無人機(jī)自主降落標(biāo)識(shí)檢測(cè)方法若干研究進(jìn)展

趙良玉,李丹,趙辰悅,蔣飛

1. 北京理工大學(xué) 宇航學(xué)院,北京 100081 2. 武警研究院,北京 100012

隨著科學(xué)技術(shù)的飛速發(fā)展和軍事變革的持續(xù)推進(jìn),戰(zhàn)爭(zhēng)的全域化、閃擊化、無人化、未知化、非對(duì)稱化、遠(yuǎn)程打擊化和高精準(zhǔn)化要求日益突出,如何構(gòu)建海、陸、空、天、電全要素作戰(zhàn)力量體系,將成為各軍事強(qiáng)國亟需解決的重大問題。由于無人平臺(tái)具備執(zhí)行“枯燥的、惡劣的、危險(xiǎn)的、縱深的”(Dull, Dirty, Dangerous, Deep, 4D)任務(wù)的特性,異構(gòu)無人裝備一體化協(xié)同作戰(zhàn)被認(rèn)為是推動(dòng)未來戰(zhàn)爭(zhēng)從信息化向智能化轉(zhuǎn)變的關(guān)鍵理念之一。此外,利用無人機(jī)(Unmanned Aerial Vehicles, UAV)實(shí)施非接觸空中精確打擊正在逐漸成為局部或小規(guī)模戰(zhàn)爭(zhēng)的主要手段,并成為當(dāng)前跨域無人系統(tǒng)的研究熱點(diǎn)。無人機(jī)與無人車/無人艇的協(xié)同作為一種新的裝備戰(zhàn)術(shù)運(yùn)用方法可以將異構(gòu)平臺(tái)優(yōu)勢(shì)互補(bǔ),有效彌補(bǔ)車輛等運(yùn)動(dòng)體的環(huán)境感知能力有限這一缺陷,增強(qiáng)其戰(zhàn)場(chǎng)態(tài)勢(shì)感知能力和行為能力,有效擴(kuò)大偵察范圍,最大化綜合作戰(zhàn)效能。除軍事用途外,無人機(jī)與無人車/無人艇等無人裝備的協(xié)同也成為輔助人類監(jiān)測(cè)環(huán)境、探索自然、維護(hù)社會(huì)安全、參與救災(zāi)搶險(xiǎn)等重大任務(wù)過程中不可或缺的技術(shù)支撐。

作為一種可有限重復(fù)使用的飛行器,對(duì)完成工作任務(wù)的無人機(jī)進(jìn)行回收,最大程度保證其自主復(fù)飛能力,增強(qiáng)系統(tǒng)自組織和自適應(yīng)能力,是提高其效費(fèi)比和協(xié)同能力的前提,這使得無人機(jī)能否自主精準(zhǔn)降落成為影響其協(xié)同作業(yè)的關(guān)鍵,也是飛行控制領(lǐng)域的研究熱點(diǎn)和難點(diǎn)。美國國防部2004年公布的技術(shù)報(bào)告指出,美國的固定翼無人機(jī),如“獵人”和“先鋒”,有近50%在自主降落過程中出現(xiàn)事故。降落過程作為無人機(jī)事故頻發(fā)的一個(gè)階段,如何實(shí)現(xiàn)魯棒的自主降落成為無人機(jī)協(xié)同任務(wù)研究中最重要和最具挑戰(zhàn)性的課題之一。

無人車/無人艇等平臺(tái)具有運(yùn)動(dòng)速度快、區(qū)域小、干擾多等特點(diǎn),這就要求系統(tǒng)在回收末端具備高精度的導(dǎo)航定位能力。由于視覺導(dǎo)航所具有的自主性強(qiáng)、抗干擾性好、精度高等優(yōu)點(diǎn),已成為近年來無人機(jī)自主著陸段導(dǎo)航方法的首選。視覺引導(dǎo)無人機(jī)自主降落一般分為2種,一種是基于人工標(biāo)識(shí)檢測(cè)實(shí)現(xiàn)自主降落,另一種是基于場(chǎng)景識(shí)別的自主降落。當(dāng)下,前者是最主要的研究方向,這使得對(duì)降落標(biāo)識(shí)準(zhǔn)確識(shí)別成為實(shí)現(xiàn)無人機(jī)在靜、動(dòng)平臺(tái)自主降落的基礎(chǔ)。

國外對(duì)基于視覺的無人機(jī)自主降落技術(shù)的研究起步較早,并取得了豐碩的成果,美國、日本、法國等國家的研究走在世界前列。近些年,國內(nèi)許多研究機(jī)構(gòu)及學(xué)者也致力于無人機(jī)與無人車/無人艇協(xié)同方面的研究,自2004年舉辦第一屆中國空中機(jī)器人大賽以來,陸續(xù)實(shí)現(xiàn)了無人機(jī)的自主起飛、自主飛行和自主降落。北京理工大學(xué)在2017年國際機(jī)器人挑戰(zhàn)賽(Mohamed Bin Zayed International Robotics Challenge, MBZIRC)中斬獲移動(dòng)車輛自主降落項(xiàng)目的冠軍,上海交通大學(xué)于2018年在國內(nèi)最早實(shí)現(xiàn)基于視覺的旋翼無人機(jī)自主水上精準(zhǔn)降落,華中科技大學(xué)于2019年成功完成無人機(jī)/無人艇協(xié)同起降試驗(yàn),進(jìn)一步推動(dòng)國內(nèi)無人機(jī)/無人艇協(xié)同技術(shù)的發(fā)展。除此之外,瑞士、奧地利、新加坡等其他國家也一直在從事該方向的研究。

近年來,人工智能技術(shù)的快速發(fā)展和目標(biāo)檢測(cè)方法的不斷創(chuàng)新,相關(guān)學(xué)術(shù)論文和技術(shù)報(bào)告快速涌現(xiàn),如國內(nèi)外專家學(xué)者針對(duì)通用目標(biāo)檢測(cè)方法、無人機(jī)目標(biāo)檢測(cè)技術(shù)、機(jī)艇協(xié)同技術(shù)、無人機(jī)自主著陸、無人機(jī)自主著艦等進(jìn)行了綜述。然而,目前已公開發(fā)表的針對(duì)無人機(jī)自主降落過程中標(biāo)識(shí)檢測(cè)方法的系統(tǒng)性介紹還比較少,文獻(xiàn)[19-20]也只是簡(jiǎn)要梳理綜述了近年來基于人工標(biāo)識(shí)的自主降落方法,并沒有針對(duì)標(biāo)識(shí)檢測(cè)算法進(jìn)行詳細(xì)介紹。為了進(jìn)一步促進(jìn)中國無人機(jī)與無人車/無人艇協(xié)同領(lǐng)域的研究和發(fā)展,有必要對(duì)無人機(jī)自主降落標(biāo)識(shí)檢測(cè)方向的研究成果和進(jìn)展進(jìn)行梳理。為此,本文將重點(diǎn)介紹近年來無人機(jī)自主降落標(biāo)識(shí)檢測(cè)技術(shù)的研究進(jìn)展,歸納和總結(jié)代表性的標(biāo)識(shí)檢測(cè)方法及成果。同時(shí),結(jié)合具體應(yīng)用場(chǎng)景,對(duì)該領(lǐng)域當(dāng)前研究中存在的問題及未來發(fā)展趨勢(shì)進(jìn)行展望。

