饒穎露,邢金昊,張 恒,馬曉靜,馬思樂
(山東大學(xué) 海洋研究院,山東 青島 266237)
隨著無人機(jī)行業(yè)的發(fā)展,無人機(jī)應(yīng)用產(chǎn)生了越來越多的新需求,例如快遞自動(dòng)定點(diǎn)投送物品、自動(dòng)定點(diǎn)檢查輸電線路異常等。這些需求對(duì)無人機(jī)自動(dòng)精準(zhǔn)降落技術(shù)提出了新的挑戰(zhàn)。無人機(jī)自動(dòng)精準(zhǔn)降落是飛行任務(wù)中最關(guān)鍵的階段之一,實(shí)現(xiàn)無人機(jī)精確著陸對(duì)完成飛行任務(wù)、保障飛行安全具有重要意義。
無人機(jī)自主精確著陸主要有2 種方法:視覺處理著陸和衛(wèi)星導(dǎo)航著陸[1-3]。衛(wèi)星導(dǎo)航著陸適合長(zhǎng)時(shí)間飛行任務(wù)但其容易受環(huán)境影響,且精度較低,需要多種復(fù)雜傳感器配合[4]。此外,衛(wèi)星導(dǎo)航在GPS/GNSS 拒絕區(qū)域系統(tǒng)下將無法工作,因此該應(yīng)用一般情況下適合作為二次支撐。
無人機(jī)視覺引導(dǎo)降落只需要搭載攝像頭這一單一傳感器作業(yè),易于與多種無人機(jī)系統(tǒng)集成,結(jié)合圖像算法可以實(shí)現(xiàn)高精度實(shí)時(shí)降落。無人機(jī)視覺自主精準(zhǔn)降落中常用的檢測(cè)方法[5-7]有圖像匹配法[8]、輪廓檢測(cè)法[9]、濾波算法[10-11]等。李會(huì)敏等[12]采用雙目視覺探測(cè)無人機(jī)特征點(diǎn)并進(jìn)行特征立體匹配以計(jì)算無人機(jī)位置,該方法實(shí)時(shí)性好,但僅能在仿真環(huán)境下使用,實(shí)際使用時(shí)還需要考慮復(fù)雜環(huán)境下無人機(jī)降落的匹配效果。高嘉瑜等[13]采用AprilTag 二維碼引導(dǎo)無人機(jī)著陸搭建虛擬場(chǎng)景仿真,該方法參數(shù)誤差低,但容易受到環(huán)境變化的影響。洪亮等[14]采用模糊預(yù)測(cè)同步視覺預(yù)測(cè)數(shù)據(jù),提高卡爾曼濾波對(duì)無人機(jī)位姿估計(jì)的實(shí)時(shí)性,速度快但精度較低。以上傳統(tǒng)的圖像處理算法性能受成像環(huán)境的影響很大,很難正確提取所需目標(biāo),在面對(duì)光照變換、尺度變換、遮擋、復(fù)雜背景等環(huán)境變換問題時(shí),算法性能會(huì)顯著下降,難以滿足無人機(jī)自主精準(zhǔn)降落的實(shí)際需求。因此,考慮將適用性更好、泛化能力更強(qiáng)的深度學(xué)習(xí)方法引入到無人機(jī)視覺自主精準(zhǔn)降落的過程中,進(jìn)一步提高速度,解決環(huán)境干擾問題。
無人機(jī)的自主精準(zhǔn)降落算法需要移植到無人機(jī)板載平臺(tái)運(yùn)行,但由于板載平臺(tái)的計(jì)算能力和內(nèi)存資源有限,當(dāng)把圖像算法模型應(yīng)用于嵌入式平臺(tái)時(shí),目標(biāo)檢測(cè)速度會(huì)明顯下降。此外,降落過程中容易受到風(fēng)力等外界因素干擾,因此要求模型檢測(cè)速度快,能夠?qū)崟r(shí)更新降落坐標(biāo)。傳統(tǒng)圖像處理方法泛化能力差,難以應(yīng)對(duì)降落過程中各種環(huán)境干擾。
