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）

0 概述

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。

1 Onboard-YOLO 模型原理

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

2 系統(tǒng)設(shè)計(jì)和實(shí)驗(yàn)結(jié)果分析

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

2.1 實(shí)驗(yàn)數(shù)據(jù)集和模型訓(xùn)練

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)。

2.2 性能評(píng)估

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。

2.3 實(shí)際降落測(cè)試

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

3 結(jié)束語

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。