Un chasseur de drones autonome fonctionnant grâce à l'apprentissage profond et aux calculs embarqués dans des environnements dépourvus de GPS est un rapport de
This paper introduces a UAV platform designed for autonomous detection, pursuit, and neutralization of other small UAVs in GPS-denied environments. The platform employs a pre-trained machine learning model to detect, track, and follow a target drone within its sensor range. A comprehensive dataset of 58,647 images is collected and generated for training a Tiny YOLO detection algorithm. The validation of this algorithm, coupled with a straightforward visual-servoing approach, is performed on a physical platform. The results demonstrate the platform’s capability to effectively track and follow a target drone at an estimated speed of 1.5 m/s. However, performance is constrained by the detection algorithm’s 77% accuracy in cluttered environments, an eight frames-per-second frame rate, and the camera’s limited field of view.
Date de publication- Novembre 2019
Autonomous drone hunter operating by deep learning and all-onboard computations in GPS-denied environments contains the following major sections:
- Introduction
- Travaux connexes
- Contributions
- Structure du Paer
- Matériels et méthodes
- Résultats
- Discussion
- Conclusion
Recherche en libre accès
C-UAS Hub n'est pas propriétaire de ce contenu et fournit un lien pour les utilisateurs à l'adresse suivante fond de la page pour y accéder à son emplacement d'origine. Cela permet à l'auteur ou aux auteurs de suivre les métriques importantes de l'article liées à leur travail. Tout le mérite en revient à son propriétaire légitime.
Auteurs-
Voir aussi...
Mise à niveau de la solution de chasse et de capture C-UAS Iron Drone Raider
Hanwha Systems teste un drone de chasse et de capture
Post Image- Prototype de drone Hunter (Crédit image : auteurs)
