Autonomer Drohnenjäger, der mit Hilfe von Deep Learning und Onboard-Berechnungen in Umgebungen ohne GPS arbeitet, ist ein Bericht von
In diesem Beitrag wird eine UAV-Plattform vorgestellt, die für die autonome Erkennung, Verfolgung und Neutralisierung anderer kleiner UAVs in Umgebungen ohne GPS entwickelt wurde. Die Plattform verwendet ein vorab trainiertes maschinelles Lernmodell, um eine Zieldrohne innerhalb ihrer Sensorreichweite zu erkennen, zu verfolgen und zu verfolgen. Ein umfassender Datensatz von 58.647 Bildern wird gesammelt und generiert, um einen Algorithmus zur Erkennung von Tiny YOLO zu trainieren. Die Validierung dieses Algorithmus, gekoppelt mit einem einfachen visuellen Steuerungsansatz, wird auf einer physischen Plattform durchgeführt. Die Ergebnisse zeigen, dass die Plattform in der Lage ist, ein Ziel effektiv zu verfolgen und ihm zu folgen. Drohne mit einer geschätzten Geschwindigkeit von 1,5 m/s. Die Leistung wird jedoch durch die 77%-Genauigkeit des Erkennungsalgorithmus in unübersichtlichen Umgebungen, eine Bildrate von acht Bildern pro Sekunde und das begrenzte Sichtfeld der Kamera eingeschränkt.
Datum der Veröffentlichung- November 2019
Autonome Drohne Jäger, die mit Hilfe von Deep Learning und All-On-Board-Berechnungen in Umgebungen ohne GPS arbeiten, enthält die folgenden Hauptabschnitte:
- Einführung
- Verwandte Arbeiten
- Beiträge
- Struktur des Paer
- Materialien und Methoden
- Ergebnisse
- Diskussion
- Schlussfolgerung
Open-Access-Forschung
C-UAS Hub macht sich diese Inhalte nicht zu eigen und stellt einen Link für die Nutzer auf der unten der Seite, um sie an ihrem ursprünglichen Ort aufzurufen. Dies ermöglicht es dem/den Autor(en), wichtige Artikelmetriken im Zusammenhang mit ihrer Arbeit zu verfolgen. Alle Angaben gehen an den rechtmäßigen Eigentümer.
Autoren-
Siehe auch.
Iron Drone Raider C-UAS Hunter-Capture-Lösung wird aufgerüstet
Hanwha Systems testet Jäger-Auffangdrohne
Post-Image - Prototyp einer Hunter-Drohne (Bildnachweis: Autoren)