1 視覺引導(dǎo)無人機(jī)自主降落流程

無人機(jī)與無人車/無人艇的協(xié)同工作中,當(dāng)無人機(jī)完成工作任務(wù)進(jìn)行回收時(shí),應(yīng)盡可能減少平臺(tái)輔助設(shè)備的使用,減少無人機(jī)回收對(duì)載體平臺(tái)正常工作的影響,同時(shí)最大程度保證其復(fù)飛能力。因此,實(shí)現(xiàn)全自主精準(zhǔn)降落是無人機(jī)與無人車/無人艇異構(gòu)平臺(tái)協(xié)同作業(yè)的關(guān)鍵,對(duì)于保證全天候任務(wù)可靠執(zhí)行具有重要意義。

以圖1所示基于人工標(biāo)識(shí)的旋翼無人機(jī)降落艦艇為例,簡(jiǎn)單介紹視覺引導(dǎo)無人機(jī)自主降落任務(wù)的流程。由于視覺設(shè)備可觀察范圍有限,在遠(yuǎn)程導(dǎo)引階段,即視覺設(shè)備無法捕獲標(biāo)識(shí)信息時(shí),采用衛(wèi)星導(dǎo)航等方式將無人機(jī)引導(dǎo)到降落區(qū)域,之后采用視覺導(dǎo)引方法進(jìn)行降落。視覺引導(dǎo)無人機(jī)自主降落流程主要包括標(biāo)識(shí)檢測(cè)、導(dǎo)引飛行和受控降落3個(gè)階段：

1) 由無人機(jī)攜帶的相機(jī)等視覺傳感器對(duì)降落區(qū)域的圖像信息進(jìn)行采集,經(jīng)圖像預(yù)處理、特征提取、特征匹配等實(shí)現(xiàn)標(biāo)識(shí)的檢測(cè)和跟蹤,并不斷生成無人機(jī)和標(biāo)識(shí)之間的相對(duì)位置和相對(duì)運(yùn)動(dòng)關(guān)系。

2) 無人機(jī)的飛行控制系統(tǒng)根據(jù)上述相對(duì)位置和運(yùn)動(dòng)關(guān)系生成導(dǎo)引指令,引導(dǎo)無人機(jī)以合適的方位和速度向標(biāo)識(shí)指定區(qū)域抵近。

3) 同樣是無人機(jī)的飛行控制系統(tǒng)將導(dǎo)引指令轉(zhuǎn)化為其飛行姿態(tài)和速度的控制指令,控制無人機(jī)精準(zhǔn)、快速達(dá)到期望狀態(tài),如此循環(huán),直到無人機(jī)到達(dá)標(biāo)識(shí)指定位置,完成降落任務(wù)。

圖1 基于人工標(biāo)識(shí)的旋翼無人機(jī)自主降落Fig.1 Flow chart of rotorcraft autonomous landing based on artificial markers

可以看出,降落標(biāo)識(shí)的檢測(cè)是實(shí)現(xiàn)無人機(jī)自主降落任務(wù)的前提,其檢測(cè)結(jié)果直接影響無人機(jī)自主降落任務(wù)的整個(gè)過程。其中,標(biāo)識(shí)檢測(cè)的準(zhǔn)確性決定了無人機(jī)自主降落任務(wù)的成敗,標(biāo)識(shí)檢測(cè)的實(shí)時(shí)性決定了無人機(jī)降落過程中的機(jī)動(dòng)強(qiáng)度和能量需求。

2 標(biāo)識(shí)檢測(cè)方法

目標(biāo)檢測(cè)是計(jì)算機(jī)視覺及圖像處理領(lǐng)域的一個(gè)重要研究方向,其基本思想是“what is where”,即在圖像中快速準(zhǔn)確地識(shí)別出待檢測(cè)目標(biāo)的類別并精確確定目標(biāo)的位置。標(biāo)識(shí)檢測(cè)是目標(biāo)檢測(cè)在無人機(jī)降落任務(wù)中的特殊應(yīng)用,將目標(biāo)限制為人工設(shè)計(jì)的特定標(biāo)識(shí),通過檢測(cè)算法快速識(shí)別出降落標(biāo)識(shí)并確定其位置信息。從發(fā)展歷史來看,標(biāo)識(shí)檢測(cè)技術(shù)的進(jìn)步離不開通用目標(biāo)檢測(cè)技術(shù)的發(fā)展；從檢測(cè)算法來看,標(biāo)識(shí)檢測(cè)算法大多沿用通用的目標(biāo)檢測(cè)算法,由于基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法存在計(jì)算量大、模型復(fù)雜等問題,基于深度學(xué)習(xí)的標(biāo)識(shí)檢測(cè)算法大多根據(jù)實(shí)際應(yīng)用場(chǎng)景由目標(biāo)檢測(cè)算法修改而來。因此,本節(jié)在梳理標(biāo)識(shí)檢測(cè)方法的同時(shí),簡(jiǎn)要介紹了基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)的發(fā)展脈絡(luò),歸納總結(jié)了基于圖像分割的標(biāo)識(shí)檢測(cè)方法、基于分類器的標(biāo)識(shí)檢測(cè)方法和基于深度學(xué)習(xí)的標(biāo)識(shí)檢測(cè)方法。

2.1 基于圖像分割的標(biāo)識(shí)檢測(cè)方法

圖像分割是根據(jù)圖像的灰度、紋理、邊緣等特性,將圖像分割為多個(gè)區(qū)域。常用的圖像分割方法有：最大類間方差法(OSTU)、最大熵法(Maximum Entropy Principle, MEP)、K均值聚類算法(K-means Clustering Algorithm, K-means)等?；趫D像分割的檢測(cè)方法的基本思想是在圖像分割的基礎(chǔ)上,對(duì)標(biāo)識(shí)圖像進(jìn)行特征提取,將提取的特征與模板圖像進(jìn)行匹配以識(shí)別標(biāo)識(shí),再對(duì)識(shí)別的標(biāo)識(shí)進(jìn)行定位,達(dá)到標(biāo)識(shí)檢測(cè)的效果。特征的選取主要有：根據(jù)標(biāo)識(shí)尺寸信息得到的統(tǒng)計(jì)特征；紋理、形狀等視覺特征；霍夫變換(Hough Transform, HT)、小波變換(Wavelet Transform, WT)等變換特征。然而,基于分割的標(biāo)識(shí)檢測(cè)方法只適用于單一場(chǎng)景,針對(duì)背景雜亂、快速運(yùn)動(dòng)和遮擋等復(fù)雜場(chǎng)景檢測(cè)效果較差,難以滿足實(shí)際復(fù)雜環(huán)境下標(biāo)識(shí)檢測(cè)的快速性和準(zhǔn)確性要求。

