基于 AI 与视觉的 nano-drone 在部分已知环境中的自主导航

传感器和处理器的微型化、连接边缘智能的进步, 以及人工智能的指数级兴趣, 正推动着在物联网机器人生态系统中采用自主 nano 大小无人机的崛起。然而, 在资源有限的情况下, 实现这些微型平台的安全自主导航以及探索和监视等高层次任务极具挑战性。本文旨在为在部分已知环境中实现 30 克重的掌心大小平台 Crazyflie 2.1 的安全自主飞行。我们提出了一种新颖的 AI 辅助、基于视觉的反应式规划方法, 在集成感知、计算和通信范式下实现障碍物规避。我们通过将导航任务分为两个部分来应对 nano 无人机的资源限制: 深度学习基于目标的检测器在边缘(外部硬件)上运行, 而规划算法在 onboard 上执行。结果表明, 该系统可实现约 8 帧/秒的控制速度, 模型性能达到 COCO 平均精度的 60.8%。现场实验表明, 在目标速度达到 1 米/秒的情况下, 该无人机能够规避置于未知位置的障碍物, 并抵达目标目的地。该结果凸显了通信延迟与模型性能与实时导航任务需求之间的兼容性。我们提供了一个可行的替代方案, 以取代完全 onboard 实现的方案，可扩展至 nano 无人机的自主探索。