16、高效着陆垫探测器的设计与部署

高效着陆垫探测器的设计与部署

1. 引言

自主无人机（UAVs）的成功应用离不开计算机视觉（CV）复杂问题的解决。尽管深度学习（DL）是CV领域的先进技术，但资源受限的设备难以实时支持DL解决方案，这成为UAVs发展的主要限制。

本文提出了一种轻量级深度神经网络（DNN），用于检测航拍图像中的着陆垫。该基于视觉的着陆探测器由一个简化版的MobileNetV3 - Small DNN组成。此方案考虑了问题的特殊性，限制了计算影响。通过对问题的分析和层消融研究，证实了对神经架构所做更改的适用性。

这一解决方案可使小型UAVs通过无人机上的嵌入式系统直接处理任务，实现自主控制。自主推理能让UAV检测安全着陆区域并导航降落。为验证概念，将网络部署在树莓派4 B型单板计算机（RPi）上评估其在边缘计算设备上的性能。RPi虽并非为DL推理设计，但常用于小型无人机的计算平台。

本文的贡献主要有：
- 详细分析了用于稳健着陆垫检测的深度学习管道的应用。
- 消融研究为计算机视觉问题提供了见解，可用于未来研究。
- 在RPi上的部署证实了轻量级网络可由适用于目标应用的商用设备支持。

2. 相关工作

小型UAVs的计算和能源资源有限，给自主导航带来挑战。目前，基于视觉的导航是最常用的配置，因为低功耗计算机视觉系统越来越普及。研究人员提出将基于视觉的系统与机器学习（ML）算法结合，为UAV任务赋予智能。

ML算法在移动机器人应用中有两种主要方法：云计算和边缘计算。
- 云计算 ：将传感数据传输到计算资源近乎无限的服务器，用ML模型计算预测结果