2.2 基于分類器的標(biāo)識(shí)檢測(cè)方法

基于分類器的標(biāo)識(shí)檢測(cè)與其他目標(biāo)的檢測(cè)任務(wù)相似,是滑動(dòng)窗口(Slide Window, SW)和機(jī)器學(xué)習(xí)相結(jié)合的方法,對(duì)于每一個(gè)窗口內(nèi)的圖像,提取其特征作為分類器的輸入,訓(xùn)練得到最終的學(xué)習(xí)模型,從而對(duì)未知圖像進(jìn)行檢測(cè)。經(jīng)典的用于生成特征描述子的算法有：尺度不變特征變換(Scale Invariant Feature Transform, SIFT)匹配算法、加速魯棒特征(Speeded Up Robust Features, SURF)算法、梯度方向直方圖(Histogram of Oriented Gradient, HOG)等；常用的分類器有：支持向量機(jī)(Support Vector Machine, SVM)、AdaBoost、K最鄰近法(K-Nearest Neighbor, KNN)等。在降落標(biāo)識(shí)檢測(cè)中,通常根據(jù)背景信息與標(biāo)識(shí)圖像提取不同特征,或采用聯(lián)合多個(gè)特征的方式進(jìn)行標(biāo)識(shí)檢測(cè),雖然這類方法在一定情況下檢測(cè)精度較高,但人工提取的局部淺層特征缺乏魯棒性,且對(duì)于不同應(yīng)用場(chǎng)景下的不同標(biāo)識(shí),需要設(shè)計(jì)不同的特征提取方法,算法可移植性較差。此外,這類方法大多基于滑動(dòng)窗口的方式提取特征,會(huì)造成數(shù)據(jù)冗余和速度減慢,在無人機(jī)自主降落中具有一定的局限性。

2.3 基于深度學(xué)習(xí)的標(biāo)識(shí)檢測(cè)方法

為了讓計(jì)算機(jī)模擬人類提取特征的過程,更自然地提取圖像信息,研究人員不斷進(jìn)行嘗試。2006年,機(jī)器學(xué)習(xí)專家Hinton教授在《Science》上發(fā)文,提出深度神經(jīng)網(wǎng)絡(luò)能夠從大量數(shù)據(jù)中學(xué)習(xí)高層語義特征的思想,掀起了工業(yè)界和學(xué)術(shù)界對(duì)人工神經(jīng)網(wǎng)絡(luò)的研究熱潮。隨著深度學(xué)習(xí)的迅速發(fā)展,卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)與傳統(tǒng)目標(biāo)檢測(cè)算法相融合,并引入遷移學(xué)習(xí)的概念,其應(yīng)用領(lǐng)域迅速擴(kuò)展,取得優(yōu)異的成果。Lecun等于2015年在《Nature》上的文章也肯定了深度學(xué)習(xí)在語音識(shí)別、目標(biāo)檢測(cè)等領(lǐng)域的貢獻(xiàn)。

基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法主要分為基于候選區(qū)域的二階段檢測(cè)算法和基于回歸的一階段檢測(cè)算法,發(fā)展路線如圖2所示,時(shí)間軸上方展示了二階段檢測(cè)算法的發(fā)展歷程,時(shí)間軸下方展示了一階段檢測(cè)算法的發(fā)展歷程?；诤蜻x區(qū)域的檢測(cè)算法的基本思想是：首先通過SS、Edge boxes等方法,生成目標(biāo)候選區(qū)域,然后利用深度卷積神經(jīng)網(wǎng)絡(luò)提取目標(biāo)候選區(qū)域的深層特征,使用這些特征進(jìn)行目標(biāo)分類和真實(shí)邊界框擬合。最具代表性的是Girshick等提出的R-CNN系列檢測(cè)算法,目前使用較成熟的是Faster R-CNN網(wǎng)絡(luò)?；诨貧w的目標(biāo)檢測(cè)算法直接從完整圖像中預(yù)測(cè)出目標(biāo)的類別概率和位置信息,是一種端到端的網(wǎng)絡(luò),可以實(shí)現(xiàn)檢測(cè)性能端到端優(yōu)化。這類算法中最經(jīng)典的是YOLO系列算法和SSD系列算法。為便于比較各種算法的檢測(cè)性能、優(yōu)缺點(diǎn)和適用場(chǎng)景,對(duì)經(jīng)典的目標(biāo)檢測(cè)算法進(jìn)行梳理,匯總于表1,可以看出,一階段檢測(cè)算法的速度遠(yuǎn)遠(yuǎn)高于二階段檢測(cè)算法,但檢測(cè)精度相對(duì)較低。

圖2 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法發(fā)展路線Fig.2 A route for development of deep learning-based object detection algorithms

表1 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法對(duì)比[13,33-40]

基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)的快速發(fā)展,為標(biāo)識(shí)檢測(cè)的研究注入了新血液?？紤]機(jī)載設(shè)備的計(jì)算能力約束和實(shí)時(shí)檢測(cè)需求,基于深度學(xué)習(xí)的標(biāo)識(shí)檢測(cè)算法大多在現(xiàn)有目標(biāo)檢測(cè)算法的基礎(chǔ)上進(jìn)行優(yōu)化,以達(dá)到兼顧檢測(cè)速度和檢測(cè)精度的效果。文獻(xiàn)[43]對(duì)YOLOv2的特征提取網(wǎng)絡(luò)進(jìn)行優(yōu)化提出LightDenseYOLO算法；文獻(xiàn)[44]將改進(jìn)的SSD與核相關(guān)濾波(Kernel Correlation Filter, KCF)算法融合,達(dá)到檢測(cè)速度和檢測(cè)精度的平衡；文獻(xiàn)[45]融合SlimDeblurGAN和YOLOv2算法,解決了自主降落過程中易產(chǎn)生的運(yùn)動(dòng)模糊問題。另外,近些年提出的輕量化檢測(cè)算法如EfficientDet、Gaussian YOLOv3、SlimYOLOv3、Mixed YOLOv3-LITE等,檢測(cè)速度與精度不斷提升,更適用于無人機(jī)平臺(tái)。

簡(jiǎn)而言之,基于深度學(xué)習(xí)的標(biāo)識(shí)檢測(cè)算法的基本思想是：從檢測(cè)速度、檢測(cè)精度和模型輕量化的角度對(duì)目標(biāo)檢測(cè)算法進(jìn)行優(yōu)化,融合去霧、去模糊等算法以適應(yīng)實(shí)際應(yīng)用中的復(fù)雜場(chǎng)景,達(dá)到標(biāo)識(shí)檢測(cè)的高精度和高實(shí)時(shí)性要求。與傳統(tǒng)標(biāo)識(shí)檢測(cè)算法相比,基于深度學(xué)習(xí)的標(biāo)識(shí)檢測(cè)算法泛化性好,對(duì)特定標(biāo)識(shí)的依賴性小,魯棒性高,具有廣闊的應(yīng)用前景。

3 自主降落標(biāo)識(shí)檢測(cè)研究機(jī)構(gòu)及成果

無人機(jī)作為無人車/無人艇的重要協(xié)作平臺(tái),在跨域協(xié)同工作中發(fā)揮著巨大的作用,國內(nèi)外很多研究機(jī)構(gòu)及學(xué)者圍繞無人機(jī)自主降落方向開展研究,并在諸多關(guān)鍵技術(shù)領(lǐng)域取得十分豐富的成果。

