面向自主飞行器感知深度神经网络的贝叶斯数据增强与训练

基于学习的解决方案为自主系统带来了令人难以置信的能力。无论是空中还是地面的自主载具，都依赖深度神经网络（DNN）来完成包括感知在内的各种核心任务。监督学习解决方案的有效性取决于训练数据的质量。训练数据与运行条件之间的差异会导致故障，进而可能引发灾难性事故。然而，收集覆盖广泛可能运行环境的海量上下文敏感数据极其困难。用于深度神经网络的合成数据生成技术可以轻松探索多样化的场景。然而，针对飞行器的合成数据生成解决方案仍然缺乏。本工作提出一个用于飞行器感知训练的数据增强框架，该框架利用与高保真飞行器动力学集成的照片级真实感仿真。安全着陆是自主空中出租车发展中的关键挑战，因此，着陆机动被选为本工作的重点。通过在不同场景下重复仿真着陆，我们评估了垂直起降（VTOL）型无人机的着陆性能并收集了宝贵的数据。着陆性能被用作目标函数，通过重训练来优化深度神经网络。鉴于深度神经网络重训练的高计算成本，我们在框架中引入了贝叶斯优化，系统地探索数据增强参数空间以重训练出性能最佳的模型。该框架使我们能够识别出在不同着陆场景下始终有效的高性能数据增强参数。利用此数据增强框架的能力，我们获得了一个鲁棒的感知模型。该模型在不同光照和天气条件下，将基于感知的着陆成功率持续提高了至少20%。