论文部分内容阅读
与传统的目标检测技术相比,深度学习技术具有优异的检测精度和泛化能力,将其应用在多旋翼无人机上,可显著提高无人机的智能化程度,实现大场景范围内、复杂情况下对多种复杂目标的识别和跟踪,具有良好的应用前景。本文针对室内复杂情况下进行多移动目标跟踪的问题,开展了深度学习算法在多旋翼无人机平台上的应用研究,搭建了以NVIDIA TX2核心板为基础的硬件平台,以YOLO算法为基础,针对无人机目标跟踪应用进行了计算资源、检测精度和检测速度的改进研究。首先,针对国际空中机器人大赛第七代任务要求,设计了以深度学习算法为基础的目标检测和跟踪方案。在此基础上,基于NVIDIA TX2核心板设计了小体积、轻量化的机载深度学习计算平台,开发了针对特定地面目标的YOLO深度学习检测算法,建立了地面目标数据集,进行了网络参数调整和训练,并在数据集上进行了测试,测试表明与传统机器视觉算法相比,本文所开发的算法在复杂环境下对于地面目标具有良好的识别效果。其次,为了改善深度学习算法在多旋翼无人机上的应用效果,本文从检测精度和检测速度两个方向着手改进算法的性能。设计了多尺度预测机制和基于K-means的目标框预测聚类算法,改进了YOLO算法对小面积目标的检测性能,提高了识别率和位置检测的准确率。设计了TensorRT加速推理和INT8权值量化的方法,对深度学习算法的检测速度进行了改进。以上措施可在改善算法准确率的同时将检测速度提高3倍以上。最后,本文针对室内多移动目标的跟踪技术进行了研究。设计了粒子滤波算法对检测到的目标运动进行预测与滤波处理,得到连续、稳定的目标位置;设计了基于视觉信息的无人机室内定位技术,进而得到场地内飞行器自身和所有移动目标的全局坐标,搭建了基于Gazebo的仿真实验环境,进行了软件仿真,在此基础上进行了实际试飞验证,结果证明了本文提出的整套目标检测和跟踪算法的有效性。