Drónok felhasználása második rész

Kapu-detektálás, három kapus megoldás

Mint korábban említettük, számos drón-versenyt szerveztek az utóbbi időkben és mindegyiknél eltérő tervezésű kapukat használtak. Három kapuról mutat részletet az alábbi ábra is (balról jobbra haladva a következő versenyekről: AlphaPilot, IROS és Game of Drones).

Jelenleg mély konvolúciós neurális hálózatokat (deep convolutional neural networks - DCNN) használnak a leggyakrabban a detektálásukra, amiket specifikusan erre a feladatra terveztek.

PosNet hálózat

Egy mexikóiak által prezentált módszerben, a PosNet hálózatot módosították, úgy, hogy az nem magára a keretre, hanem azonnal annak közepére összpontosított. A szerzők tesztelték a megoldást szimulációban és valós környezetben is, maximálisan 100 FPS-t elérve a GPU-n. Ezt a módszert az IROS versenyre találták ki.
Hasonló megközelítést választottak az ADRNet nevű új detektálós hálózatnál is (Kína). Ez az AlexNet módosításából született, aminek során kiiktatták a készítők az irrelevánsnak tartott rétegeket. Ez a lépés lehetővé tette számukra a 30 FPS-es feldolgozást a GPU-n. A szerzők szintén az IROS kaput használták a valós környezetben történő tesztelésre, ami sikerrel zárult.

Game of Drones verseny

Egy másik neurális hálózatot használtak, amikor augmentált adatokat használtak a detektálásra, amiket megelőzően egy szimulációból nyertek. Lehatároló dobozokat határoztak meg minden kapuhoz, több, mint 90%-os valószínűség mellett. Ezek közül az, aminek a legnagyobb volt a területe, lett kiválasztva, mint a legközelebbi kapu. Az algoritmus sikeresen vizsgázott a Game of Drones versenyen a NeurIPS 2019-en.
Egy másik példa az előre legyártott neurális hálózatarchitektúrára az 5 szintes U-Net, ami a kamera látószögébe eső szögletes keret négy sarkára összpontosított. A hálózat kifejlesztésére 28000 képet gyűjtöttek össze 5 különböző környezetből. A dedukciót egy Nvidia Jetson Xavier-en hajtották végre feles precízióval (FP16). Az algoritmust sikeresen tesztelték az AlphaPilot versenyen 2019-ben.

Végül, egy másik módszert mutattak be egy új Snake Gate Detection algoritmus képében. Ez két pont különböző színeinek összehasonlításán alapul. Összességében az eredmény azon múlik, hogy milyen küszöbértéket választunk a színek megkülönböztetésére és a kapu dizájnján. Ebben az esetben a fejlesztők azonos narancssárga színű kapukat használtak az IROS Autonóm Drón Versenyről. A valós környezetben is korrekten érzékelte a kapukat az algoritmus.

www.researchgate.net