針對(duì)上述問題,本文通過改進(jìn)YOLOV3 網(wǎng)絡(luò),引入可分離卷積和注意力機(jī)制,將深度學(xué)習(xí)引入無人機(jī)自主精準(zhǔn)降落,設(shè)計(jì)一種針對(duì)無人機(jī)板載系統(tǒng)的輕量化深度學(xué)習(xí)目標(biāo)檢測(cè)模型Onboard-YOLO,并對(duì)其性能進(jìn)行評(píng)估實(shí)驗(yàn),以實(shí)現(xiàn)無人機(jī)板載端實(shí)時(shí)準(zhǔn)確的自主精準(zhǔn)降落,應(yīng)對(duì)降落過程中的復(fù)雜環(huán)境變化問題。
YOLOV3 網(wǎng)絡(luò)結(jié)構(gòu)由特征提取網(wǎng)絡(luò)DarkNet53和多尺度分類回歸網(wǎng)絡(luò)組成,Onboard-YOLO 是基于YOLOV3 網(wǎng)絡(luò)提出的適用于無人機(jī)板載處理器的輕量級(jí)高精度實(shí)時(shí)檢測(cè)網(wǎng)絡(luò)。YOLOV3 采用的DarkNet53 特征提取網(wǎng)絡(luò)參數(shù)量較大,不適用于板載處理器,因此需要對(duì)特征提取網(wǎng)絡(luò)進(jìn)行改進(jìn)。
簡(jiǎn)化特征提取網(wǎng)絡(luò)可以有效地提高檢測(cè)速度,但也會(huì)帶來無法提取高層次語義特征的問題,使檢測(cè)精度無法滿足實(shí)際需求。因此,本文主要對(duì)特征提取網(wǎng)絡(luò)和多尺度回歸網(wǎng)絡(luò)進(jìn)行改進(jìn)。
Tiny-YOLOV3[17]是YOLOV3 的簡(jiǎn)化版本,其特征提取網(wǎng)絡(luò)結(jié)構(gòu)非常簡(jiǎn)單,只有2 個(gè)尺度,7 個(gè)卷積層和6 個(gè)池化層,雖然有效提高了計(jì)算速度,但難以實(shí)現(xiàn)高精度的目標(biāo)檢測(cè)。但是,可以參考Tiny-YOLOV3 的設(shè)計(jì)思路,將YOLOV3 的3 個(gè)尺度簡(jiǎn)化為2 個(gè)尺度,一方面可以保證語義信息和分辨率信息的有效提取,另一方面也可以提高檢測(cè)速度。
此外,采用MobileNets[20]代替YOLOV3 的骨干網(wǎng)絡(luò),可提高骨干網(wǎng)絡(luò)特征提取能力,采用可分離卷積可有效減少參數(shù)數(shù)量和計(jì)算復(fù)雜度。深度可分離卷積將傳統(tǒng)卷積分成了深度卷積和點(diǎn)對(duì)點(diǎn)卷積,如圖1 所示。
圖1 可分離卷積模型Fig.1 Separable convolution model
假設(shè)輸入圖片尺寸是DF*DF*M,標(biāo)準(zhǔn)卷積尺寸是DK*DK*M*N,M是通道數(shù),N是卷積核數(shù)。當(dāng)采用標(biāo)準(zhǔn)卷積核時(shí),輸出尺寸是DF*DF*N。計(jì)算量是DK*DK*M*N*DF*DF。采用可分離卷積后為DK*DK*M*DF*DF+M*N*DF*DF,可分離卷積和傳統(tǒng)卷積的計(jì)算量對(duì)比如式(1)所示:
在執(zhí)行深度卷積時(shí),每個(gè)卷積內(nèi)核僅關(guān)注單個(gè)通道信息,而在逐點(diǎn)卷積中,每個(gè)卷積內(nèi)核可以組合來自多個(gè)通道的信息,使用深度可分離卷積代替?zhèn)鹘y(tǒng)卷積可以有效地減少計(jì)算量并優(yōu)化模型大小。另一方面,它可以確保模型的深度增加并且減小復(fù)雜度,從而有效地平衡精度和操作速度。
