面向AAV天线干扰检测的实时AIoT边缘-云协同方法
信号处理
2025-07-03 v3 计算机视觉与模式识别
摘要
在第五代(5G)时代,消除通信干扰源对于维持网络性能至关重要。干扰通常源自未经授权或故障天线,无线电监测机构每年需处理大量此类天线源。无人驾驶飞行器(UAV)可提升巡检效率。然而,现有纯云(CO)人工智能(AI)模式中的数据传榆延迟无法满足实时性能的低延迟要求。因此,我们提出一种基于计算机视觉的物联网AI(AIoT)系统,用于检测UAV的天线干扰源。该系统采用优化的边缘-云协同(ECC+)模式,结合关键帧选择算法(KSA),专注于降低端到端延迟(E2EL)并确保可靠数据传输,这符合超可靠低延迟通信(URLLC)的核心原则。我们方法的核心是一种基于检测跟踪(TBD)范式的端到端天线定位方案,包括一个检测器(EdgeAnt)和一个跟踪器(AntSort)。EdgeAnt在我们自建的天线干扰源数据集上实现了42.1%的平均精度(mAP)的最先进(SOTA)性能,仅需300万个参数和14.7 GFLOPs。在COCO数据集上,EdgeAnt以5.4 GFLOPs实现了38.9%的mAP。我们将EdgeAnt部署在Jetson Xavier NX(TRT)和Raspberry Pi 4B(NCNN)上,分别实现了21.1(1088)和4.8(640)帧每秒(FPS)的实时推理速度。与CO模式相比,ECC+模式将E2EL降低了88.9%,准确率提高了28.2%。此外,该系统为协调多UAV巡检提供了出色的可扩展性。检测器代码公开于https://github.com/SCNU-RISLAB/EdgeAnt。
引用
@article{arxiv.2412.03055,
title = {Real-Time AIoT for AAV Antenna Interference Detection via Edge-Cloud Collaboration},
author = {Jun Dong and Jintao Cheng and Jin Wu and Chengxi Zhang and Shunyi Zhao and Xiaoyu Tang},
journal= {arXiv preprint arXiv:2412.03055},
year = {2025}
}