Структура системи автономного управління безпілотним літальним апаратом засобами комп'ютерного зору
-
Published:2024-05-23
Issue:5
Volume:34
Page:69-77
-
ISSN:2519-2477
-
Container-title:Scientific Bulletin of UNFU
-
language:
-
Short-container-title:SBUNFU
Author:
Боровий О. О.ORCID, Ілечко Р. І.ORCID
Abstract
Розглянуто особливості побудови фізичної моделі безпілотного літального апарату для завдань комп'ютерного зору. Проаналізовано наявні фізичні моделі, вказано на їх сильні та слабкі особливості. Описано наявні методи та засоби планування маршрутів і навігації. Окреслено попередні досягнення у сфері зменшення розміру нейромережевих моделей для завдань комп'ютерного зору, а саме, лінійне квантування нейромереж та обчислення з половинною точністю. Визначено підходи та принципи розроблення системи автономного управління безпілотного літального апарату. Розроблено структуру системи автономного управління безпілотного літального апарату. Зазначено характеристики комп'ютерних засобів системи автономного управління безпілотного літального апарату. Запропоновано концепцію побудови алгоритму корекції геоданих на підставі зображення з камери, супутникових знімків, інерційно вимірювальних блоків і системи глобального позиціювання GPS (англ. Global Positioning System). Вдосконалено метод нейромережевого розпізнавання об'єктів шляхом розпаралелення процесу оброблення відеоданих з використанням декількох цифрових пришвидшувачів. Запропоновано сценарії використання системи з великою кількістю апаратних пришвидшувачів. Описано продуктивність моделей до та після квантувань в контексті точності розпізнавання. Представлено метод квантування частинами для оброблення надвеликих нейромереж комп'ютерного зору. Запропоновані методи та технології демонструють високий потенціал для підвищення ефективності та точності оброблення даних у реальних умовах експлуатації. Покращені підходи до квантування нейромереж та їх оптимізації дають змогу значно зменшити розмір моделей та підвищити швидкість їх роботи, зберігаючи при цьому високу точність розпізнавання. Інтеграція кількох цифрових пришвидшувачів дає змогу ефективно розпаралелити процес оброблення відеоданих, що особливо важливо для оперативного аналізу інформації в режимі реального часу. Результати цього дослідження можна використати для покращення можливостей навігації та оброблення відеоданих, що сприятиме розширенню сфер застосування безпілотних літальних апаратів.
Publisher
Ukrainian National Forestry University
Reference27 articles.
1. Andrew, G. Howard, Menglong Zhu, Bo Chen, Dmitry Kalenichenko, Weijun Wang, Tobias Weyand, Marco Andreetto, & Hartwig Adam. (2017). MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications. arXiv preprint arXiv:1704.04861. https://doi.org/10.48550/arXiv.1704.04861 2. Brennan, J., Bonner, S., Atapour-Abarghouei, A., Jackson, P. T., Obara, B., & McGough, A. S. (2020). Not Half Bad: Exploring Half-Precision in Graph Convolutional Neural Networks. International Conference on Big Data (Big Data), 2725–2734. https://doi.org/10.1109/BigData50022.2020.9378263 3. Chen, Y., Chen, X., Chen, L., He, D., Zheng, J., Xu, C., & Liu, L. (2022). UAV Lightweight Object Detection Based on the Improved YOLO Algorithm. Proceedings of the 2021 5th International Conference on Electronic Information Technology and Computer Engineering, 1502–1506. Presented at the Xiamen, China. https://doi.org/10.1145/3501409.3501674 4. Du, D., Zhu, P., Wen, L., Bian, X., Lin, H., Hu, Q., & Liu, Z. (2019). VisDrone-DET2019: The Vision Meets Drone Object Detection in Image Challenge Results. 2019 IEEE/CVF International Conference on Computer Vision Workshop (ICCVW), 213–226. https://doi.org/10.1109/ICCVW.2019.00030 5. Enkhtogtokh Togootogtokh, Christian Micheloni, Gian Luca Foresti, & Niki Martinel. (2020). An Efficient UAV-based Artificial Intelligence Framework for Real-Time Visual Tasks. arXiv preprint arXiv:2004.06154. https://doi.org/10.48550/arXiv.2004.06154
|
|