經(jīng)強(qiáng)度計(jì)算分析、典型件試驗(yàn)以及車體靜強(qiáng)度試驗(yàn),驗(yàn)證了復(fù)合材料車體承載結(jié)構(gòu)的可靠性,其滿足地鐵車體各項(xiàng)性能指標(biāo)要求。同時(shí),車體各項(xiàng)性能得到較大提升:車體質(zhì)量較同類地鐵金屬車體減少約35%;車體抗疲勞和耐腐蝕性能得到提升,且使用壽命不低于30 a;車體隔熱性能優(yōu)異,能承擔(dān)車輛防寒材一半以上性能;車體隔聲性能優(yōu)異,達(dá)到車輛隔聲要求的70%以上;車體振動(dòng)的固有頻率較同類金屬車體提高18%以上;車體尺寸精度和外觀質(zhì)量?jī)?yōu)于傳統(tǒng)金屬車體。
通過SE-Block[21]引入注意力機(jī)制使其能自動(dòng)學(xué)習(xí)每個(gè)通道特征的權(quán)重,該模塊的核心思想是學(xué)習(xí)特征權(quán)重,增加有效特征權(quán)重,從而增強(qiáng)網(wǎng)絡(luò)的特征提取能力,并在需要較少額外計(jì)算成本的情況下,顯著改善網(wǎng)絡(luò)結(jié)構(gòu)的性能。注意力機(jī)制模型基本結(jié)構(gòu)如圖2 所示。
圖2 注意力機(jī)制模型Fig.2 Attention mechanism model
SE-Block 首先通過標(biāo)準(zhǔn)卷積將X??H'×W'×C'轉(zhuǎn) 為U??H×W×C。然后通過壓縮、權(quán)重激活、權(quán)重分配得到學(xué)習(xí)后的網(wǎng)絡(luò)。壓縮操作Fsq壓縮全局空間信息以獲得單個(gè)通道描述符,使用全局平均池化生成每個(gè)通道的統(tǒng)計(jì)信息Zc。全局平均池化通過壓縮空間特征圖得以實(shí)現(xiàn),計(jì)算公式如式(2)所示:
其中:H×W描述輸入特征的大小;Uc(i,j)表示相應(yīng)特征圖中相應(yīng)位置的特征值。激活操作主要通過2 個(gè)全連接層完成。第1 層實(shí)現(xiàn)特征圖的壓縮并減少計(jì)算量。將ReLU 層添加到2 個(gè)全連接層中,使通道之間的非線性關(guān)系得以學(xué)習(xí)。第2 個(gè)全連接層將特征圖恢復(fù)到原始通道數(shù),并通過Sigmoid 函數(shù)進(jìn)行歸一化以獲得最終特征圖重要性描述因子S。計(jì)算公式如式(3)所示:
其中:δ表示激活函數(shù)ReLU,確保輸出為正;W1和W2是2 個(gè)全連接層,權(quán)重分配是指通過乘法將S逐個(gè)權(quán)重進(jìn)入特征通道,以完成原始特征的權(quán)重分配。計(jì)算公式如(4)所示:
其中:Uc代表信道的特性;Sc代表相應(yīng)信道的權(quán)重值,兩者相乘即可完成特征的權(quán)重分配。Onboard-YOLO 的整體結(jié)構(gòu)如圖3 所示。輸入圖像的大小調(diào)整為672 像素×672 像素。SE 塊由以下5 層組成:池化層,全連接層,ReLU 層,全連接層和Sigmoid 層,每次可分離卷積后進(jìn)行SE 塊連接。X1和X2是SEMobileNets 的2 個(gè)輸出尺度特征圖。X1是大小為42×42 的第11 個(gè)深度可分離卷積的輸出。X2是大小為21×21 的第13 個(gè)深度可分離卷積的輸出。X1和X2是多尺度網(wǎng)絡(luò)的輸入。輸出預(yù)測(cè)Y1為21×21×27,同時(shí),輸出預(yù)測(cè)Y2為42×42×27,并且分別在Y1和Y2比例尺的融合特征圖上進(jìn)行預(yù)測(cè)。
圖3 Onboard-YOLO 結(jié)構(gòu)Fig.3 Onboard-YOLO structure
