学习在农田中高效寻找物体的无人机：从仿真到现实世界

无人机在精准农业的数据采集方面具有广阔前景，但其受限于电池容量。因此需要高效的路径规划器。本文提出了一种在抽象仿真中使用物体检测和不确定先验知识，通过强化学习训练的无人机路径规划器。RL 智能体控制飞行方向并可以终止飞行。通过将该智能体与无人机的飞行控制器以及用于处理相机图像的检测网络相结合，可以在现实世界数据上评估智能体的性能。在仿真中，与全覆盖规划器相比，智能体平均缩短了 78% 的飞行路径，代价是召回率降低了 14%。在现实世界数据中，智能体相比全覆盖规划器缩短了 72% 的飞行路径，但代价是召回率降低了 25%。现实世界数据上性能较低归因于现实世界的物体分布和较低的先验知识准确性，这表明存在改进的潜力。总体而言，我们得出结论，对于寻找所有物体并非关键的应用（例如杂草检测），基于学习的路径规划器是合适且高效的。