借助立体相机改善无人机防撞性能

最近，来自马德里理工大学、麻省理工学院和德克萨斯A＆M大学的一组研究人员通过构建一个适用于小型无人机的简单摄像头和数据处理设置的集成系统，在主动碰撞监测和避免碰撞方面取得了现实世界的成果

挑战

无人机行业正在做出哪些努力来利用便宜的传感器、低功率处理模型进行避免碰撞？

如今，小型无人机面临着传统的避碰传感器的挑战。许多用于监测飞行器周围环境的传统工具体积更大、耗电量更大、或者比通常实际使用的价格更高。为了这个研究项目，我们采用2公斤以下的无人机。由于尺寸和限制条件的存在，像激光雷达、雷达和声学传感器这样的典型传感器是不实用的。

鉴于这些领域存在差距，该团队着手开发解决方案:


   在为2018年以前的项目创建的设计上进行了改进，提出了更多挑战。首先，该团队希望继续展示低成本的传统相机如何提供结果。其次，要实现降低的电源需求，该解决方案必须利用基础计算，而无需任何中间件或运行环境的额外封装。最后，最终结果应完全整合到小型四轴飞行器中，并使该飞行器能够监视并避开附近的多架飞行飞行器。


建筑物防撞AI模型的流程改进

将他们的目标与当今的典型解决方案进行比较时，构建符合团队定义规格的轻便、低功耗、高性能防撞系统是一项艰巨的任务。该团队已避免使用传统摄像机（无论是简单的光学摄像机还是红外摄像机）的先进仪器。驱动该项目的关键实现是，这些普通摄像机成对使用，可以模仿人类的深度感知，并依靠更易消化的数据，这些数据在实践中比某些替代方法更可靠。

通过测量并排拍摄的两个图像的几何差异，立体相机深度映射使系统能够识别可能对自动驾驶车辆构成威胁的物体。在此技术的第一次迭代中，团队准确地完成了对威胁的识别。要用简单的摄像机实现这一目标，就需要可靠的框架来识别，确定尺寸和跟踪这些物体的运动。为了构建这些框架，团队利用了Microsoft AirSim。

自2017年推出以来，Microsoft的AirSim飞行模拟软件在各种GIS和自动飞行用例中都变得非常有价值。 康奈尔大学的一个团队  已使用该平台通过在详细的虚拟空间中模拟无人驾驶飞机的比赛来开发自主飞行功能。在另一个示例中，  合作研究项目  已使用AirSim改进了非洲野生动物保护区中野生动植物管理的自主无人机飞行程序，并在其真实生活环境的近乎完美的复制品中证明了它们的概念。

出于构建防撞系统的目的，深度图研究团队使用AirSim对复杂环境进行建模，模拟飞行中的无人机进行训练，并精确控制图像捕获以收集训练和建模内容，以供其机器学习应用程序使用。

通过捕获独立的左右视角，该团队能够创建照片级真实感的渲染，以进行大小检测，位置检测以及无人机在静态位置和运动中的深度映射。利用这些工作模型，他们通过用C ++和C / CUDA编写逻辑，进一步节省了与无人机一起包装的产品。这些基本语言不需要复杂的中间件即可在飞行过程中处理图像和推理。他们甚至能够通过使用单个存储模块进行图像存储和解释来减少资源需求。

现实生活结果

在创建了模型，训练和测试了  AI并准备了测试工具之后，该团队发布的结果显示了其工作理念的巨大进步。经过测试的装备好的无人驾驶飞机能够识别，跟踪并做出航迹校正，以应对复杂环境中需要跟踪静态和移动障碍物的数种其他无人机的反应。

虽然一些研究人员已  使用无人驾驶飞机失事数千次，  以创建用于自动飞行的AI模型，但该团队表明，AirSim可以导致自动飞行控制器正常工作。该研究工作的应用范围可能很广，并且这些工具易于访问。在实现超越视线甚至自动飞行的过程中，越来越多的研究人员正在使用这些工具。但是，除了用于构建此AI的出色工具之外，还有一个更可喜的成果：自主飞行控制的逻辑模型将在并非所有传感器都能使用的条件下工作，同时会降低成本并为更多种类的车辆提供功能。