無人機(jī)自主精準(zhǔn)降落板載系統(tǒng)可以分為圖像處理模塊和控制模塊。圖像處理模塊工作流程由圖像獲取和目標(biāo)檢測(cè)組成:通過攝像頭連續(xù)獲取分辨率為1 080 像素×720 像素的降落區(qū)域圖片,圖像通過預(yù)處理操作后輸入檢測(cè)單元。將檢測(cè)到的坐標(biāo)作為控制信息通過串口傳輸給控制模塊,控制模塊控制無人機(jī)降落到指定位置。
板載端硬件如圖4 所示,由無人機(jī)、GPS、板載攝像頭、板載處理器、遠(yuǎn)程遙控器等組成。無人機(jī)型號(hào)選擇大疆經(jīng)緯Matrice100,Matrice100 擁有靈活可靠的特性,適合二次開發(fā)。搭載智能嵌入式平臺(tái)NVIDIA Jetson TX2 構(gòu)成板載系統(tǒng),采用256 核NVIDIA Pascal 架構(gòu)和8 GB 內(nèi)存,計(jì)算速度快、推理能力強(qiáng)、性能強(qiáng)大、外形小巧、節(jié)能高效,適合機(jī)器人、無人機(jī)等智能終端設(shè)備。飛控部分控制器選擇STM32F407,連接板載處理器和飛控部分。
圖4 板載端硬件組成Fig.4 Hardware composition of onboard end
降落標(biāo)志設(shè)計(jì)如圖5 所示,本文設(shè)計(jì)了4 種不同的降落標(biāo)志,標(biāo)志底輪廓為圓形,采用不同顏色組合進(jìn)行區(qū)分,這樣的顏色組合有利于區(qū)別標(biāo)志與地面背景,避免網(wǎng)絡(luò)誤檢,標(biāo)志中心采用三重黑白正方形輪廓。標(biāo)志結(jié)合了顏色特征和形狀特征這2 種主流的標(biāo)志檢測(cè)特征,便于網(wǎng)絡(luò)的檢測(cè)。
圖5 降落標(biāo)志樣圖Fig.5 Sample drawing of landing sign
數(shù)據(jù)集由DJI 經(jīng)緯Matrice100 無人機(jī)在不同時(shí)間段分別在操場(chǎng)、圖書館、教學(xué)樓、室內(nèi)等7 個(gè)不同場(chǎng)景下拍攝。在數(shù)據(jù)集采集過程中加入降落過程中的5 種不同的環(huán)境變化:動(dòng)態(tài)模糊,遮擋,目標(biāo)出視野,光照變化及尺寸變換。最后對(duì)采集好的圖片進(jìn)行以下操作進(jìn)行數(shù)據(jù)擴(kuò)增:使用翻轉(zhuǎn)矩陣分別將圖片進(jìn)行左右、上下翻轉(zhuǎn),對(duì)圖片進(jìn)行不同尺度的仿射變換,對(duì)圖片進(jìn)行高斯模糊以進(jìn)一步提高網(wǎng)絡(luò)泛化能力。數(shù)據(jù)集一共有23 550 張圖片,每類標(biāo)志基本保持均勻分布。
由于板載端算力有限,模型訓(xùn)練在電腦端進(jìn)行,模型測(cè)試在板載端進(jìn)行。電腦端實(shí)驗(yàn)?zāi)P痛罱ɑ趉eras 開發(fā)框架,實(shí)驗(yàn)平臺(tái)配置為Intel?CoreTMi9-9900K CPU @3.6 GHz,運(yùn)行內(nèi)存為16 GB,8 GB Titan XP GPU,系統(tǒng)為Ubuntu 16.04。訓(xùn)練參數(shù)設(shè)置如下:初始學(xué)習(xí)率為0.001,權(quán)重衰減系數(shù)為0.000 5,采用動(dòng)量為0.9 的動(dòng)量梯度下降算法。