 (UAV) 室内导航系统的成本效益. 它使用摄像头追踪路径和避开障碍物,实现高效准确的飞行.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 室内无人机 (UAV) 应用越来越多,通常需要一致的导航路径.
- 现有的室内定位系统可能昂贵且计算密集,超过应用需求.
- 需要有效的,低成本的解决方案,用于室内无人机路径跟踪和避开障碍.
研究的目的:
- 开发一个计算效率高,成本效益高的解决方案,用于室内无人机路径跟踪和避开障碍.
- 提高无人机导航能力,在具有一致路径和潜在障碍的环境中.
主要方法:
- 利用向下看的摄像头进行路径跟踪,改进了胡卜外算法,并引入了一种新的线拟合路径跟踪 (LFPF) 算法.
- 采用前置摄像头以深度图像和YOLOv4-tiny为实时障碍物检测和回避策略的实施.
- 在一个Nvidia Jetson Nano,一个入门级计算平台上测试了系统.
主要成果:
- 与胡卜外算法相比,LFPF算法在适应光线变化和保持一致的飞行速度方面表现出卓越的性能.
- 在现实世界室内飞行场景中,LFPF算法保持了±40厘米的误差率.
- 该系统实现了最小的计算需求,在Nvidia Jetson Nano上运行23 FPS.
结论:
- 拟议的系统为室内无人机导航提供了具有成本效益和计算效率的解决方案.
- LFPF算法在不同的光条件和动态速度下提供了稳健的路径.
- 综合式避障系统有效地根据类型和近距离管理威胁,确保安全操作.
更多相关视频
08:25Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment
Published on: May 7, 2019
9.0K
07:49Automated Deployment of an Internet Protocol Telephony Service on Unmanned Aerial Vehicles Using Network Functions Virtualization
Published on: November 26, 2019
8.0K
