面向野生动物监测的边缘化、行为自适应无人机系统

野生动物监测的无人机必须在接近捕获行为相关视频又避免引发压力反应（以影响动物福利和数据有效性）之间取得平衡。人类操作员面临根本性的注意力瓶颈：他们无法同时控制无人机运动并监控整个动物群体的警觉状态。当警觉状态明显升高时，动物可能已不可避免地发生逃避反应。为解决此挑战，我们提出了一种面向野生动物监测的边缘化、行为自适应无人机系统。该可配置的决策支持系统通过自动化的群体级警觉监控来增强操作员的专业知识。 our system continuously tracks individual behaviors using YOLOv11m detection and YOLO-Behavior classification, aggregates vigilance states into a real-time group stress metric, and provides graduated alerts (alert vigilance to flee response) with operator-tunable thresholds for context-specific calibration. 我们从视频帧率和行为动力学中推导出服务级目标（SLOs）：要实现30fps视频流的实时监控，系统必须在每帧内完成检测和分类，控制在33ms以内。我们的边缘化管道在GPU加速硬件上实现了23.8ms的总推理时间，满足了这一约束，留有充裕的余量。对七次野生动物监测任务的回顾性分析表明，检测能力得到验证，并量化了被动控制的成本：手动驾驶导致平均14秒的不良行为持续时间，仅有71.9%的可用帧。我们的分析显示，在57%的任务中，操作员可以在动物逃跑前51秒收到可操作警报。模拟5秒的操作员干预后，预计性能提升至82.8%的可用帧，仅1秒的不良行为持续时间，较手动驾驶降低了93%。