一种用于检测和跟踪密集植被中异常值的自主无人机群
计算机视觉与模式识别
2024-07-16 v1
摘要
无人机群提供了更大的感知视距，模仿自然群体行为可增强局部条件下的采样。我们演示了这种方法使检测和跟踪密集遮挡目标在实际中变得可行。尽管将对象分类应用于常规航空图像在面对遮挡的随机性时泛化性差，因而即使在轻度遮挡条件下也不够高效，但应用于合成孔径全像图像的异常检测对密集植被（如森林）具有鲁棒性，且独立于预训练类别。我们的自主群体在环境中搜索未知或意外事件的发生，同时持续跟踪它们，动态调整其采样模式以优化局部观察条件。在实际野外实验中，我们使用六架无人机实现了平均位置精度为0.39米，平均精度为93.2%，平均召回率为95.9%。适应性粒子群优化考虑检测置信度和预测目标外观。我们表明，传感器噪声可有效纳入合成孔径图像集成过程中，无需对高维参数空间进行计算密集的优化。最后，我们提出了完整的硬件和软件框架，支持低延迟传输（约80ms往返时间）和快速处理（约600ms/每一步）大规模（70-120 Mbit/s）视频和遥测数据传输，以及最多十架无人机的群体控制。
引用
@article{arxiv.2407.10754,
title = {An Autonomous Drone Swarm for Detecting and Tracking Anomalies among Dense Vegetation},
author = {Rakesh John Amala Arokia Nathan and Sigrid Strand and Daniel Mehrwald and Dmitriy Shutin and Oliver Bimber},
journal= {arXiv preprint arXiv:2407.10754},
year = {2024}
}