由于車輛、艦艇等平臺(tái)在無人機(jī)降落時(shí)可能處于靜止和運(yùn)動(dòng)2種狀態(tài),相較于平臺(tái)靜止?fàn)顟B(tài)下標(biāo)識(shí)固定、檢測(cè)直接,車輛、艦艇等的運(yùn)動(dòng)狀態(tài)則通常具有多維特征,故而增加了很多技術(shù)難點(diǎn)和挑戰(zhàn)。如運(yùn)動(dòng)過程帶來的視野變化,要求無人機(jī)具有更廣闊的視野范圍,并能夠從不同角度實(shí)現(xiàn)標(biāo)識(shí)檢測(cè)。同時(shí),無人機(jī)在進(jìn)行運(yùn)動(dòng)標(biāo)識(shí)檢測(cè)時(shí),將不可避免地受到更多環(huán)境干擾,如背景雜亂、遮擋、光照變化等,這都對(duì)標(biāo)識(shí)檢測(cè)系統(tǒng)提出了更高的技術(shù)要求。另外,相比于靜平臺(tái)自主降落任務(wù),如何克服快速運(yùn)動(dòng)導(dǎo)致的運(yùn)動(dòng)模糊問題也是一大技術(shù)難點(diǎn)。為此,本節(jié)分別針對(duì)靜平臺(tái)和動(dòng)平臺(tái)自主降落標(biāo)識(shí)檢測(cè)研究機(jī)構(gòu)及成果進(jìn)行歸納,并對(duì)當(dāng)前常用的降落標(biāo)識(shí)及其檢測(cè)方法和效果進(jìn)行梳理總結(jié)。

3.1 靜平臺(tái)

針對(duì)靜平臺(tái)的無人機(jī)自主降落研究起步較早。加州大學(xué)伯克利分校的Shakernia等在1999年就進(jìn)行了相關(guān)研究。2001年,團(tuán)隊(duì)設(shè)計(jì)了一種由6個(gè)白色矩形和1個(gè)黑色矩形組成的合作目標(biāo),通過圖像處理及分割算法檢測(cè)降落標(biāo)識(shí),飛行試驗(yàn)表明,系統(tǒng)軸向定位精度為5 cm,姿態(tài)角精度誤差在5°范圍內(nèi)。美國南加州大學(xué)機(jī)器人學(xué)與嵌入式系統(tǒng)研究室的Saripalli等采用“H”形圖標(biāo)作為降落標(biāo)識(shí),利用先驗(yàn)知識(shí)在預(yù)處理后的圖像中分割出可能包含目標(biāo)的區(qū)域,通過提取不變矩特征篩選出正確標(biāo)識(shí),最后利用透視投影不變性完成飛行參數(shù)估計(jì)。大量測(cè)試結(jié)果表明,該算法具有一定的準(zhǔn)確性和可重復(fù)性,這在當(dāng)時(shí)被很多研究者認(rèn)為是一個(gè)突破性的工作,但系統(tǒng)依賴于以下2點(diǎn)假設(shè)：① 標(biāo)識(shí)具有明確的幾何形狀；② 著陸標(biāo)識(shí)的所有特征點(diǎn)共面。清華大學(xué)Zeng等利用自適應(yīng)閾值實(shí)現(xiàn)圖像分割,通過圖像配準(zhǔn)識(shí)別“H”字符,利用Hough直線檢測(cè)和面積關(guān)系識(shí)別三角形以確定航向,算法具有快速、魯棒、計(jì)算成本低的優(yōu)點(diǎn),平均檢測(cè)成功率為97.42%,在2008年的中國機(jī)器人大賽中,獲得空中機(jī)器人組的金獎(jiǎng)。

然而基于視覺的自主降落存在一定的局限性,無人機(jī)飛行高度較高時(shí),由于標(biāo)識(shí)在相機(jī)拍攝的圖像中像素占比較小,容易丟失目標(biāo),當(dāng)高度較低時(shí),由于標(biāo)識(shí)成像不完整,也會(huì)影響到檢測(cè)效果。為此,很多研究機(jī)構(gòu)及學(xué)者從設(shè)計(jì)復(fù)雜的標(biāo)識(shí)和提出新的檢測(cè)策略等方向開展研究,如斯坦福大學(xué)航空機(jī)器人實(shí)驗(yàn)室的Lange等圍繞視覺引導(dǎo)無人機(jī)自主著陸課題進(jìn)行研究,設(shè)計(jì)了由內(nèi)外徑比值不同的同心圓環(huán)組成的降落標(biāo)識(shí),其主要思路是對(duì)207 WM攝像機(jī)采集的無失真圖像進(jìn)行輪廓提取,然后進(jìn)行圓環(huán)和圓度檢測(cè),通過計(jì)算圓環(huán)內(nèi)外輪廓中心的距離確定出降落標(biāo)識(shí),最后通過計(jì)算內(nèi)外環(huán)面積比確定環(huán)數(shù)。測(cè)試結(jié)果表明,該系統(tǒng)平均定位偏差為3.8 cm,并且可以在不同高度下實(shí)現(xiàn)降落標(biāo)識(shí)的實(shí)時(shí)檢測(cè)。武漢理工大學(xué)的Yuan等設(shè)計(jì)了一種基于視覺分層的定位方法,將降落過程分為“目標(biāo)靠近”“位姿調(diào)整”和“穩(wěn)定接觸”3個(gè)階段,在不同階段提取不同尺度的視覺特征,測(cè)試結(jié)果表明,該系統(tǒng)與其他定位精度同為厘米級(jí)的著陸系統(tǒng)相比,檢測(cè)距離較高,可以實(shí)現(xiàn)20 m范圍內(nèi)的標(biāo)識(shí)檢測(cè)與定位。比利時(shí)安特衛(wèi)普大學(xué)的Wubben等提出一種基于組合ArUco標(biāo)識(shí)的著陸方案,可以在30 m的高度準(zhǔn)確檢測(cè)到著陸位置,實(shí)驗(yàn)結(jié)果表明,在引入較小額外時(shí)間開銷的同時(shí),平均著陸誤差為11 cm。韓國科學(xué)技術(shù)院航天工程系的Jung等針對(duì)近距離相機(jī)視野下標(biāo)識(shí)顯示不完全和圖像畸變等問題,設(shè)計(jì)了一種由同心圓和字母“H”組成的新型合作目標(biāo),提出使用基于直接最小二乘的橢圓擬合方法(Direct Least Squares Fitting of Ellipses, DLS)近距離檢測(cè)標(biāo)識(shí),解決了近距離成像不完整問題,但當(dāng)圖像中僅顯示小部分圓時(shí),參數(shù)計(jì)算誤差較大。

