10、无人机中的机器学习与深度学习算法应用

无人机中的机器学习与深度学习算法应用

1. 引言

无人机（UAV）的使用近年来显著增加，它们能够自主规划路线，避开固定障碍物。然而，传统的路径规划算法在处理移动障碍物时存在局限性，问题从确定性转变为随机性。在实际场景中，预测移动障碍物的位置具有不确定性，这对路径规划提出了更高的要求。

2. 相关工作

在人类行为识别方面，主要有顺序方法，包括示例方法和状态模型方法。
- 示例方法 ：通过将人类动作序列原型与输入图像匹配来识别动作，如Darrell等人提出的动态时间规整（DTW）算法，可优化两个非线性序列的同步。Fogel等人提出基于视觉的行为识别，通过测量二维光流来评估时空量，最后使用k近邻程序进行分类。
- 状态模型方法 ：将人类行为用统计方式解释为控制机器，常用的有隐马尔可夫（HMM）模型和动态贝叶斯网络（DBN），它们将人类行为视为秘密状态，通过状态转移概率来识别行为。

近年来，基于空间功能的CNN和RNN在人类行为识别中也有应用，Li等人在Montes等人的工作基础上加入新的光流，进一步提高了检测效率。

3. 机器学习（ML）算法

3.1 监督学习（SL）

监督学习旨在学习输入和输出变量之间的关系，以预测新输入的输出。常见的监督学习算法如下：
- 最近邻（KNN） ：
- 特点 ：是一种懒惰学习算法，且为非参数分析算法，假设对基础数据无先验知识。
- 算法步骤