由于數(shù)據(jù)集較大,為了保障最合適的內(nèi)存利用率和訓(xùn)練效果,批尺寸參數(shù)(Batch Size)選擇為32,學(xué)習(xí)率采用自適應(yīng)調(diào)節(jié)策略,當(dāng)驗(yàn)證集損失經(jīng)過連續(xù)3 個(gè)全數(shù)據(jù)集(Epoch)沒有下降時(shí),按10 %比例下調(diào)學(xué)習(xí)率,當(dāng)驗(yàn)證集損失經(jīng)過連續(xù)10 個(gè)全數(shù)據(jù)集(Epoch)都沒有下降時(shí),采用早停法(Early-stoping)防止過擬合停止訓(xùn)練,最終訓(xùn)練至損失函數(shù)收斂為1 以內(nèi)。
為了說明Onboard-YOLO 的改進(jìn)效果,首先對(duì)測(cè)試集進(jìn)行4 種標(biāo)志的檢測(cè)效果評(píng)估,評(píng)估標(biāo)準(zhǔn)采用PR 曲線。PR 曲線是以精準(zhǔn)率(precision)和召回率(recall)這2 個(gè)為變量做出的曲線。分類標(biāo)記為是或否,可以得到4 個(gè)值:把正例正確地分類為正例,表示為TP(True Positive),把正例錯(cuò)誤地分類為負(fù)例,表示為FN(False Negative),把負(fù)例正確地分類為負(fù)例,表示為TN(True Negative),把負(fù)例錯(cuò)誤地分類為正例,表示為FP(False Positive)。從這4 個(gè)值可以得出精準(zhǔn)率與召回率,如式(5)和式(6)所示:
一條PR 曲線對(duì)應(yīng)一個(gè)閾值,選擇閾值為50%對(duì)樣本進(jìn)行劃分,交并比大于50%被認(rèn)為是正例,小于50%是負(fù)例,以此計(jì)算相應(yīng)的精準(zhǔn)率和召回率。這里IOU采用PASCAL VOC 的閾值0.5。mAP的計(jì)算公式如下:
圖6 是4 種降落標(biāo)志的PR 曲線圖,PR 曲線覆蓋的面積代表模型性能。紅色曲線代表簡(jiǎn)化后的YOLO 模型Tiny-YOLOV3 性能,綠色曲線代表簡(jiǎn)化模型加上可分離卷積之后的性能,藍(lán)色曲線代表簡(jiǎn)化模型加入注意力機(jī)制和可分離卷積之后的效果(彩色效果見《計(jì)算機(jī)工程》官網(wǎng)HTML 版)。從圖6 中可以看出,紅色曲線的性能遠(yuǎn)遠(yuǎn)低于綠色和藍(lán)色,這說明僅僅對(duì)YOLO進(jìn)行模型簡(jiǎn)化來提升速度,模型的性能會(huì)顯著下降。經(jīng)過計(jì)算可以得到Tiny-YOLOV3 模型的mAP 值為0.690,在板載處理器TX2 上處理速度為18.1 frame/s,模型大小為34.8 MB。
圖6 PR 性能對(duì)比曲線Fig.6 PR-Performance comparison curve
綠色曲線為加入了MobileNets 以后的模型效果,此時(shí)mAP 值計(jì)算為0.865,可以看出將Tiny-YOLO 的backbone 替換為MobileNets,采用可分離卷積之后模型準(zhǔn)確率顯著上升25.4%,且參數(shù)量減少為18.3 MB,速度提升為18.6 frame/s。藍(lán)色曲線為加入了注意力機(jī)制以后的Onboard-YOLO,藍(lán)色曲線的面積大于綠色,說明Onboard-YOLO 在4 種標(biāo)志上都能夠達(dá)到比較好的檢測(cè)準(zhǔn)確度。Onboard-YOLO 加入注意力機(jī)制后,準(zhǔn)確度進(jìn)一步提升了5.2%,此時(shí)mAP 為0.910。由于加入了SE 模塊,模型運(yùn)算時(shí)間增加,速度下降了1.6%,能夠在TX2 上達(dá)到18.3 frame/s 的速度;模型大小增加了9.8%,為20.1 MB,能夠滿足無人自主精準(zhǔn)降落的要求。
