最近，來自馬德里理工大學、麻省理工學院和德克薩斯A＆M大學的一組研究人員通過構建一個適用于小型無人機的簡單攝像頭和數據處理設置的集成系統(tǒng)，在主動碰撞監(jiān)測和避免碰撞方面取得了現實世界的成果

挑戰(zhàn)

無人機行業(yè)正在做出哪些努力來利用便宜的傳感器、低功率處理模型進行避免碰撞？

如今，小型無人機面臨著傳統(tǒng)的避碰傳感器的挑戰(zhàn)。許多用于監(jiān)測飛行器周圍環(huán)境的傳統(tǒng)工具體積更大、耗電量更大、或者比通常實際使用的價格更高。為了這個研究項目，我們采用2公斤以下的無人機。由于尺寸和限制條件的存在，像激光雷達、雷達和聲學傳感器這樣的典型傳感器是不實用的。

鑒于這些領域存在差距，該團隊著手開發(fā)解決方案:


   在為2018年以前的項目創(chuàng)建的設計上進行了改進，提出了更多挑戰(zhàn)。首先，該團隊希望繼續(xù)展示低成本的傳統(tǒng)相機如何提供結果。其次，要實現降低的電源需求，該解決方案必須利用基礎計算，而無需任何中間件或運行環(huán)境的額外封裝。最后，最終結果應完全整合到小型四軸飛行器中，并使該飛行器能夠監(jiān)視并避開附近的多架飛行飛行器。


建筑物防撞AI模型的流程改進

將他們的目標與當今的典型解決方案進行比較時，構建符合團隊定義規(guī)格的輕便、低功耗、高性能防撞系統(tǒng)是一項艱巨的任務。該團隊已避免使用傳統(tǒng)攝像機（無論是簡單的光學攝像機還是紅外攝像機）的先進儀器。驅動該項目的關鍵實現是，這些普通攝像機成對使用，可以模仿人類的深度感知，并依靠更易消化的數據，這些數據在實踐中比某些替代方法更可靠。

通過測量并排拍攝的兩個圖像的幾何差異，立體相機深度映射使系統(tǒng)能夠識別可能對自動駕駛車輛構成威脅的物體。在此技術的第一次迭代中，團隊準確地完成了對威脅的識別。要用簡單的攝像機實現這一目標，就需要可靠的框架來識別，確定尺寸和跟蹤這些物體的運動。為了構建這些框架，團隊利用了Microsoft AirSim。

自2017年推出以來，Microsoft的AirSim飛行模擬軟件在各種GIS和自動飛行用例中都變得非常有價值。 康奈爾大學的一個團隊  已使用該平臺通過在詳細的虛擬空間中模擬無人駕駛飛機的比賽來開發(fā)自主飛行功能。在另一個示例中，  合作研究項目  已使用AirSim改進了非洲野生動物保護區(qū)中野生動植物管理的自主無人機飛行程序，并在其真實生活環(huán)境的近乎完美的復制品中證明了它們的概念。

出于構建防撞系統(tǒng)的目的，深度圖研究團隊使用AirSim對復雜環(huán)境進行建模，模擬飛行中的無人機進行訓練，并精確控制圖像捕獲以收集訓練和建模內容，以供其機器學習應用程序使用。

通過捕獲獨立的左右視角，該團隊能夠創(chuàng)建照片級真實感的渲染，以進行大小檢測，位置檢測以及無人機在靜態(tài)位置和運動中的深度映射。利用這些工作模型，他們通過用C ++和C / CUDA編寫邏輯，進一步節(jié)省了與無人機一起包裝的產品。這些基本語言不需要復雜的中間件即可在飛行過程中處理圖像和推理。他們甚至能夠通過使用單個存儲模塊進行圖像存儲和解釋來減少資源需求。

現實生活結果

在創(chuàng)建了模型，訓練和測試了  AI并準備了測試工具之后，該團隊發(fā)布的結果顯示了其工作理念的巨大進步。經過測試的裝備好的無人駕駛飛機能夠識別，跟蹤并做出航跡校正，以應對復雜環(huán)境中需要跟蹤靜態(tài)和移動障礙物的數種其他無人機的反應。

雖然一些研究人員已  使用無人駕駛飛機失事數千次，  以創(chuàng)建用于自動飛行的AI模型，但該團隊表明，AirSim可以導致自動飛行控制器正常工作。該研究工作的應用范圍可能很廣，并且這些工具易于訪問。在實現超越視線甚至自動飛行的過程中，越來越多的研究人員正在使用這些工具。但是，除了用于構建此AI的出色工具之外，還有一個更可喜的成果：自主飛行控制的邏輯模型將在并非所有傳感器都能使用的條件下工作，同時會降低成本并為更多種類的車輛提供功能。