除相機(jī)高度帶來的影響外,標(biāo)識(shí)遮擋、光照變化等復(fù)雜環(huán)境因素也是需要考慮的內(nèi)容。西北工業(yè)大學(xué)的張咪等對(duì)無人機(jī)自主降落系統(tǒng)開展研究,提出通過識(shí)別多層嵌套二維編碼的降落標(biāo)識(shí)達(dá)到在多尺度上定位的效果。仿真與飛行測(cè)試表明,該系統(tǒng)魯棒性好,不易受光照、溫度、噪聲等環(huán)境干擾,對(duì)計(jì)算性能要求低,但系統(tǒng)依托于階層標(biāo)識(shí)進(jìn)行相對(duì)定位,未充分利用其他環(huán)境信息。西班牙國立遠(yuǎn)程教育大學(xué)的García-Pulido等設(shè)計(jì)了一個(gè)由圓和橢圓組成的復(fù)雜標(biāo)識(shí),該標(biāo)識(shí)由于其嵌套設(shè)計(jì),在部分遮擋的情況下仍能有效檢測(cè)。南京航空航天大學(xué)的梅立春等設(shè)計(jì)了一種級(jí)聯(lián)三角形標(biāo)識(shí),檢測(cè)算法的核心思想是采用Suzuki-Abe算法對(duì)預(yù)處理后的圖像提取嵌套輪廓,然后利用改進(jìn)的Douglas-Peucker算法進(jìn)行多邊形擬合檢測(cè)角點(diǎn),該方法大大減少了計(jì)算量,降低了算法的時(shí)間復(fù)雜度,角點(diǎn)檢測(cè)效率是Shi-Tomasi算法的7倍,且在距離較遠(yuǎn)及標(biāo)識(shí)部分缺失的場(chǎng)景下仍能有效檢測(cè),適用于硬件配置有限的無人機(jī)平臺(tái)。

部分學(xué)者將基于深度學(xué)習(xí)的檢測(cè)方法與其他算法結(jié)合,以降低實(shí)際應(yīng)用中的硬件成本,克服傳統(tǒng)檢測(cè)方法受限于特定標(biāo)識(shí)這一局限性,提高算法的準(zhǔn)確率和泛化能力,如韓國的Nguyen等針對(duì)2017年研究中存在的遠(yuǎn)距離標(biāo)識(shí)難以檢測(cè)問題,提出一種速度與精度平衡的LightDenseYOLO算法,充分利用了LightDenseNet良好的特征提取能力和YOLOv2的快速檢測(cè)能力,實(shí)現(xiàn)50 m高度下的標(biāo)識(shí)檢測(cè)。LightDenseYOLO在臺(tái)式機(jī)上的計(jì)算速度為50 FPS,在Snapdragon 835平臺(tái)約25 FPS。Truong等提出使用LightDenseYOLO和超分辨率重建策略檢測(cè)自定義的降落標(biāo)識(shí),該方法依靠成本低廉、分辨率較低的可見光相機(jī)即可完成任務(wù),并且一定程度上提高了檢測(cè)距離,但算法在Jetson TX2普通模式下的運(yùn)行速度僅4.4 FPS,在Snapdragon 835平臺(tái)約12 FPS。Chen等設(shè)計(jì)了一種由同心圓和五邊形組成的降落標(biāo)識(shí),提出使用Faster R-CNN進(jìn)行標(biāo)識(shí)檢測(cè),然后基于最小二乘橢圓擬合方法和Shi-Tomasi角點(diǎn)檢測(cè)算法估計(jì)位置和方向,標(biāo)識(shí)檢測(cè)速度接近每幀81 ms,準(zhǔn)確率達(dá)到97.8%,可以滿足實(shí)時(shí)著陸要求。中國石油大學(xué)的Yu等設(shè)計(jì)了一種基于CNN的端到端檢測(cè)算法,模型的輸入是機(jī)載攝像頭捕獲的RGB三通道圖像,經(jīng)過4個(gè)由卷積層和池化層組成的復(fù)合層、一個(gè)全連接層和一個(gè)檢測(cè)層,最后輸出標(biāo)識(shí)的位置信息,檢測(cè)速率達(dá)21 FPS,算法對(duì)于不同的標(biāo)識(shí)均表現(xiàn)出良好的檢測(cè)效果,并且對(duì)不同的背景和光照均具有較好的魯棒性。

在無人機(jī)自主降落任務(wù)中,除使用通用降落標(biāo)識(shí)外,設(shè)計(jì)與環(huán)境區(qū)分度較高的標(biāo)識(shí)可以在一定程度上提高檢測(cè)精度。針對(duì)無人機(jī)飛行高度過高或過低導(dǎo)致的標(biāo)識(shí)丟失和成像不完整問題,設(shè)計(jì)級(jí)聯(lián)標(biāo)識(shí)或采用視覺分層的檢測(cè)策略,可以有效改善不同高度下的標(biāo)識(shí)檢測(cè)效果,增大檢測(cè)距離。并且,由于嵌套標(biāo)識(shí)包含豐富的視覺信息,在部分遮擋等環(huán)境因素影響下仍能有效檢測(cè)標(biāo)識(shí)。此外,基于深度學(xué)習(xí)的檢測(cè)方法相比傳統(tǒng)方法具有更好的泛化能力,能克服傳統(tǒng)檢測(cè)方法受限于特定標(biāo)識(shí)這一局限性,與其他算法融合提高檢測(cè)效率可以在一定情況下降低硬件成本,具有廣闊的發(fā)展前景。

3.2 動(dòng)平臺(tái)

3.2.1 車載動(dòng)平臺(tái)

無人機(jī)在執(zhí)行偵察、打擊等任務(wù)過程中,在車輛等動(dòng)平臺(tái)實(shí)現(xiàn)自主降落將很大程度上增大其作業(yè)范圍。美國南加州大學(xué)的Saripalli等在文獻(xiàn)[52-53]的基礎(chǔ)上進(jìn)一步研究,在假設(shè)相機(jī)平面與標(biāo)識(shí)平面平行且標(biāo)識(shí)僅在和方向移動(dòng)的前提下,通過提取Hu不變矩特征實(shí)現(xiàn)了慢速運(yùn)動(dòng)下降落標(biāo)識(shí)的檢測(cè)。中山大學(xué)的Cheng等利用基于霍夫變換的檢測(cè)算法實(shí)現(xiàn)地面無人車(Unmanned Ground Vehicle, UGV)上白色圓形降落標(biāo)識(shí)的識(shí)別,由于其圖像處理算法在筆記本電腦上運(yùn)行,然后通過數(shù)據(jù)鏈發(fā)送到無人機(jī),因此只能在UGV速度較慢的情況下完成自主降落。新加坡國立大學(xué)的Chen等提出一種基于視覺與激光雷達(dá)的定位與跟蹤算法,設(shè)計(jì)了由紅色矩形和藍(lán)色圓形組成的降落標(biāo)識(shí),通過矩形檢測(cè)與圓檢測(cè)實(shí)現(xiàn)標(biāo)識(shí)識(shí)別,利用激光雷達(dá)掃描測(cè)距儀來確定高度,飛行測(cè)試驗(yàn)證了該系統(tǒng)在速度為1 m/s 的運(yùn)動(dòng)平臺(tái)降落的有效性。捷克技術(shù)大學(xué)的Baca等在2017年國際機(jī)器人挑戰(zhàn)賽中,利用圖像分割和幾何形狀約束完成降落標(biāo)識(shí)的檢測(cè),最終無人機(jī)在25 s內(nèi)成功降落在速度為15 km/h 運(yùn)動(dòng)車輛上,獲得MBZIRC競(jìng)賽團(tuán)隊(duì)總分第一名。