為了檢測(cè)Onboard-YOLO 的性能,本文進(jìn)一步將其與行業(yè)領(lǐng)先的檢測(cè)算法進(jìn)行對(duì)比,在建立的無人機(jī)降落數(shù)據(jù)庫(kù)上檢測(cè),性能指標(biāo)采用平均準(zhǔn)確率(mAP)、速度和模型尺寸3 個(gè)指標(biāo)。從表1 可知,和YOLOV3 相比,Onboard-YOLO 計(jì)算速度顯著上升,尤其是在板載處理器上,幀率增加了4.3 倍,但平均準(zhǔn)確率非常接近,均能達(dá)到0.91 以上的準(zhǔn)確率。同時(shí),比較了Onboard-YOLO 和兩階段領(lǐng)域領(lǐng)先的檢測(cè)算法Faster-RCNN,從表1 中可以看出Onboard-YOLO 僅僅降低了2.7%的準(zhǔn)確率,速度卻增加了25.7 倍,同時(shí)模型大小下降了96.2%。進(jìn)一步將Onboard-YOLO 與常用的輕量級(jí)檢測(cè)模型MobileNets-SSD 進(jìn)行比較,發(fā)現(xiàn)Onboard-YOLO 準(zhǔn)確率提升了8.9%、速度提升了2.5 倍。從以上數(shù)據(jù)分析可知道,Onboard-YOLO 能夠很好地平衡準(zhǔn)確率和速度,非常適用于板載系統(tǒng)無人機(jī)自主精準(zhǔn)降落研究。
表1 檢測(cè)模型性能對(duì)比Table 1 Performance comparison of detection model
將表1 中實(shí)時(shí)輕量級(jí)算法(幀率≥5 frame/s)Onboard-YOLO、Tiny-YOLO 及MobileNets-SSD 分別在以下5 種環(huán)境中進(jìn)行測(cè)試,圖7 是測(cè)試結(jié)果,最左側(cè)為實(shí)際測(cè)試圖片,其余3 列為局部圖像放大效果。圖7(a)為無人機(jī)降落過程中受氣流影響的標(biāo)志運(yùn)動(dòng)模糊下的檢測(cè)情況,圖7(b)為人為對(duì)標(biāo)志進(jìn)行遮擋時(shí)的檢測(cè)情況,圖7(c)為無人機(jī)降落過程中標(biāo)志超出無人機(jī)視野的檢測(cè)情況,圖7(d)為標(biāo)志在不同光照條件下的檢測(cè)情況,圖7(e)為無人機(jī)降落過程中標(biāo)志尺度變化的檢測(cè)情況。藍(lán)色為標(biāo)定框,綠色為檢測(cè)框,紅色為誤檢(彩色效果見《計(jì)算機(jī)工程》官網(wǎng)HTML 版),可以看出在復(fù)雜環(huán)境變化下Onboard-YOLO 的檢測(cè)框更加接近真實(shí)框大小,檢測(cè)更為準(zhǔn)確。
圖7 降落測(cè)試結(jié)果Fig.7 Landing test results
MobileNets-SSD 在部分場(chǎng)景如遮擋和目標(biāo)出視野時(shí)容易出現(xiàn)漏檢情況,Tiny-YOLOV3 的整體檢測(cè)性能都難以滿足實(shí)際需求。因此,Onboard-YOLO可以平衡好速度和精度,滿足無人機(jī)自主精準(zhǔn)降落需求。
