基于深度学习的避障自主无人机,基于信托标记器的定位,用于结构性健康监测
Ali Waqas1, Dongho Kang2, Young-Jin Cha1
1Department of Civil Engineering, University of Manitoba, Winnipeg, MB, Canada.
概括
本研究介绍了用于结构健康监测 (SHM) 的先进自主无人飞行器 (UAV) 系统. 它具有基于深度学习的新障碍回避方法 (OAM) 和信托标记本地化,用于在GPS被拒绝的环境中可靠的导航.
科学领域:
- 机器人和自动化 机器人和自动化
- 人工智能的人工智能
- 结构健康监测 结构健康监测
背景情况:
- 自主无人机 (UAV) 越来越多地用于结构健康监测 (SHM).
- 在GPS被拒绝的环境中导航带来了重大挑战,原因是超声波信标等传统定位方法的潜在障碍和局限性.
- 现有的方法容易受到环境干扰和有限的操作范围的影响.
研究的目的:
- 为在GPS被拒绝的地区提供SHM的自主无人机系统提供一个强大的框架.
- 开发和整合一种基于深度学习的新障碍回避方法 (OAM) 和基于信托标记器的本地化技术.
- 提高无人机在基础设施检查中的可靠性和性能.
主要方法:
- 一个基于深度学习的OAM集成你只看一次版本3 (YOLOv3) 实时障碍物检测.
- 一种基于信托标记器的定位方法,用于在GPS被拒绝的环境中精确定位无人机.
- 将OAM和本地化与实时损坏细分方法集成为一个全面的自主SHM系统.
主要成果:
- 与传统方法相比,基于深度学习的OAM在识别和避免障碍方面表现优异.
- 基于信托标记的定位方法提供了准确可靠的无人机定位.
- 在室内和室外 (停车场结构) 环境中进行的综合系统测试证实了增强的避障和定位能力.
结论:
- 开发的自主无人机系统为SHM在具有挑战性的无GPS环境中提供了重大进步.
- 新的OAM和本地化方法克服了传统技术的局限性,提高了运营安全和效率.
- 这个框架为更复杂的自主检查和监控应用提供了基础.