針對(duì)環(huán)境影響這一問題,Lee等設(shè)計(jì)了一種運(yùn)動(dòng)車輛上無人機(jī)自主降落系統(tǒng),采用貨車搭載與環(huán)境對(duì)比較大的紅色標(biāo)識(shí),利用HSV顏色分割方法進(jìn)行識(shí)別,最后通過戶外飛行測(cè)試進(jìn)行驗(yàn)證,但該方法在周圍環(huán)境中存在其他紅色矩形區(qū)域時(shí)容易產(chǎn)生誤檢。Benini等設(shè)計(jì)了一組圓形組成的降落標(biāo)識(shí),標(biāo)識(shí)檢測(cè)算法分為標(biāo)識(shí)主體結(jié)構(gòu)搜索和內(nèi)橢圓檢測(cè)2個(gè)階段,采用GPU并行計(jì)算的方式完成。實(shí)驗(yàn)結(jié)果表明,該算法能夠在幀率為30 FPS的情況下,檢測(cè)誤差小于標(biāo)識(shí)直徑的8%,并且在背景雜亂的環(huán)境中仍能有效檢測(cè)降落標(biāo)識(shí)。

此外,有研究人員通過設(shè)計(jì)復(fù)雜的組合降落標(biāo)識(shí)以增大運(yùn)動(dòng)平臺(tái)標(biāo)識(shí)檢測(cè)的距離,如克蘭菲爾德大學(xué)的Araar等提出通過檢測(cè)由28個(gè)二維碼組成的標(biāo)識(shí)來擴(kuò)大檢測(cè)距離,增強(qiáng)系統(tǒng)對(duì)環(huán)境變化的魯棒性。北京理工大學(xué)的邢伯陽等圍繞復(fù)合標(biāo)識(shí)導(dǎo)航的自主降落優(yōu)化方法開展研究,設(shè)計(jì)了一種由圓環(huán)和二維碼組成的降落標(biāo)識(shí),實(shí)現(xiàn)了相機(jī)距離在0.5～6.0 m內(nèi)的完整定位,且分別在動(dòng)平臺(tái)處于直線運(yùn)動(dòng)和圓周運(yùn)動(dòng)的情況下完成飛行測(cè)試,定位精度最高0.1 m。

將基于深度學(xué)習(xí)的檢測(cè)算法與硬件模塊和其他算法結(jié)合,可以獲得更好的性能,解決運(yùn)動(dòng)場(chǎng)景中的視野變化和運(yùn)動(dòng)模糊等問題。西北工業(yè)大學(xué)的Yang等設(shè)計(jì)了一個(gè)基于混合相機(jī)陣列的相對(duì)位置估計(jì)系統(tǒng),如圖3所示。其中,表示相機(jī)的內(nèi)部參數(shù);表示相機(jī)的畸變系數(shù);和為相機(jī)的外部參數(shù),為旋轉(zhuǎn)矩陣,為平移矩陣。該系統(tǒng)主要包括2個(gè)部分：混合相機(jī)陣列成像模塊和UAV自主著陸算法模塊,擴(kuò)大了相機(jī)視野范圍。系統(tǒng)采用改進(jìn)的YOLOv3算法檢測(cè)ArUco標(biāo)識(shí),仿真驗(yàn)證了該方法可以高效、魯棒地引導(dǎo)無人機(jī)著陸,其中檢測(cè)模塊對(duì)于單張圖像平均耗時(shí)為51.24 ms,但該系統(tǒng)在背景為白色或紋理不明顯時(shí)效果較差。2020年,Truong等考慮著陸階段的運(yùn)動(dòng)模糊問題,提出一種結(jié)合運(yùn)動(dòng)去模糊和標(biāo)識(shí)檢測(cè)的兩階段框架系統(tǒng),設(shè)計(jì)了SlimDeblurGAN算法用于去除快速運(yùn)動(dòng)過程中產(chǎn)生的模糊現(xiàn)象,采用YOLOv2模型對(duì)去模糊后的圖像進(jìn)行標(biāo)識(shí)檢測(cè),實(shí)驗(yàn)結(jié)果表明,該系統(tǒng)可以很好地處理著陸階段的模糊問題,并可應(yīng)用于嵌入式平臺(tái),但僅對(duì)算法進(jìn)行推理仿真,并未進(jìn)行飛行測(cè)試。與文獻(xiàn)[63]一樣,未來可考慮將2個(gè)網(wǎng)絡(luò)結(jié)合到1個(gè)模型,減少網(wǎng)絡(luò)層數(shù)和參數(shù)量,提高算法效率。

圖3 基于混合相機(jī)陣列的著陸系統(tǒng)框架[74]Fig.3 Overview of the hybrid camera array-based landing system[74]

3.2.2 艦艇平臺(tái)

不同于車輛的二維運(yùn)動(dòng),艦艇受不同等級(jí)海況影響運(yùn)動(dòng)呈現(xiàn)三維特征,無人機(jī)在自主降落過程中需獲得與艦艇的6自由度相對(duì)姿態(tài)信息,同時(shí),海上水霧等惡劣環(huán)境會(huì)嚴(yán)重降低圖像質(zhì)量,影響標(biāo)識(shí)檢測(cè)效果,大大增加了自主降落的難度。因此,大量研究人員針對(duì)無人機(jī)在艦艇甲板上的降落問題開展研究,如北京航空航天大學(xué)邱力為等于2003年提出的一種用于無人機(jī)自主著艦的雙目立體視覺系統(tǒng),已經(jīng)達(dá)到無人直升機(jī)自主著艦的實(shí)時(shí)性和實(shí)用性要求。Bagen等采用由5個(gè)圓和1個(gè)“H”組成的降落標(biāo)識(shí),利用仿射不變矩特征和模糊識(shí)別方法進(jìn)行檢測(cè)。

針對(duì)可見光圖像對(duì)光照依賴性較高,無法實(shí)現(xiàn)全天候標(biāo)識(shí)檢測(cè)問題,南京航空航天大學(xué)的Xu在“T”形標(biāo)識(shí)上安裝加熱模塊,利用紅外相機(jī)實(shí)現(xiàn)夜間標(biāo)識(shí)識(shí)別,測(cè)試結(jié)果顯示,該系統(tǒng)的平均識(shí)別時(shí)間為17.2 ms,檢測(cè)準(zhǔn)確率為97.2%。同年,夏正浩等針對(duì)濃霧天氣下著艦過程中的紅外目標(biāo)分割問題,提出一種新的分割改進(jìn)方法,首先根據(jù)圖像的能量信息分割出感興趣區(qū)域,同時(shí)采用雙OSTU算法對(duì)原圖像進(jìn)行分割,將兩者的結(jié)果進(jìn)行邏輯“與”運(yùn)算以得到最終結(jié)果。與單獨(dú)使用經(jīng)典OTSU算法和最大熵算法相比,該算法能夠同時(shí)克服OSTU算法的誤分割問題和最大熵算法帶來的干擾噪聲問題,分割效果得到明顯改善。雖然采用紅外標(biāo)識(shí)可以一定程度上克服水霧等惡劣環(huán)境影響,但紅外標(biāo)識(shí)的檢測(cè)結(jié)果受溫度影響,在實(shí)際著艦場(chǎng)景中也具有一定的局限性。

