Журнал компьютерной инженерии и информационных технологий

Фреймворк глубокого обучения на основе дронов для обнаружения и отслеживания объектов

Мухаммад Шоаиб1, Насир Саид

В последние годы интеграция искусственного интеллекта и беспилотных летательных аппаратов (БПЛА) стала горячей темой для изучения, особенно когда БПЛА должны выполнять сложные задачи, которые не могут быть выполнены быстро под контролем человека. Дроны часто используют несколько датчиков для сбора полной информации об условиях, таких как камера сверху вниз или датчики LiDAR, а главный процессор измеряет все траектории дрона. В этой статье предлагается отслеживать обнаруженную цель, которая использует монокулярную бортовую камеру и модель обучения с подкреплением. Эта система более рентабельна и адаптируется к атмосфере с использованием различных датчиков и предварительно рассчитанных траекторий, чем предыдущие подходы. Наша модель добавила охватывающие детали коробки к входному изображению сети привода, расширив предыдущую сеть Deep Double Q с помощью модели архитектуры Duel (D3QN), изменив таблицу действий и функцию стимулирования, включив трехмерные жесты и распознавание объектов в сочетании с поддержкой MobileNet. Моделирование выполняется в различных настройках моделирования, каждая из которых имеет свой уровень сложности и сложности. Для исследования используется приложение «Airsim», API-интерфейс моделирования квадрокоптера, поддерживаемый Microsoft. Результаты показывают, что с помощью алгоритма исследования на основе конвергенции модель приближается к наблюдаемому объекту, человеческой фигуре, не встречая никаких препятствий на своем пути и перемещается быстрее.