為了測(cè)試算法在實(shí)際環(huán)境中的性能效果,搭建室內(nèi)外測(cè)試環(huán)境,進(jìn)行實(shí)際測(cè)試實(shí)驗(yàn)。降落流程如圖8 所示,實(shí)驗(yàn)采用DJI M100 四旋翼無人機(jī),無人機(jī)收到起飛指令后,首先由GPS 進(jìn)行粗定位飛行到達(dá)指定降落地點(diǎn),從距離地面5 m 的高度開啟自主精準(zhǔn)降落,進(jìn)行緩慢的飛行移動(dòng),并搜尋視野中的降落標(biāo)志。無人機(jī)云臺(tái)將含有降落標(biāo)志的圖像傳送給板載處理器,處理器通過Onboard-YOLO 計(jì)算出無人機(jī)云臺(tái)視野中心和降落標(biāo)志中心相對(duì)位置,處理器將位置信息傳送給飛控單元調(diào)整無人機(jī)位置。記錄秒內(nèi)無人機(jī)水平飛行的位置信息序列,當(dāng)序列趨近于收斂并穩(wěn)定在降落標(biāo)志中心(位置差閾值設(shè)定為10 cm 以內(nèi))時(shí),降低飛行高度直到落地,關(guān)閉電機(jī)完成無人機(jī)自主精準(zhǔn)降落。在相同的硬件環(huán)境下分別進(jìn)行室內(nèi)外自主降落實(shí)驗(yàn),每種算法分別開展20 次實(shí)驗(yàn),并將降落評(píng)價(jià)指標(biāo)選定為平均降落時(shí)間(Average Landing Time,ALT)、平均降落精度(Average Landing Precision,ALP)、降落成功率(Landing Rate,LR),其中ALP 指云臺(tái)視野中心與降落目標(biāo)中心歐氏距離。從表2 可以看出,在室外實(shí)驗(yàn)時(shí)由于風(fēng)速較大,F(xiàn)aster-RCNN、YOLOv3、MobileNets-SSD 算法幀率過低,容易導(dǎo)致無人機(jī)定位頻率不足,致使降落時(shí)間過長(zhǎng),甚至出現(xiàn)降落位置偏移,最終導(dǎo)致降落失敗,LR 較低。Tiny-YOLOv3 雖然幀率較高,但檢測(cè)準(zhǔn)確度低,因此也容易出現(xiàn)降落失敗的情況,LR 較低。此外,由于模型檢測(cè)準(zhǔn)確性較低,ALP 值也比較低。Onboard-YOLO 幀率較高,識(shí)別準(zhǔn)確率高,抗環(huán)境變化能力強(qiáng),在降落時(shí)間、降落精度和降落成功率3 個(gè)指標(biāo)上都要優(yōu)于其他4 種算法,平均自主精準(zhǔn)降落成功率可以達(dá)到95%以上,平均降落精度可以達(dá)到5.55 cm,但本文算法在室外風(fēng)力大(大于10 m/s)的情況下同樣會(huì)降落失敗。
圖8 無人機(jī)降落流程Fig.8 Unmaud aerial vehicke landing process
表2 實(shí)際飛行驗(yàn)證Table 2 Actual flight verification
本文將深度學(xué)習(xí)引入無人機(jī)自主精準(zhǔn)降落,通過加入可分離卷積和注意力機(jī)制,提出一種適用于無人機(jī)板載處理器的輕量級(jí)高精度檢測(cè)模型Onboard-YOLO。實(shí)驗(yàn)結(jié)果表明,該模型在TX2 上能夠達(dá)到18.3 frame/s 的實(shí)時(shí)處理速度和0.91 的準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明,該方法能夠成功解決降落過程中出現(xiàn)的包括目標(biāo)尺度變換、運(yùn)動(dòng)模糊、遮擋、目標(biāo)出視野等復(fù)雜環(huán)境問題,超越目前行業(yè)領(lǐng)先標(biāo)準(zhǔn),實(shí)現(xiàn)無人機(jī)在板載處理器上95%以上的實(shí)時(shí)精準(zhǔn)自主降落。