針對(duì)著艦過程中的環(huán)境干擾及海浪影響,亞利桑那州立大學(xué)的Sanchez-Lopez等提出利用Hu不變矩特征以及包含多層感知機(jī)和其他幾何性質(zhì)的決策樹判別單元檢測(cè)國際通用著陸標(biāo)識(shí),在實(shí)驗(yàn)室場(chǎng)景下測(cè)試顯示,該算法在不同高度和角度以及部分遮擋的情況下均能準(zhǔn)確檢測(cè)標(biāo)識(shí),并且對(duì)光照變化不敏感。Polvara等圍繞無人機(jī)艦艇甲板著陸問題開展研究,采用AR Drone2.0和Husky A200移動(dòng)機(jī)器人來模擬著艦場(chǎng)景,選用高對(duì)比度的增強(qiáng)現(xiàn)實(shí)(Augmented Reality, AR)標(biāo)記作為著陸標(biāo)識(shí),理論上系統(tǒng)可獲得無人機(jī)與標(biāo)識(shí)的六自由度相對(duì)姿態(tài)信息,但由于試驗(yàn)條件限制,沒有對(duì)算法進(jìn)行完整測(cè)試。隨后于2018年P(guān)olvara等進(jìn)一步研究,通過模擬真實(shí)海上運(yùn)動(dòng)場(chǎng)景對(duì)文獻(xiàn)[80]提出的方法進(jìn)行測(cè)試,試驗(yàn)結(jié)果表明系統(tǒng)在添加不同干擾的情況下均具有較好的魯棒性。

另外,有研究人員將基于深度學(xué)習(xí)的檢測(cè)算法用于艦艇平臺(tái)的標(biāo)識(shí)檢測(cè),憑借其優(yōu)秀的特征提取能力解決實(shí)際應(yīng)用中因高度變化帶來的問題,如南京航空航天大學(xué)的Li等針對(duì)無人直升機(jī)滑翔過程中機(jī)載相機(jī)視野中目標(biāo)尺寸小、尺度變化大等問題開展研究,在SSD算法框架的基礎(chǔ)上提出一種新的特征提取結(jié)構(gòu),以增強(qiáng)模型對(duì)中小目標(biāo)的檢測(cè)能力,改進(jìn)后的算法檢測(cè)準(zhǔn)確率達(dá)到93.3%。為充分結(jié)合深度學(xué)習(xí)算法的高精度和核相關(guān)濾波(Kernel Correlation Filter, KCF)算法的強(qiáng)實(shí)時(shí)性,系統(tǒng)采用互補(bǔ)濾波融合策略,用改進(jìn)SSD算法的檢測(cè)結(jié)果對(duì)KCF算法進(jìn)行修正,提出的融合檢測(cè)算法成功率達(dá)到91.1%,平均處理速度為9 ms,基本滿足了無人機(jī)在艦艇平臺(tái)自主降落要求。

對(duì)于無人機(jī)在動(dòng)平臺(tái)的自主降落,同樣通過設(shè)計(jì)嵌套標(biāo)識(shí)或分級(jí)檢測(cè)策略來增大檢測(cè)距離。不同于靜平臺(tái)自主降落,無人機(jī)在運(yùn)動(dòng)平臺(tái)降落時(shí),由于車輛或艦艇存在的二維或三維運(yùn)動(dòng)特征,不可避免地受到更多環(huán)境干擾或海浪影響,設(shè)計(jì)與環(huán)境對(duì)比鮮明的標(biāo)識(shí)至關(guān)重要。同時(shí),采用基于深度學(xué)習(xí)的檢測(cè)算法與去模糊算法融合可以有效解決快速運(yùn)動(dòng)導(dǎo)致的運(yùn)動(dòng)模糊問題。采用紅外標(biāo)識(shí)可以一定程度上克服水霧影響,但在實(shí)際場(chǎng)景中具有一定的局限性,可將基于深度學(xué)習(xí)的檢測(cè)算法與去霧算法融合,提高惡劣天氣下的檢測(cè)精度。然而,當(dāng)前的檢測(cè)算法大多關(guān)注降落標(biāo)識(shí)本身,缺乏對(duì)運(yùn)動(dòng)平臺(tái)的考慮,擴(kuò)展對(duì)動(dòng)平臺(tái)整體的檢測(cè)識(shí)別將有效增大檢測(cè)距離、提高視覺算法的環(huán)境適應(yīng)性和檢測(cè)效率。

總的來說,目前常用的降落標(biāo)識(shí)可以分為以下5類：T形、H形、圓形、矩形和組合標(biāo)識(shí)。為便于對(duì)比各研究機(jī)構(gòu)采用的檢測(cè)方法及識(shí)別效果,對(duì)視覺引導(dǎo)無人機(jī)自主降落的相關(guān)文獻(xiàn)進(jìn)行梳理,匯總于表2,部分標(biāo)識(shí)圖像如圖4所示。

表2 標(biāo)識(shí)類型、檢測(cè)方法及結(jié)果對(duì)比Table 2 Comparison of markers’ shapes, detection methods, and results

續(xù)表2

圖4 部分降落標(biāo)識(shí)[51-53, 58, 69, 77, 85]Fig.4 Some markers with variations[51-53, 58, 69, 77, 85]

4 存在的問題及未來發(fā)展思考

1) 當(dāng)前及未來復(fù)雜環(huán)境下,實(shí)現(xiàn)對(duì)降落標(biāo)識(shí)的精細(xì)化檢測(cè)與識(shí)別,達(dá)到檢測(cè)速度與精度的同步提升,仍有很大的研究空間。針對(duì)實(shí)際場(chǎng)景中霧霾和雨雪天氣、快速運(yùn)動(dòng)、水面反光等問題,除了根據(jù)實(shí)際環(huán)境設(shè)計(jì)對(duì)比度更高的標(biāo)識(shí),融合去霧、去模糊等算法,提出更輕量的高精度一體化檢測(cè)算法,克服惡劣環(huán)境對(duì)圖像采集質(zhì)量的影響,保證檢測(cè)算法的高魯棒性和環(huán)境適應(yīng)性,是未來的重要發(fā)展方向。

2) 無人機(jī)與無人車/無人艇協(xié)同作業(yè)過程中,如何精準(zhǔn)檢測(cè)運(yùn)動(dòng)體搭載的降落標(biāo)識(shí)非常關(guān)鍵,目前研究人員大多關(guān)注于檢測(cè)標(biāo)識(shí)本身,缺乏對(duì)運(yùn)動(dòng)平臺(tái)的考慮,對(duì)于快速運(yùn)動(dòng)的降落標(biāo)識(shí)準(zhǔn)確檢測(cè)是無人機(jī)自主降落研究的短板。擴(kuò)展對(duì)動(dòng)平臺(tái)整體的檢測(cè)識(shí)別將對(duì)于增大檢測(cè)距離、提高視覺算法的環(huán)境適應(yīng)性和檢測(cè)效率起到至關(guān)重要的作用。

3) 目前基于深度學(xué)習(xí)的標(biāo)識(shí)檢測(cè)方法是一種有監(jiān)督學(xué)習(xí)的方式,具有訓(xùn)練所需樣本量大、網(wǎng)絡(luò)參數(shù)多、主干網(wǎng)絡(luò)設(shè)計(jì)復(fù)雜等局限性,并且在實(shí)際工程應(yīng)用中,樣本的采集受到環(huán)境限制,針對(duì)某一任務(wù)設(shè)計(jì)一個(gè)最優(yōu)的網(wǎng)絡(luò)架構(gòu)工作復(fù)雜。為此,在有限的計(jì)算資源和復(fù)雜的環(huán)境影響下,基于小樣本的輕量化標(biāo)識(shí)檢測(cè)算法的研究還有很大提升空間,采用自動(dòng)神經(jīng)結(jié)構(gòu)搜索方法提升標(biāo)識(shí)檢測(cè)效率是未來的關(guān)鍵。

4) 采用單一傳感器獲取降落標(biāo)識(shí)圖像具有一定的局限性,如光學(xué)圖像分辨率高但易受天氣影響,紅外圖像能實(shí)現(xiàn)全天候標(biāo)識(shí)檢測(cè)但易受溫度影響,充分利用不同數(shù)據(jù)間的優(yōu)勢(shì)互補(bǔ)信息具有很大的必要性。融合不同源圖像實(shí)現(xiàn)高精度全天候標(biāo)識(shí)檢測(cè),通過多源數(shù)據(jù)間冗余信息增強(qiáng)標(biāo)識(shí)檢測(cè)的可靠性將可能成為研究熱點(diǎn)之一。

5) 對(duì)于無人機(jī)載標(biāo)識(shí)檢測(cè)系統(tǒng),除了軟件算法的效率之外,硬件系統(tǒng)的成本也是一個(gè)值得考慮的問題,目前選用低成本的硬件在一定程度上需要軟件算法的突破來進(jìn)行補(bǔ)償。未來,綜合考慮無人機(jī)平臺(tái)的負(fù)載能力與計(jì)算能力,如何在保證信息采集質(zhì)量的同時(shí),實(shí)現(xiàn)硬件系統(tǒng)的微型化和低成本化仍有待探索。

6) 總的來說,目前基于人工標(biāo)識(shí)的無人機(jī)自主降落是主流研究方向,提高標(biāo)識(shí)檢測(cè)算法的泛化性,增強(qiáng)系統(tǒng)對(duì)快速運(yùn)動(dòng)及復(fù)雜環(huán)境的適應(yīng)性是未來的發(fā)展趨勢(shì)。然而,關(guān)于未知、非合作環(huán)境下無人機(jī)自主降落系統(tǒng)的研究鳳毛麟角,現(xiàn)有的非深度學(xué)習(xí)方法本質(zhì)上對(duì)環(huán)境的魯棒性較低,在利用深度學(xué)習(xí)的思路進(jìn)行安全降落區(qū)域檢測(cè)這一方向,尚缺乏可工程實(shí)用的研究成果。因此,未來可考慮將深度學(xué)習(xí)的思想用于未知環(huán)境中安全降落區(qū)域檢測(cè),增強(qiáng)檢測(cè)算法對(duì)環(huán)境的魯棒性,克服自主降落依賴人工標(biāo)識(shí)這一局限性,提高在不可預(yù)見的條件下自主降落系統(tǒng)的總體性能,對(duì)于未來復(fù)雜戰(zhàn)場(chǎng)環(huán)境下、突發(fā)任務(wù)及異常狀態(tài)下無人機(jī)緊急迫降和抗災(zāi)救援等方面,將具有重大的工程應(yīng)用價(jià)值。

5 結(jié)束語

近年來,隨著無人系統(tǒng)向智能化、數(shù)字化、自動(dòng)化、集群化的方向快速發(fā)展,無人機(jī)與無人車/無人艇的協(xié)同不僅在民用領(lǐng)域具有較大的應(yīng)用價(jià)值,也將很大程度上改變未來海/陸空作戰(zhàn)體系,很有必要對(duì)基于視覺的無人機(jī)自主降落技術(shù)開展深入研究。針對(duì)視覺引導(dǎo)無人機(jī)自主降落問題,本文在簡(jiǎn)要介紹通用目標(biāo)檢測(cè)方法的基礎(chǔ)上,梳理和歸納了當(dāng)前自主降落標(biāo)識(shí)檢測(cè)技術(shù)的若干研究進(jìn)展。從目前的研究成果來看,國外在該方向的研究領(lǐng)先于國內(nèi),但公開發(fā)表的國內(nèi)外研究成果針對(duì)靜平臺(tái)自主降落研究較多,部分學(xué)者提出了運(yùn)動(dòng)車輛/艦船等動(dòng)平臺(tái)降落方案,但檢測(cè)算法大多關(guān)注于標(biāo)識(shí)本身,較少涉及動(dòng)平臺(tái)自身的檢測(cè)問題。此外,無人機(jī)平臺(tái)自身存在的負(fù)載及計(jì)算資源有限等問題,以及實(shí)際應(yīng)用場(chǎng)景的復(fù)雜性,使得該方向的研究仍面臨較多困難,許多研究成果仍停留在實(shí)驗(yàn)室仿真階段,缺乏有效的飛行驗(yàn)證和實(shí)際應(yīng)用考證。

針對(duì)無人機(jī)在動(dòng)/靜平臺(tái)自主降落的基礎(chǔ)理論和工程應(yīng)用方面的難點(diǎn),如果能抓住現(xiàn)有研究問題中存在的主要矛盾,順應(yīng)深度學(xué)習(xí)等人工智能技術(shù)的發(fā)展潮流,在標(biāo)識(shí)檢測(cè)技術(shù)上取得突破性進(jìn)展,將極大促進(jìn)無人機(jī)與無人車/無人艇協(xié)同技術(shù)的發(fā)展。未來,在致力于系統(tǒng)輕量化及微型化的同時(shí),進(jìn)一步提高檢測(cè)算法的準(zhǔn)確性、實(shí)時(shí)性和魯棒性,提高系統(tǒng)在各種復(fù)雜環(huán)境下的自適應(yīng)與學(xué)習(xí)能力,將具有十分重要的實(shí)用價(jià)值。軟件算法的不斷突破與硬件設(shè)備的快速革新,必將促進(jìn)視覺引導(dǎo)無人機(jī)自主降落技術(shù)的飛速發(fā)展,推動(dòng)海/陸空跨域協(xié)同技術(shù)發(fā)展到一個(gè)新臺(tái)階。